全栈MCP集线器
FullStack MCP Hub——完整的MCP工具包，内置RAG、GUI和50多种免费工具（无付费API），开箱即用。
适用于：
- OpenAI/ChatGPT Codex CLI
- 双子座命令行界面
- ChatGPT（开发模式） 通过自定义连接器
- 克劳德 （台式机/MCP）
- 本地LLMs （llama.cpp、LM工作室等）
- 基本上 *任何事物* 可以通过以下方式连接到MCP服务器 标准 或 上海证券交易所
FullStack MCP Hub为您提供的不是每个模型都有自己的隔离工具和半内存 一个中央MCP堆栈:
- A. 网关+集线器 它连接到多个MCP服务器，发现工具，并通过单个端点公开它们。
- A. 图形UI 您可以在哪里：
- 从所有连接的服务器浏览工具， - 编辑工具描述， - 阻止你不想使用的工具， - 保存有效载荷预设， - 并使用JSON输入和真实响应运行工具。
- A. 内置RAG系统 有自己的选项卡：
- 将文件直接拖放到UI中， - 浏览您的RAG文件夹(uploads, saved_chats, images, indexes、配置文件）， - 从目录创建命名索引， - 使用关键字+模糊匹配+过滤器进行搜索， - 并将该上下文连接到您正在使用的任何模型中。
开箱即用，你会得到一个 坚固、免费的MCP工具栈 （无需付费API）：
- 文件系统、shell、Python REPL（有自己的venv）
- 本地RAG（分块搜索、过滤器等），
save_chat,save_image) - 剧作家（浏览器自动化、截图、交互式浏览）
- SQLite（读/写、模式、见解）
- 网络搜索（快速DuckDuckGo+深度多引擎克隆）
- 研究（维基百科、arXiv、维基媒体图片）
- 刮刀（HTML→ text)
- 通过投票生成图像（基于URL）
- CoinGecko市场数据（经过策划，基于上交所）
- 时钟/时间实用程序
目标： 使MCP服务器集成变得容易，并为您提供一个可重用的工具+RAG层，您可以将其插入任何LLM工作流中——云、本地或混合。
______________________________________________________________________
截图
______________________________________________________________________
快速安装和首次运行
想法：\ 克隆→ 运行一个脚本→ 打开UI→ 开始添加MCP服务器。
需求
- Node.js 18+
npm- Linux/macOS shell（bash/zsh）或Windows上的WSL
你做到了 *不* 需要任何付费的API密钥才能开始。\ 所有捆绑的MCP服务器都在本地运行，并使用免费/公共数据源。
______________________________________________________________________
1.克隆仓库
git clone https://github.com//FullStack_MCP_Hub.git
cd FullStack_MCP_Hub设置根路径（由辅助脚本使用）：
export MCP_ROOT="$(pwd)"（可选）将此添加到您的shell rc中(~/.bashrc 或 ~/.zshrc)所以它总是被设置：
echo "export MCP_ROOT=/full/path/to/FullStack_MCP_Hub" >> ~/.bashrc重新加载shell或在添加后打开新终端。
______________________________________________________________________
2.一次性设置（推荐）
这将：
- 安装网关和UI依赖关系，
- 构建React UI，
- 为Playwright MCP服务器安装Playwright浏览器。
从repo根目录：
cd "$MCP_ROOT"
chmod +x setup.sh start.sh
./setup.sh运行一次。如果它没有错误地完成，您就可以启动集线器了。
______________________________________________________________________
3.启动集线器+UI
从repo根目录：
cd "$MCP_ROOT"
./start.sh这将：
- 启动MCP网关 http://localhost:3333
- 暴露：
- GET /tools –列出工具 - GET /sse –通用MCP SSE端点 - POST /gemini/v1/execute –Gemini风格适配器
- 服务于 web用户界面 在 http://localhost:3333
打开浏览器：
http://localhost:3333中频端口 3333 已在使用中：
lsof -i :3333
kill
./start.sh______________________________________________________________________
4.手动设置（如果您不想使用setup.sh）
如果您更喜欢查看各个步骤：
- 安装网关deps：
cd "$MCP_ROOT/gateway"
npm install- 安装UI deps并构建：
cd "$MCP_ROOT/gateway/ui"
npm install
npm run build- 启动网关：
cd "$MCP_ROOT/gateway"
npm start- 打开用户界面：
http://localhost:3333______________________________________________________________________
5.第一台MCP服务器（剧作家示例）
打开UI后：
- 转到 服务器 部分（左侧边栏）。
- 点击 “打开表单”.
