Project Jenkins

NEXUS AI

  

一个功能强大的人工智能助手应用程序，由Streamlit、LangGraph和Google Gemini构建，具有MCP（模型上下文协议）服务器，为数学运算和代码生成提供专用工具。这个项目是使用Jenkins和GitHub CI/CD构建和管理的，用于自动化测试、构建和部署。

🚀 特性

• 交互式聊天界面：用户友好的基于Streamlit的聊天应用程序，用于自然语言交互
• MCP服务器集成：定制MCP服务器，配备增强AI功能的专用工具
• 数学运算：用于加法、减法、乘法和除法的内置工具
• 代码生成：由Google Gemini提供支持的高级Python和web开发代码生成
• LangGraph工作流：使用LangGraph协调AI模型调用和工具执行
• 谷歌Gemini集成：利用Gemini 2.5 Flash Lite实现高质量的AI响应
• 异步处理：使用asyncio高效处理并发操作
• 可自定义主题：带有未来主义UI动画的深色和浅色主题
• Docker支持：容器化部署，易于扩展
• CI/CD管道：通过Jenkins和GitHub Actions自动构建和部署
• AWS主机：部署在Amazon Web Services上，以实现可扩展和可靠的云基础设施

🏗️ 建筑

MCP AI Assistant遵循模块化、微服务启发的架构，旨在实现可扩展性、可维护性和无缝的AI集成。该系统采用分层方法，将用户界面、业务逻辑编排和外部服务集成之间的关注点分开。

系统概述

┌─────────────────┐    ┌──────────────────┐    ┌─────────────────┐
│   Streamlit UI  │◄──►│  LangGraph       │◄──►│   MCP Server    │
│   (Frontend)    │    │  Orchestrator    │    │   (Tools)       │
└─────────────────┘    └──────────────────┘    └─────────────────┘
         │                       │                       │
         └───────────────────────┼───────────────────────┘
                                 ▼
                    ┌─────────────────────┐
                    │  Google Gemini AI   │
                    │     (LLM Model)     │
                    └─────────────────────┘

核心组件

1.流线型前端(app.py)

• 角色：用户界面和交互管理
• 特性:

- 响应式聊天界面，支持深色/浅色主题 - 异步处理的实时消息处理 - 自定义CSS动画和粒子效果，以增强用户体验 - 会话状态管理实现会话持久化 - 移动优先的响应式设计，具有自适应布局

2.LangGraph编排器(client_langraph.py)

• 角色：工作流引擎和AI模型协调
• 特性:

- 基于图的复杂会话流状态管理 - 直接AI响应和工具执行之间的条件路由 - 使用asyncio进行异步处理以实现并发操作 - 工具绑定和执行编排 - 用于稳健操作的错误处理和重试逻辑

3.MCP服务器(MCP_server.py)

• 角色：使用模型上下文协议的专业工具提供商
• 可用工具:

- 数学运算: add, subtract, multiply, divide -精确的算术计算 - 代码生成: code_generation python webcode_generation （HTML/CSS/JS）-人工智能驱动的代码创建，带有注释和导入 - 通用查询: normal_query -非专业对话的回退

• 特性:

- FastMCP框架，实现高效工具执行 - 输入验证和错误处理 - 异步工具处理以提高性能

4.谷歌双子座集成

• 角色：大型语言模型后端
• 配置:

- Gemini 2.5 Flash Lite型号可实现最佳性能/成本平衡 - 可配置的温度、令牌限制和重试机制 - 通过环境变量实现安全的API密钥管理

数据流

1. 用户输入 → Streamlit UI捕获并显示消息
2. 处理 → LangGraph评估上下文并确定工具需求
3. 工具执行 → MCP服务器在需要时提供专门的功能
4. AI响应 → Google Gemini生成上下文响应
5. 输出 → 结果通过LangGraph流回到Streamlit进行显示

CI/CD和部署概述

┌─────────────┐     ┌─────────────┐     ┌─────────────────┐     ┌─────────────┐
│   GitHub    │────►│   Jenkins   │────►│  Docker Registry │────►│     AWS     │
│ Repository  │     │   Pipeline  │     │                 │     │ Deployment  │
└─────────────┘     └─────────────┘     └─────────────────┘     └─────────────┘
       ▲                   │                       │                       │
       │                   ▼                       ▼                       ▼
       └─────────── Test Results ────────── Build Artifacts ──────── Production ───────

