AI Chat With MCP

人工智能驱动的MCP客户端

这是一个增强的模型上下文协议（MCP）客户端，与Ollama集成，提供人工智能聊天功能，可以访问MCP工具和资源。

特性

• 🤖 人工智能聊天：Ollama提供的自然语言交互
• 🔧 自动MCP工具使用：自动检测意图并执行工具
• 🎯 智能意图识别：理解“创建笔记”或“显示所有笔记”等自然请求
• 🌐 多服务器支持：同时连接到多个MCP服务器
• 🧠 增强的上下文记忆：从对话历史记录中记住实体（笔记、文件夹）
• 🔗 上下文参考：使用“更新提及的笔记”或“删除该笔记”等短语
• 📚 资源访问：跨服务器自动读取和利用MCP资源
• 💬 提示模板：使用来自任何连接服务器的预定义提示
• 🔄 模型切换：在不同的Olama车型之间切换
• 📝 扩展对话历史记录：最多可保存500条消息，以获得更好的上下文
• 🚀 零命令界面：只需自然地说话，无需学习命令！
• 🔍 调试模式：切换AI推理和工具选择的详细日志记录
• 🎛️ 智能刀具路径：自动将工具调用路由到适当的服务器

先决条件

1. Node.js （v16或更高版本）
2. 没有 已安装并正在运行

- 下载地址：https://ollama.ai - 确保它正在运行 http://localhost:11434

1. 兼容的MCP服务器 配置在 config.json

- 系统同时支持多个MCP服务器 - 每个服务器在配置中都应该具有唯一的名称 - 为简单起见，此客户端仅使用stdio传输（不使用HTTP） - 对于测试和调试，您可以使用简单但功能齐全的MCP服务器：https://github.com/Oleg-Imanilov/js-notes-mcp

安装

1. 克隆此存储库
2. 安装依赖项：

   npm install

1. 在中配置您的设置 config.json
2. 确保Ollama使用您喜欢的型号运行：

   ollama pull qwen2.5:latest

配置

编辑 config.json 要自定义设置，请执行以下操作：

{
  "ollama": {
    "host": "http://localhost:11434",
    "defaultModel": "qwen2.5:latest",
    "systemPrompt": "Your custom system prompt..."
  },
  "mcp": {
    "server-name-1": {
      "command": "node",
      "args": ["path/to/your/first-mcp-server.js"],
      "cwd": "working/directory"
    },
    "server-name-2": {
      "command": "node", 
      "args": ["path/to/your/second-mcp-server.js"],
      "cwd": "working/directory"
    }
  }
}

多服务器支持

客户端现在支持同时连接到多个MCP服务器。每个服务器在配置中都由一个唯一的名称标识。系统自动：

• 聚合来自所有连接服务器的工具、资源和提示
• 将工具调用路由到相应的服务器
• 在工具/资源列表中提供服务器信息
• 优雅地处理特定于服务器的故障

用法

启动人工智能聊天

npm start

或

node index.js

聊天指令

一旦进入AI聊天模式，您可以使用以下命令：

• /tools -列出所有连接服务器中可用的MCP工具
• /resources -列出所有连接服务器的可用MCP资源
• /prompts -列出所有连接服务器的可用提示
• /model -切换Ollama型号
• /clear -清晰的对话历史和实体跟踪
• /context -显示跟踪的实体和对话上下文
• /debug -切换内部AI调用的调试日志记录
• /help -显示帮助消息
• /exit -退出聊天

语境特征

AI客户端现在具有增强的上下文记忆功能，可以跟踪对话中提到的实体：

实体跟踪

• 备注：在创建、更新或提及笔记时记住笔记名称
• 文件夹：讨论存储位置时跟踪文件夹路径
• 对话历史：维护多达150条消息，以深入理解上下文

上下文参考

现在，您可以使用依赖于对话上下文的自然引用：

You: Create a note called "project status" with initial content
AI: ✅ Successfully created note "project status" with the content: "initial content"

You: Update mentioned note with the latest progress
AI: 🤖 Auto-executing tool: update_note with AI-extracted args: {"name": "project status"}
✅ Successfully updated note "project status" with new content: "the latest progress"

You: Delete that note
AI: 🤖 Auto-executing tool: delete_note with AI-extracted args: {"name": "project status"}  
✅ Successfully deleted note "project status"

