Jcus Link MCP

MCP恢复服务器

用于人工智能简历匹配和生成的生产就绪模型上下文协议（MCP）服务器。

特性

• 🔍 向量相似性搜索：为职位描述找到最匹配的候选人
• 🤖 人工智能简历生成：使用LLM生成优化的简历
• 📊 工作分析：从职位描述中提取关键要求和技能
• 🚀 MCP协议支持：全面实施MCP 2024-11-05规范
• 🌐 HTTP/SSE传输：支持流媒体的RESTful API
• 🎯 模块化架构：干净、可维护和可测试的代码结构

1. 依赖注入

服务是通过工厂创建的，并在需要时注入：

# Services are singletons accessed via getters
llm_service = get_llm_service()
vector_service = get_vector_service()

2. 抽象基类

易于交换的实现：

class BaseLLMService(ABC):
    # Can use Anthropic, OpenAI, or custom LLM
    
class BaseVectorService(ABC):
    # Can use ChromaDB, Pinecone, Weaviate, etc.

3. 类型安全

使用Pydantic模型在整个代码库中提供完整的类型提示。

安装

先决条件

• Python 3.11+
• 点
• 紫外线

设置

1. 克隆存储库

git clone 
cd jcus.link.mcp

1. 创建虚拟环境

python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate

1. 安装依赖项

uv sync

1. 配置环境

cp .env.example .env
# Edit .env with your configuration

1. 设置API密钥

# In .env file
LLM_API_KEY=your_anthropic_api_key_here
# or
OPENAI_API_KEY=your_openai_api_key_here

运行服务器

发展模式

# From project root
python -m src.main

# Or with auto-reload
uvicorn src.main:app --reload --host 0.0.0.0 --port 8000

生产模式

uvicorn src.main:app --host 0.0.0.0 --port 8000 --workers 4

码头工人

在本地构建Docker镜像

docker build -t jcus-link-mcp .

在本地运行Docker Contianer

docker run -p 8000:8000 --env-file .env jcus-link-mcp 

API使用

1.健康检查

curl http://localhost:8000/health

2.MCP协议-列表工具

curl -X POST http://localhost:8000/mcp/message \
  -H "Content-Type: application/json" \
  -d '{
    "jsonrpc": "2.0",
    "id": 1,
    "method": "tools/list"
  }'

3.上传职位描述

curl -X POST http://localhost:8000/upload-job-description \
  -F "file=@job_description.txt"

4.搜索匹配的简历

curl -X POST http://localhost:8000/search-matches \
  -H "Content-Type: application/json" \
  -d '{
    "job_description": "Senior Python Developer with 5+ years experience...",
    "top_k": 5
  }'

5.分析职位描述

curl -X POST http://localhost:8000/analyze-job \
  -H "Content-Type: application/json" \
  -d '{
    "job_description": "We are looking for a Senior Software Engineer..."
  }'

6.生成简历（非流媒体）

curl -X POST http://localhost:8000/generate-resume \
  -H "Content-Type: application/json" \
  -d '{
    "job_description": "Senior Developer position...",
    "matched_resumes": [...],
    "stream": false
  }'

7.生成简历（流媒体）

curl -N -X POST http://localhost:8000/generate-resume-stream \
  -H "Content-Type: application/json" \
  -d '{
    "job_description": "Senior Developer position...",
    "matched_resumes": [...]
  }'

配置

所有配置均通过环境变量进行管理 .env:

核心设置

• APP_NAME：应用程序名称
• DEBUG：启用调试模式
• HOST：服务器主机（默认值：0.0.0.0）
• PORT：服务器端口（默认值：8000）

LLM配置

• LLM_PROVIDER：人型或开放式
• LLM_MODEL：要使用的模型
• LLM_API_KEY：LLM提供程序的API密钥

向量数据库

• VECTOR_DB_TYPE：chromadb、松果体或weaviate
• EMBEDDING_MODEL：句子转换模型
• MIN_SIMILARITY_THRESHOLD：最小相似性得分（0.0-1.0）

添加新功能

添加新工具

1. 在中创建工具类 src/tools/:

# src/tools/my_new_tool.py
from .base import BaseTool
from ..core import Tool, ToolResponse, ToolInputSchema

class MyNewTool(BaseTool):
    def get_definition(self) -> Tool:
        return Tool(
            name="my_new_tool",
            description="What this tool does",
            inputSchema=ToolInputSchema(
                type="object",
                properties={
                    "param1": {"type": "string", "description": "..."}
                },
                required=["param1"]
            )
        )
    
    async def execute(self, arguments: Dict[str, Any]) -> ToolResponse:
        # Implementation
        return self.create_text_response("Result")

1. 注册 src/tools/__init__.py:

from .my_new_tool import MyNewTool

class ToolRegistry:
    def _register_default_tools(self):
        # ... existing tools ...
        self.register(MyNewTool())

添加新的LLM提供程序

1. 在中创建服务 src/services/llm_service.py:

class CustomLLMService(BaseLLMService):
    async def generate_resume(self, ...) -> AsyncIterator[str]:
        # Implementation
        pass

1. 更新工厂：

class LLMServiceFactory:
    @staticmethod
    def create() -> BaseLLMService:
        if provider == "custom":
            return CustomLLMService()

添加新的矢量数据库

与LLM提供商类似的模式-扩展 BaseVectorService 并更新工厂。

测试

# Run tests
pytest tests/

# With coverage
pytest --cov=src tests/

部署

码头工人

FROM python:3.11-slim

WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY src/ ./src/
COPY .env .

EXPOSE 8000
CMD ["uvicorn", "src.main:app", "--host", "0.0.0.0", "--port", "8000"]

构建并运行：

docker build -t mcp-resume-server .
docker run -p 8000:8000 --env-file .env mcp-resume-server

云部署

铁路/渲染：

1. 连接您的GitHub存储库
2. 设置环境变量
3. 自动部署

AWS/GCP： 使用Docker容器或部署到无服务器平台。

架构优势

✅ 可维护性

• 明确模块边界
• 易于定位和修复错误
• 自文档化代码结构

✅ 可测试性

• 每个组件都可以独立测试
• 易于模拟的服务和依赖关系
• 模块间接口清晰

✅ 可扩展性

• 服务可以提取到微服务中
• 在不破坏现有代码的情况下轻松添加新功能
• 支持多个LLM和矢量数据库提供商

✅ 类型安全

• Pydantic模型在运行时捕获错误
• 类型提示有助于IDE自动补全
• 减少错误并提高代码质量

许可证

麻省理工学院

贡献

1. 克隆该仓库
2. 创建要素分支
3. 进行更改
4. 添加测试
5. 提交拉取请求