🚀 MCP Ollama服务器
*将模型上下文协议的功能与本地LLM连接起来*
入门指南 • 特性 • 建筑 • 文档 • 贡献 • 常见问题解答
📋 概述
MCP Ollama服务器 通过Ollama弥合了Anthropic的模型上下文协议（MCP）和本地LLM之间的差距。这种集成使您的内部部署AI模型具有类似Claude的工具功能，包括文件系统访问、日历集成、网页浏览、电子邮件通信、GitHub交互和AI图像生成，同时保持完整的数据隐私。
与基于云的AI解决方案不同，MCP Ollama服务器：
- 将所有数据处理保留在本地基础架构上
- 无需与第三方共享敏感信息
- 提供了一种模块化方法，允许您仅使用所需的组件
- 在气隙或高安全环境中实现企业级AI功能
✨ 主要特点
- 🔒 完整数据隐私：所有计算都通过Ollama在本地进行
- 🔧 本地LLM的工具使用：通过文件、日历和其他功能扩展Olama模型
- 🧩 模块化架构：可以选择性部署的独立Python服务模块
- 🔌 易于集成：连接现有应用程序的简单API
- 🚀 性能优化：保持响应式AI交互的最小开销
- 📦 容器化部署：每个模块都支持Docker（即将推出）
- 🧪 广泛测试：全面的可靠性测试覆盖率
🚀 快速开始
先决条件
- 已安装Python 3.8+
- 奥拉马 在您的系统上设置
- Git用于克隆存储库
🧩 组件概述
MCP Ollama服务器被组织成专门的模块，每个模块都提供特定的功能：
📅 日历模块
calendar/
├── README.md # Module-specific documentation
├── google_calendar.py # Google Calendar API integration
├── pyproject.toml # Dependencies and package info
└── uv.lock # Dependency lock file日历模块使您的本地LLM能够：
- 创建、修改和删除日历事件
- 检查可用性和日程安排冲突
- 发送会议邀请
- 设置提醒和通知
🔄 客户端MCP模块
client_mcp/
├── README.md # Module-specific documentation
├── client.py # Main client implementation
├── pyproject.toml # Dependencies and package info
├── testing.txt # Test data
└── uv.lock # Dependency lock file客户端模块提供：
- 与所有启用MCP的服务进行交互的统一接口
- 对话历史管理
- 上下文处理以改进响应
- 刀具选择和布线逻辑
📁 文件系统模块
file_system/
├── README.md # Module-specific documentation
├── file_system.py # File system operations implementation
├── pyproject.toml # Dependencies and package info
└── uv.lock # Dependency lock file文件系统模块允许您的本地LLM：
- 安全地读写文件
- 列出目录内容
- 搜索与特定模式匹配的文件
- 解析不同的文件格式（文本、CSV、JSON等）
安装
# 1. First install uv if you haven't already
curl -LsSf https://astral.sh/uv/install.sh | sh
# 2. Clone the repository
git clone https://github.com/sethuram2003/mcp-ollama_server.git
cd mcp-ollama_server
# 3. Verify Ollama model is installed (replace 'llama3' with your preferred model)
ollama pull llama3模块配置
- 📅 日历模块：
cd calendar
uv add pyproject.toml # Install calendar-specific dependencies- 🔄 客户端MCP模块：
cd client_mcp
uv add pyproject.toml # Install calendar-specific dependencies- 📁 文件系统模块：
cd file_system
uv add pyproject.toml # Install filesystem dependencies用法
cd client_mcp
uv run client.py ../file_system/file_system.py与代理人的互动：
*AI Agent之间的对话*
🏗️ 建筑
MCP Ollama Server遵循微服务架构模式，其中每个功能都作为独立的服务实现：
关键部件：
- Ollama集成层：连接到本地Ollama实例并路由适当的请求
- MCP协议处理程序：在标准MCP格式和Ollama要求之间进行转换
- 服务模块：实现特定功能的独立模块
- 客户端库：为应用程序与系统交互提供统一的界面
这种架构提供了几个好处：
- 可扩展性：添加新模块而不影响现有模块
- 韧性：即使单个模块发生故障，系统仍能继续运行
- 灵活性：仅部署所需的组件
- 安全：对每个模块的数据访问进行精细控制
📚 文档
模块特定文档
每个模块都包含自己的README，其中包含详细的实现说明：
🛠️ 用例
企业安全与合规
非常适合需要人工智能功能但面临严格数据主权要求的组织：
- 处理机密案件档案的律师事务所
- 医疗服务提供者分析患者数据
- 处理敏感交易的金融机构
开发人员生产力
改变您的本地开发环境：
- 通过访问项目文件生成代码
- 基于代码库分析的自动化文档
- 与本地git仓库集成
个人知识管理
创造一个尊重你隐私的强大的第二大脑：
- 处理个人文件和笔记
- 管理日历和日程优化
- 根据您的个人知识库生成内容
🤝 贡献
我们欢迎社区的贡献！以下是您可以提供帮助的方式：
- 分叉存储库：创建自己的项目分支
- 创建要素分支:
git checkout -b feature/amazing-feature - 进行更改：实现您的功能或修复错误
- 运行测试：确保您的更改通过所有测试
- 提交更改:
git commit -m 'Add some amazing feature' - 推送到分支:
git push origin feature/amazing-feature - 打开拉取请求：提交您的更改以供审核
请阅读我们的 贡献指南 了解更多详情。
❓ 常见问题解答
Q： 这与使用基于云的AI助手有何不同？\ A： MCP Ollama Server完全在您的本地基础设施上运行，确保完全的数据隐私，消除对外部API的依赖。
Q： 支持哪些型号？\ A： 可以使用与Olama兼容的任何型号。为了获得最佳效果，我们建议使用Llama 3、Mistral或其他最近开放的型号，其参数至少为7B。
Q： 我如何用新功能扩展系统？\ A： 遵循模块化架构模式创建新的服务模块。查看我们的 扩展指南 了解详情。
Q： 系统要求是什么？\ A： 要求取决于您选择的Ollama型号。对于基本功能，我们建议至少16GB RAM和现代多核CPU。
📄 许可证
本项目根据《 许可证 文件。
🙏 致谢
______________________________________________________________________
MCP-Ollama Server - Bringing cloud-level AI capabilities to your local environment
⭐ Star us on GitHub • 🐛 Report Bug • ✨ Request Feature