上下文命令

• 使用 /context 查看系统正在跟踪哪些实体
• 系统会自动记住：

- 记录创建、更新和引用中的名称 - 配置更改后的文件夹路径 - 提及频率和最后提及时间

智能参数提取

AI使用完整的对话上下文来提取参数：

• “更新提及注释” → 查找最近讨论的笔记
• “删除该注释” → 根据上下文识别注释
• “显示项目注释” → 如果之前提到了“项目”，则使用上下文
• “将其更改为…” → 从对话中理解“it”指的是什么

交互示例

自动笔记管理：

You: Create a note called "meeting agenda" with today's discussion points
AI: 🤖 Auto-executing tool: create_note
✅ Successfully created note "meeting agenda" with the content: "today's discussion points"

You: Show me all my notes
AI: 🤖 Auto-executing tool: get_all_notes  
📋 Here are all your notes (2 total):
1. **meeting agenda** (modified: 7/8/2025)
   today's discussion points
2. **project ideas** (modified: 7/6/2025)
   AI integration concepts...

You: Update mentioned note with the final decisions
AI: 🤖 Auto-executing tool: update_note with AI-extracted args: {"name": "meeting agenda"}
✅ Successfully updated note "meeting agenda" with new content: "the final decisions"

上下文参考：

You: Create a project note with initial brainstorming ideas
AI: ✅ Successfully created note "project" with the content: "initial brainstorming ideas"

You: Also create a budget note for the project costs
AI: ✅ Successfully created note "budget" with the content: "for the project costs"

You: Update that budget note with $50,000 estimate
AI: 🤖 Using conversation context to identify "budget" note
✅ Successfully updated note "budget" with new content: "$50,000 estimate"

You: Delete the project note, we're going with a different approach
AI: 🤖 Found "project" in conversation context
✅ Successfully deleted note "project"

上下文跟踪：

You: /context
AI: 📊 Current Context Information:

💬 Conversation: 12 messages stored (up to 500 messages retained)

📝 Recently mentioned notes (2):
  1. budget - mentioned 2 time(s), last: 7/8/2025, 3:15:22 PM
  2. project - mentioned 3 time(s), last: 7/8/2025, 3:14:45 PM

💡 You can now use contextual references like "update mentioned note" or "delete that note"
Multi-server context tracking ensures references work across all connected servers

支持多服务器的自然对话：

You: What can you help me with?
AI: I can help you manage notes, access resources, and more! I have access to tools from multiple servers. Just ask naturally like "create a note" or "show my notes".

You: Do we have any resources available?
AI: 📚 Auto-reading resources from all connected servers...
📚 Found resources from notes-server: notes://all
📚 Found resources from files-server: files://documents
📚 Resource contains data from multiple servers...

多服务器工具用法：

You: Create a note and also backup my files
AI: 🤖 Auto-executing tools from multiple servers:
    - notes-server.create_note with content: "backup my files"
    - files-server.backup_files with default settings
✅ Successfully created note and initiated backup across servers

可用型号

客户支持任何Olama型号。热门选项包括：

• qwen2.5:latest （示例来自配置）
• llama3.2
• llama3.1
• mistral
• codellama
• llama2

使用以下方式切换型号 /model 在聊天中。

高级功能

调试模式

使用 /debug on 以实现内部AI推理和工具分析的详细记录。这有助于理解系统如何解释您的请求并做出工具执行决策。

多服务器工具路由

当多个服务器提供类似的工具时，系统会根据上下文和工具功能智能地将请求路由到最合适的服务器。

增强的上下文管理

该系统可维护多达500条对话消息（可配置），并通过复杂的基于LLM的分析来跟踪实体，以实现上下文理解。

LLM电动工具分析

该系统使用复杂的基于LLM的分析来理解用户意图并自动执行适当的工具。这是一个多步骤的过程：

意图检测

系统分析用户消息，以确定它们是否表示希望使用MCP工具：

• 自然语言处理：使用LLM从自然语言中理解用户意图
• 情境感知：考虑对话历史中的模糊引用
• 信心评分：仅在置信度高（≥70%）时执行工具

刀具选择和参数提取

当检测到工具使用时，系统：

• 确定合适的工具：将用户意图与所有服务器上的可用工具相匹配
• 提取参数：使用对话上下文填写工具参数
• 处理歧义：解决“该注释”或“提及的项目”等引用

执行流程

1. 用户输入分析：LLM分析用户的消息以了解工具使用意图
2. 工具执行：如果检测到，将自动调用相应的工具
3. 响应生成：LLM根据工具输出创建用户友好的响应
4. 上下文更新：更新对话历史和实体跟踪