- 填写表格：
- 运输： stdio - 命令： npx - Args： -y @automatalabs/mcp-server-playwright - CWD： servers （相对于回购根）
- 点击 测试连接.
- 成功后，单击 添加服务器.
现在，您应该看到一组 playwright__* 列表中的工具。
要快速进行健全性检查，请选择 playwright__browser_navigate 并运行：
{ "url": "https://example.com" }然后运行 playwright__browser_screenshot:
{ "name": "example_full", "fullPage": true }您应该在配置的Playwright输出路径中看到一个屏幕截图文件。
此时，集线器正在工作并准备插入：
- OpenAI/ChatGPT Codex CLI
- 双子座命令行界面
- ChatGPT开发模式
- 克劳德 或任何其他MCP感知客户端。
______________________________________________________________________
架构和仓库布局
FullStack MCP Hub有三个主要层： 中心, 网关，以及 用户界面，再加上一组捆绑的MCP服务器和RAG数据目录。
回购布局
hub/
MCP集线器核心：
- 连接到配置的MCP服务器， - 列出所有服务器上的工具， - 执行呼叫， - 合并工具元数据， - 应用描述覆盖和阻止列表。
gateway/
HTTP/SSE前门：
- 暴露：
- GET /tools –列举工具 - GET /sse –通用MCP端点 - POST /gemini/v1/execute –Gemini风格适配器
- 从以下位置提供内置UI gateway/ui/dist.
gateway/ui/
React+Vite用户界面：
- 工具列表和详细信息窗格 - 服务器管理（添加/测试/删除） - 被阻止的工具视图 - 工具有效载荷预设 - RAG选项卡（拖放上传、浏览文件夹、搜索索引）
tool-registry/master.json
- MCP服务器注册表（stdio+SSE）及其配置。
tool-registry/tool-overrides.json
- 按工具描述覆盖（在UI中可编辑）。
tool-registry/tool-blocklist.json
- 持久工具块列表（从UI的“阻止”选项卡管理）。
servers/
- 需要以下条件的捆绑MCP服务器 不 付费API：
- local_rag - sqlite - python_repl - research - scrape - pollinations - coingecko - websearch - web-search-mcp （高级） - playwright - shell - filesystem
data/rag/
- 本地RAG存储：
- uploads/ –通过UI导入的任意文件。 - saved_chats/ –原始+摘要聊天记录。 - images/ –保存的图像来自 local_rag__save_image. - profile_* –个人资料文件夹（例如。 profile_jeff). - indexes/ –每个索引文件夹（如果使用）。 - indexes.pkl –一个持久的全局索引元数据文件。
______________________________________________________________________
RAG系统（“1.5代”）
内置RAG系统的设计目的是：
- 轻量级 （无需嵌入），
- 分块的 （约500个单词块），
- 模糊可搜索,
- 和 可过滤的 （路径、标签、时间）。
它是如何工作的（高级）
- 您将文件放入
data/rag/（通常通过UI中的RAG选项卡）。
- 你点
local_rag__create_index在目录中，为索引命名。
- 服务器：
- 浏览该目录， - 提取文本， - 将每个文件分割成约500个重叠的单词块， - 存储块+元数据， - 并将该结构持久化 indexes.pkl.
