MCP 知识库

📌 为什么创建这个仓库？

目的：
此仓库是一个个人与公开的知识库，围绕 模型上下文协议 (MCP) —— 一个新兴的标准，用于使大语言模型（LLMs）能够通过结构化交互调用工具。

它正在开发中，以加深我对自己理解，并可能包含一些早期的解释或概念空白，这些将在 MCP 发展过程中逐步完善。

此仓库将包括：

• 解释 MCP 通信流程的内容
• 展示主机、服务器、LLM 和工具之间交互的图表
• 示例 Python 代码，模拟 MCP 管道
• 笔记和对论文或讨论的引用
• 探索新想法的地方，如工具链、缓存和 MCP 中的状态管理

🔄 MCP 工作原理

以下是基于早期实验的 MCP 生命周期简要说明：

1. 💬 用户输入：用户提出一个问题（例如，在 VS Code 或浏览器 IDE 中——这充当 MCP 主机）。
2. 📡 工具发现：主机向 MCP 服务器 发送请求，以发现可用工具或插件。
3. 📤 查询分发：主机将用户查询和工具元数据传递给 LLM。
4. 🧠 工具选择：LLM 选择一个或多个工具来完成查询（例如天气 API 或计算器）。
5. 🛠️ 工具执行：主机通过调用 MCP 服务器来执行工具(s)。
6. 📥 结果处理：工具返回其结果；主机将其传递回 LLM。
7. ✅ 最终输出：LLM 以包含所有必要上下文的完整答案作出回应。

🧪 示例与模拟

在 examples/ 文件夹中：

• basic_mcp_demo.py：将添加一个 MCP 主机和服务器通信的基本示例
• tool_plugin_example.py：将演示工具注册表和调用
• mcp_host_server_flow.py：将演示从用户输入到 LLM 响应的完整生命周期

🧱 概念与构建模块

• 工具：外部服务（API、数据库、函数），LLM 可以通过它们扩展自己的能力。
• 主机：LLM 运行和显示结果的界面环境。
• 服务器：处理工具调用物流的中间件。
• 模式：用于结构化请求和响应的 JSON 模式或数据格式。
• 上下文处理：确保 LLM 能够访问之前的所有工具调用，以保持回答的连贯性。

✅ 建议仓库结构

mcp-knowledge-base/
│
├── README.md
├── 图表/
│   └──                       # 任何视觉解释
├── examples/
│   ├── basic_mcp_demo.py
│   └── tool_plugin_example.py
├── mcp_host_server_flow.py
└── 资料夹/

注意事项：
1. 确保仓库结构清晰，文件名和目录名使用中文。
2. 每个文件夹应包含相关的内容，如示例代码、文档等。
3. README.md 应详细说明仓库内容和使用方法。

---

## 📁 相关项目和参考资料

- **MCP 项目**：[链接](#)
- **LangChain 文档**：[链接](https://langchain.com/)
- **OpenAI 工具调用文档**：[链接](https://openai.com/docs/tools)

---

这个仓库将不断更新，以反映 MCP 的最新发展和相关资源。