示例分析过程

User: "Show me all my notes"
→ LLM detects: get_all_notes tool needed
→ System executes: get_all_notes()
→ LLM generates: "Here are all your notes: [formatted output]"

这创造了一种无缝的体验，用户可以自然地说话，而不需要知道特定的命令或工具名称。

故障排除

Ollama连接问题

• 确保Ollama正在跑步： ollama serve
• 检查您的型号是否可用： ollama list
• 如果需要，拉动模型： ollama pull qwen2.5:latest

MCP服务器问题

• 验证中的MCP服务器路径 config.json
• 检查MCP服务器是否可执行且可访问
• 查看服务器日志中的连接错误
• 使用 /debug on 查看详细的服务器交互日志

多服务器问题

• 如果一台服务器发生故障，系统将继续使用其他服务器
• 检查中的单个服务器配置 config.json
• 验证每个服务器的命令路径和工作目录
• 如果遇到问题，请单独测试服务器

AI集成问题

• 确保Olama型号支持您正在使用的功能
• 尝试切换型号 /model
• 使用 /debug on 了解AI推理和工具选择过程
• 检查对话上下文 /context 命令

常用命令

# Check Ollama status
ollama list

# Pull a new model
ollama pull qwen2.5:latest

# Start Ollama (if not running as service)
ollama serve

建筑

客户端由几个关键模块组成：

核心文件

• index.js -多服务器初始化的主要入口点
• config.json -Ollama和MCP服务器的配置

源模块(src/)

• AIChatLoop.js -具有命令处理功能的AI聊天界面
• OllamaIntegration.js -Ollama与LLM电动工具分析的高级集成
• MultiServerClient.js -多服务器MCP客户端包装和工具路由
• client-helpers.js -用于测试和探索的MCP客户端实用程序功能
• utils.js -终端颜色实用程序和格式助手

数据目录(data/)

• notes_storage.json -票据MCP服务器的数据存储示例

测试目录(tests/)

• test-auto-execution.js -自动工具执行测试
• test-debug-command.js -调试命令功能测试
• test-debug.js -调试功能测试
• test-patterns.js -模式匹配测试
• test-simple.js -基本功能测试

关键架构特征

多服务器支持

• MultiServerClient：管理与多个MCP服务器的连接
• 工具聚合：将所有服务器的工具与服务器标识相结合
• 智能路由：自动将工具调用路由到适当的服务器
• 故障弱化：如果某些服务器发生故障，则继续工作

增强的AI集成

• OllamaIntegration：精密的LLM驱动工具检测和执行
• 意向分析：使用LLM分析用户消息以了解工具使用意图
• 上下文跟踪：维护对话历史和实体提及
• 自动执行：根据用户意图自动执行工具
• 响应生成：从工具输出中创建用户友好的响应

会话管理

• 实体跟踪：记住笔记、文件夹和其他提到的实体
• 上下文参考：解决“该说明”、“提及的项目”等问题。
• 扩展历史：可维护多达500条消息以提供深层上下文
• 调试日志记录：人工智能推理过程的可选详细日志记录

技术细节

ES模块支持

该项目使用现代ES模块(type: "module" 在package.json中）使用：

• 贯穿始终的导入/导出语法
• 正确的文件扩展名(.js)进口
• 根据需要进行动态导入

依赖项

• @modelcontextprotocol/sdk：MCP协议实施
• ollama：Ollama API集成
• 内置Node.js模块： fs, path, readline, url

错误处理

• 服务器连接失败
• 强大的工具执行错误处理
• AI分析失败的回退机制
• 详细的错误记录和用户反馈

贡献

欢迎通过以下方式做出贡献：

• 为多服务器架构添加新功能
• 改进人工智能集成和LLM驱动的工具分析
• 增加对更多Olama车型的支持
• 增强用户界面和聊天体验
• 改进错误处理和弹性
• 添加新功能测试
• 优化大型对话历史的性能
• 扩展上下文跟踪功能

许可证

该项目根据ISC许可证获得许可。