- 当你使用
local_rag__search_index:
- 它查找所选索引， - 在块上运行关键字+模糊搜索， - 应用可选过滤器（如 path_contains, tag或mtime）， - 并返回具有足够上下文的匹配块以馈送到模型中。
“1.5代”升级
“1.5代”RAG升级改进了几个关键方面：
- 路径处理
- local_rag__create_index 和 local_rag__search_index 现在处理 正确的相对路径，因此您可以将索引指向以下目录 data/rag/ 无需硬编码绝对路径。
- 分块索引
- local_rag__create_index 将内容拆分为 约500个重叠的单词块，而不是为整个文件建立索引。 - 这提高了相关性，并使传递回模型的文本量易于管理。
- 模糊搜索
- local_rag__search_index 支持 模糊匹配，所以轻微的拼写错误或措辞变化不会影响召回。 - 它在预分块文本上使用滑动窗口+相似性评分方法。
- 过滤器
- path_contains 已确认工作正常。
- 其他过滤器(tag，mtime过滤器）已实现，并按预期运行：
- tag 来源于以下行 #tags: project, profile 在你的降价中。 - 时间过滤器使用文件修改时间来缩小搜索块的范围。
总体而言，这为您提供了一个介于以下两者之间的RAG系统：
- 纯关键字搜索 （太笨了，没有大块，没有模糊），以及
- 全矢量/嵌入RAG （更重，需要额外的型号+基础设施），
同时保持个人/本地知识库的简单和快速。
您（或贡献者）稍后可以在顶部添加可选的向量层，而不会破坏现有的API。
______________________________________________________________________
RAG文件夹和工作流程
文件夹布局
在...之下 data/rag/ 您通常会看到：
uploads/
- 通过RAG选项卡拖放的文件。
saved_chats/
- 由创建的文件 local_rag__save_chat，通常：
- 完整的原始转录文件， - 摘要文件， - 用时间戳+模型名称编码的文件名。
images/
- 由创建的文件 local_rag__save_image base64有效载荷。
profile_template/
- 模板配置文件： profile_public.md.
profile_*（例如。profile_jeff/)
- 您的实际个人资料数据：
- profile_public.md （姓名、首选项、项目等）。
indexes/
- 如果每个索引存储额外的元数据，则每个索引结构都是可选的。
indexes.pkl
- 跟踪所有索引和缓存文本的单个持久文件。
典型RAG流量
- 创建个人资料
- 复制模板：
mkdir -p data/rag/profile_jeff
cp data/rag/profile_template/profile_public.md data/rag/profile_jeff/- 编辑 profile_public.md 您的个人信息和偏好。
- 在顶部附近添加标记线（可选）：
#tags: profile, persona- 为它创建一个索引：
{
"index_name": "profile_jeff",
"directory": "data/rag/profile_jeff"
}通过 local_rag__create_index.
- 在新聊天中使用您的个人资料
- 在连接到此集线器的任何客户端中，要求它调用 local_rag__search_index 与：
{
"index_name": "profile_jeff",
"query": "profile persona",
"max_results": 5
}- 然后告诉模型在剩下的会话中记住这个配置文件。
- 保存聊天记录
- 当谈话很重要时，打电话 local_rag__save_chat 与：
- 完整成绩单， - 可选摘要， - 型号/客户名称。
- 文件将被放入 data/rag/saved_chats/ 带有时间戳的名字。
- 索引和搜索项目文件夹
- 将项目文件夹放在 data/rag/uploads/my_project/.
