任务控制平面（MCP）服务器
项目概述
该项目使用FastAPI实现了一个任务控制平面（MCP）服务器，旨在为管理和交互各种功能（称为“技能”）提供一个强大且可扩展的后端。它利用Docker和Docker Compose进行轻松部署，并包含热重载功能以提高开发效率。
特性/特点
- FastAPI 后端： 一个高性能、易用的Web框架，用于使用Python 3.11构建API。
- Docker化部署： 包装在一个
python:3.11-slim用于确保环境一致性的Docker容器。 - Docker Compose： 简化服务器及其依赖项的管理和协调工作。
- 热重载（或热更新）： 在开发过程中自动重新加载代码，以确保工作流程顺畅。
- 技能特性： 一个动态系统，允许大型语言模型（LLMs）逐步发现并理解在结构化环境中定义的工具/功能
skillz目录。MCP服务器作为这些技能的文档中心，使大型语言模型（LLMs）能够根据提供的技能定义进行解释和执行操作。在实现技能时，智能体应利用（相关资源或功能）tmp用于任何本地文件生成或复制的目录。 - 本地技能执行MCP（可能是指某种中间件或计算平台）所暴露的技能可以在本地检索并执行，为客户端操作提供了灵活性。请参阅
GEMINI.md关于如何在本地使用这些技能的详细说明。
入门指南/开始使用
要设置并运行MCP服务器，请确保已安装Docker和Docker Compose。
- 克隆仓库：
git clone https://github.com/pwntato/skillz_mcp
cd skillz_mcp- 启动服务器：
docker compose up -d此命令将构建Docker镜像（如果尚未构建）并以分离模式启动服务器。
- 访问API文档：
服务器将在 http://localhost:8000您可以访问交互式API文档（Swagger UI），方法是导航至 http://localhost:8000/docs 在您的网络浏览器中。
API终端点
/重定向到API文档（/docs）。/skills返回一个instruction字段说明了大型语言模型（LLM）技能的目的，以及可用技能列表，包括技能名称、描述和skill_id（源自技能的目录名）。/skills/{skill_id}/{file_path:path}检索一个instruction字段用于解释大型语言模型（LLM）所需技能的目的，以及特定技能目录中某个文件的内容。LLM利用此信息逐步加载技能详情及相关脚本。/skills/{skill_id}/files返回一个instruction字段用于解释大型语言模型（LLM）技能的目的，同时列出给定技能目录中的所有文件列表。
技能发展
“技能”功能允许动态扩展MCP服务器的功能。每个技能都在其专属目录下进行定义，位于 skillz/ 文件夹。MCP服务器作为这些技能定义的存储库，然后由大型语言模型（LLM）对这些定义进行解释和执行。
- 这个（或“它”）
skillz目录已挂载到容器中，在/skillz并且可用于存储和访问数据。 - 该（或：这个）
tmp在开发或代理操作期间，该目录可用于在本地生成或复制文件。其内容已被git忽略。
测试
自动化测试是通过以下方式配置的 pytest 可以在本地运行，也可以通过GitHub Actions运行。
在本地运行测试（请确保您已 pytest 并且 httpx 安装在您的本地Python环境中）：
PYTHONPATH=. pytest做出贡献
欢迎投稿！请参考 GEMINI.md 为发展公约和准则（制定基础/提供依据）。
许可证
这个项目遵循MIT许可证进行授权。详见 LICENSE 文件中有详细信息。