🚀 使用双子座（Gemini）的 MCP 服务器 - GeminiRouter

本项目基于模型上下文协议 (MCP) 并结合Google 的 Gemini Flash 1.5 API实现，旨在展示模块化 AI 服务如何借助集中式路由器协同工作，为构建智能、可扩展的 AI 系统提供了有效方案。

🚀 快速开始

克隆仓库

git clone https://github.com/your-repository.git
cd GeminiRouter

启动后端

npm install
npm start

启动前端

cd frontend
npm install
npm run dev

✨ 主要特性

• 模块化 AI 服务：每个功能（聊天、搜索、RAG、思考）都具有专用微服务。
• 中心化上下文路由器：通过一个集中的路由器协调所有服务。
• Gemini Flash 1.5 集成：利用 Google 的 Gemini 技术实现强大 AI 功能。
• OpenWeather 集成：提供天气信息查询功能。

📚 详细文档

🔍 项目简介

本项目是基于 模型上下文协议 (MCP) 并结合 Google 的 Gemini Flash 1.5 API 的实现，意在展示模块化 AI 服务如何通过一个集中的路由器协同工作。

🧐 什么是 MCP 以及它在这里的工作原理？

模型上下文协议 (MCP) 是一种架构模式，用于实现多个专门的 AI 代理或服务之间模块化且情境感知的通信。本项目将 MCP 原理应用于构建一个可扩展、智能的 AI 系统，该系统拥有专用微服务，并通过一个中心路由器进行协调。

每个服务（或“上下文”），如聊天、网络搜索、天气信息、深度推理或检索增强生成 (RAG)，都执行特定功能，并通过轻量级请求在 路由器/客户端 之间进行通信。

↺ 工作流程概述

以下是系统从输入到输出的工作原理：

1. 用户输入：用户从前端 UI 发送查询。
2. 路由逻辑：
   • 路由器接收查询并分析意图。
   • 根据关键词、上下文或过去交互，路由器选择合适的服务器（聊天、搜索、RAG、思考等）来处理查询。
3. 服务处理：
   • 聊天服务器：若查询是对话式或非正式的，则路由到此服务器以获得快速响应。
   • 搜索服务器：对于需要实时或事实数据的查询（例如“瑞典首都是哪里？”），路由器通过此模块调用 Gemini API。
   • RAG 服务器：对于复杂问题，需要基于文档的知识综合时，RAG 模块使用检索层 + Gemini 进行答案生成。
   • 思考服务器：对于逻辑推理或多步骤问题解决，查询将交于此处进行深度处理。
   • 天气（通过搜索）：搜索服务器还集成了 OpenWeather API，以处理自然语言的天气查询，例如“东京的天气如何？”
4. 响应聚合：
   • 选定模块处理请求并将其发送回路由器。
   • 路由器可以选择性地将来自多个模块的响应进行组合（例如，一个包含天气和建议的响应）。
5. 前端输出：最终响应返回到用户界面，并以干净、对话式的方式呈现。

📋 项目架构

项目的整体结构清晰，分为以下几个主要部分：

.
├── src/
│   ├── router/         # 路由器逻辑
│   ├── services/      # 各个服务模块
│   └── components/    # 前端组件
└── package.json       # 项目依赖和脚本

🌟 未来计划

• 整合前端到 Docker Compose：实现前后端服务的统一管理。
• 改善用户界面 (UI)：增加更多交互功能，提升用户体验。
• 扩展更多 API 集成：如天气、新闻等其他数据源。

🔑 注意事项

1. 项目依赖于 Internet 连接以访问 Gemini 和 OpenWeather 服务。
2. 使用前请配置相关 API 密钥：

# 在环境变量中设置
export GEMINI_API_KEY=your_key_here
export OPENWEATHER_API_KEY=your_key_here

3. 如需调试，请运行：

npm run debug

通过 GeminiRouter，我们展示了模块化 AI 服务在实际项目中的强大潜力。无论是聊天、搜索还是天气查询，一切都在您的指尖！