- 创建索引：
{
"index_name": "my_project",
"directory": "data/rag/uploads/my_project"
}- 稍后，通过搜索 local_rag__search_index 以便快速回忆。
______________________________________________________________________
工具参考（56个捆绑工具）
一旦服务器连接，所有工具都会通过MCP集线器暴露出来。
文件系统（14个工具）
filesystem__create_directoryfilesystem__directory_treefilesystem__edit_filefilesystem__get_file_infofilesystem__list_allowed_directoriesfilesystem__list_directoryfilesystem__list_directory_with_sizesfilesystem__move_filefilesystem__read_filefilesystem__read_media_filefilesystem__read_multiple_filesfilesystem__read_text_filefilesystem__search_filesfilesystem__write_file
使用这些用于检查、读取、写入和组织允许根下的文件和目录（在文件系统MCP服务器上配置）。
______________________________________________________________________
本地RAG（6个工具）
local_rag__create_index
从文本文件目录（分块）构建一个命名索引。
local_rag__search_index
使用关键字+模糊匹配和可选过滤器搜索命名索引。
local_rag__list_files
列出RAG目录中的文件。
local_rag__list_indexes
列出所有可用索引。
local_rag__read_file
读取由local_rag管理的文件。
local_rag__save_chat
将原始+摘要聊天保存到 data/rag/saved_chats/.
local_rag__save_image
将base64图像保存到 data/rag/images/.
______________________________________________________________________
外壳（1个工具）
shell__run_command
在主机上执行shell命令。 功能强大且具有潜在危险性——适用于可信的本地设置。
______________________________________________________________________
剧作家（10种工具）
playwright__browser_navigateplaywright__browser_screenshotplaywright__browser_clickplaywright__browser_click_textplaywright__browser_fillplaywright__browser_selectplaywright__browser_select_textplaywright__browser_hoverplaywright__browser_hover_textplaywright__browser_evaluate
使用这些实现浏览器的完全自动化：
- 打开页面，
- 填写表格，
- 点击按钮/链接，
- 运行JS，
- 并截取屏幕截图。
______________________________________________________________________
SQLite（6个工具）
sqlite__read_querysqlite__write_querysqlite__create_tablesqlite__list_tablessqlite__describe_tablesqlite__append_insight
非常适合直接从LLM运行中存储结构化日志、指标和注释。
______________________________________________________________________
网络搜索（基础+高级，3个工具）
websearch__web_search
使用片段快速搜索DuckDuckGo。
websearch_adv__full-web-search
多引擎深度搜索，全页面提取。
websearch_adv__get-single-web-page-content
强大的单页内容提取器。
______________________________________________________________________
研究（3种工具）
research__wikipedia_searchresearch__arxiv_searchresearch__images_search_commons
这些为技术/学术问题和图像查找提供了高信号参考材料。
______________________________________________________________________
Python REPL（3个工具）
python_repl__execpython_repl__resetpython_repl__pip_install
具有自己venv的持久Python进程：
- 运行分析代码，
- 解析/转换数据，
- 安装以下软件包
pandas,numpy等，无需接触系统Python。
______________________________________________________________________
刮刀（1个工具）
scrape__scrape_page
获取一个URL并返回干净的文本和标题。 当你想要快速HTML时很好→不运行完整浏览器的文本。
______________________________________________________________________
民意调查（2个工具）