部署架构

• 容器化：基于Docker的部署，用于跨开发、测试和生产的一致环境
• CI/CD管道:

- 詹金斯：使用GitHub上的自动触发器协调整个CI/CD流程 - GitHub集成Webhooks在代码推送和拉取请求时触发Jenkins管道 - 自动化测试：单元测试、集成测试和安全扫描在隔离的容器中运行 - 构建过程：Docker镜像被构建、标记并推送到安全注册表 - 部署：通过蓝绿色部署策略自动部署到AWS

• AWS基础架构:

- ECS/ECR：用于可扩展容器管理的容器编排和注册表 - 负载平衡：应用程序负载平衡器在多个实例之间分配流量 - 自动缩放：EC2自动扩展组确保高可用性和成本优化 - 关系型数据库服务：用于数据持久性的托管数据库服务（如果需要） - 云监控：监控和记录性能指标和警报 - 垂直路径计算机：使用适当的安全组和子网进行安全的网络隔离

• 环境管理：使用AWS Systems Manager参数存储和 .env 文件
• 安全：IAM角色、加密机密以及符合AWS安全最佳实践

📋 先决条件

• Python 3.8+
• Docker（可选，用于容器化部署）
• Google Gemini API密钥

🛠️ 安装

1. 克隆存储库：

   git clone 
   cd MCP_STREAMLIT

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：

   pip install -r requirements.txt

⚙️ 设置

1. 环境变量：

创建一个 .env 根目录中的文件：

   google_api_key=your_google_gemini_api_key_here

1. API密钥设置：

- 从获取Google Gemini API密钥 谷歌AI工作室 - 将密钥添加到您的 .env 文件

🚀 用法

运行Streamlit应用程序

streamlit run app.py

这将在以下位置启动web应用程序 http://localhost:8501.

直接使用MCP服务器

python MCP_server.py

使用客户端脚本进行测试

python client_langraph.py

Docker部署

使用Docker构建并运行应用程序：

docker build -t mcp-ai-assistant .
docker run -p 8501:8501 --env-file .env mcp-ai-assistant

🔄 CI/CD管道

该项目利用与GitHub集成的Jenkins进行持续集成和部署：

• 自动化测试：Jenkins在每次向主分支推送时都会运行单元测试和集成测试
• 构建过程：Docker镜像被构建并推送到容器注册表
• 部署：自动部署到暂存和生产环境
• 监控：通过Jenkins仪表板监控管道状态和日志

要设置CI/CD管道，请执行以下操作：

1. 使用GitHub webhooks配置Jenkins以自动触发
2. 在Jenkins中设置必要的凭据和环境变量
3. 使用提供的Jenkins文件进行管道配置

💡 例子

数学运算

• “15+27是什么？”
• “计算100除以5”
• “8乘以9”

代码生成

• “生成一个Python函数来对列表进行排序”
• “为博客创建Flask web应用程序”
• “为响应式导航栏编写HTML和CSS”

通用查询

• “解释递归在编程中的工作原理”
• “使用虚拟环境有什么好处？”

📦 依赖项

• streamlit：Web应用程序框架
• langchain-google-genai：谷歌Gemini集成
• langchain-mcp-adapters：MCP客户端适配器
• langgraph：工作流编排
• python-dotenv：环境变量管理
• mcp：模型上下文协议库
• nest-asyncio：异步兼容性。

🤝 贡献

1. 分叉存储库
2. 创建要素分支(git checkout -b feature/amazing-feature)
3. 提交您的更改(git commit -m 'Add some amazing feature')
4. 推到分支(git push origin feature/amazing-feature)
5. 打开拉取请求

📄 许可证

此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。

🙏 致谢

• Google Gemini支持人工智能功能
• 用于编排的LangChain和LangGraph
• 用于web界面的Streamlit
• 协议规范的MCP社区
• Jenkins和GitHub用于CI/CD基础架构

📞 支持

如果您遇到任何问题或有疑问，请在GitHub存储库上打开问题。