pollinations__generateImageUrl
从文本提示生成图像URL（无付费API密钥）。
pollinations__listImageModels
了解哪些型号可用。
______________________________________________________________________
CoinGecko（4工具）
CoinGecko MCP服务器的管理子集（基于SSE）：
coingecko__get_simple_pricecoingecko__get_coins_marketscoingecko__get_range_coins_market_chartcoingecko__get_search
使用这些工具可以快速查找价格、市场列表和基本图表。
______________________________________________________________________
时钟（2个工具）
clock__now
当前时间（UTC+本地）和ISO格式。
clock__add_delta
从现在开始加上或减去时间增量（天/小时/分钟）。
______________________________________________________________________
从其他LLM客户端使用此集线器
CLI 游戏
- 将您的Gemini MCP配置指向：
http://localhost:3333/sse- 或者，使用
POST /gemini/v1/execute端点作为脚本中的Gemini风格适配器。
连接后，Gemini CLI可以：
- 列出工具，
- 调用50多种工具中的任何一种，
- 将RAG索引用作上下文。
OpenAI/ChatGPT Codex命令行界面
- 配置指向以下位置的自定义MCP端点：
http://localhost:3333/sse- 使用Codex CLI的MCP集成（您选择的服务器名称）访问与UI相同的工具和RAG。
ChatGPT（开发模式）
- 添加a 定制MCP连接器 在开发模式下。
- 如果
http://localhost:3333被环境阻挡：
- 使用 ngrok （或类似）暴露它：
ngrok http 3333- 使用生成的 超文本传输安全协议 URL作为MCP端点。
然后，您可以在Dev Mode聊天中使用相同的工具/RAG堆栈。
Claude（桌面/MCP感知应用程序）
- 添加指向同一SSE端点的MCP服务器：
http://localhost:3333/sse- Claude将看到中心中定义的工具，并可以像UI一样调用它们。
______________________________________________________________________
安保/安全注意事项
这个堆栈是 强大的它揭示了：
- 完全文件系统访问（在允许的根内读/写/移动/删除），
- 系统外壳执行，
- 浏览器自动化，
- SQLite写入。
推荐基础知识：
- 运行集线器 本地主机 或者在VPN后面。
- 只连接您信任的LLM客户端。
- 小心那些鼓励任意shell命令的提示。
- 使用 已屏蔽 选项卡禁用不希望特定客户端使用的工具。
- 对于“安全”与“全功率”环境，考虑单独的集线器实例或单独的工具注册表。
______________________________________________________________________
故障排除
- 正在使用的端口(
EADDRINUSE)
- 看看有什么 :3333:
lsof -i :3333- 杀死它：
kill
- 重新启动：
./start.sh- 添加服务器时“测试连接”失败
- 仔细检查：
- Command 存在于您的PATH中(node, python3, npx等等）。 - Args 对于该MCP服务器是正确的。 - CWD 指向正确的文件夹。 - 对于SSE：URL以结尾 /sse 服务器实际上正在运行。
- 请重试并读取UI中返回的错误。
- 添加服务器后没有显示任何工具
- 点击 刷新工具 在UI中。
- 如果仍然为空：
- 检查 tool-registry/master.json 对于拼写错误， - 重新启动网关(Ctrl+C 然后 ./start.sh).
- 一台服务器不断出现故障/垃圾邮件错误
- 确保其依赖项已安装。 - 在注册表中暂时禁用它，或通过 已屏蔽 选项卡。 - 一旦事情解决，就重新添加它。
- 托管用户界面无法访问本地主机
- 使用 ngrok （或类似）以暴露您的集线器：
ngrok http 3333- 使用HTTPS URL作为该客户端中的MCP端点。
______________________________________________________________________
路线图/想法
该项目可以发展的一些方向：
- 可选的 基于矢量的RAG 层（嵌入+向量存储）。
- 每个索引元数据，而不是单个元数据
indexes.pkl.
- 内建 调度器 用于基于时间的作业的MCP服务器（按计划运行工具）。
- RAG+SQLite之上的更高级“注释”和“项目”API。
- 每个客户端的配置文件和预设（例如，不同LLM的不同默认值）。
- 更多捆绑服务器：
- 电子邮件/日历/联系人集成， - 额外的搜索/抓取工具， - 专业开发工具。
______________________________________________________________________
联系与协作
由...创建 杰夫·布尔格
- 网站： https://jeffbulger.dev
- 电子邮件：
admin@jeffbulger.dev - github：
如果您对以下内容感兴趣：
- MCP工具和服务器，
- LLM“全栈”工作流，
- RAG+搜索，
- 自动化/“LLM运维”，
问题、公关和想法都是受欢迎的。
______________________________________________________________________
许可证
许可证（MIT、Apache-2.0等）。