Prompt Gen Mcp

PromptGen MCP - ローカルサーバー

PromptGen API から取得した高度なプロンプトエンジニアリング手法とローカルのコードコンテキストを使用して、シンプルな質問を包括的でコンテキストを考慮したプロンプトに変換します。

🚀 クイックスタート

1. PromptGen API キーを取得する

1. 次の URL にアクセスします：https://promptgenmcp-production.up.railway.app
2. サインアップして API キーを生成します
3. pg_sk_ で始まる API キーをコピーします

2. その他の必須 API キーを取得する

• GROQ API キー：https://console.groq.com/ から取得します
• Tavily API キー：https://tavily.com/ から取得します

3. 依存関係をインストールする

# Navigate to the directory
cd prompt-gen-mcp

# Install dependencies
pip install mcp sentence-transformers httpx groq

4. Cursor を設定する

設定を Cursor の MCP 設定ファイル（~/.cursor/mcp_servers.json）にコピーします：

{
  "mcpServers": {
    "prompt-gen": {
      "command": "python",
      "args": ["/full/path/to/prompt-gen-mcp/src/prompt_gen_mcp/server.py"],
      "env": {
        "PROMPTGEN_API_KEY": "pg_sk_your_key_here",
        "GROQ_API_KEY": "gsk_your_groq_key_here", 
        "TAVILY_API_KEY": "tvly_your_tavily_key_here"
      }
    }
  }
}

重要：/full/path/to/prompt-gen-mcp/ を、このディレクトリの実際の絶対パスに置き換えてください。

5. Cursor を再起動する

MCP サーバーを認識させるには、Cursor を完全に再起動してください（再読み込みだけでは不十分です）。

6. 使用を開始する

1. Cursor で任意のプロジェクトを開きます
2. Cmd+Shift+P（Mac）または Ctrl+Shift+P（Windows/Linux）を押します
3. 「MCP: enhance_prompt」と入力します
4. 「この React コンポーネントを最適化する方法は？」と尋ねます

💡 利用できる機能

🔄 変換例

変換前	変換後
"この React コンポーネントを最適化する方法は？"	包括的に強化されたプロンプト

強化された出力：

# 🚀 Enhanced Prompt for: How do I optimize this React component?

## 🔍 Question Analysis
- **Types**: optimization, implementation  
- **Complexity**: medium
- **Domain**: frontend
- **Intent**: optimize performance

## 🎯 Selected Prompt Engineering Techniques

### 1. 📋 Plan and Solve (Score: 0.847)
**Description**: Break down complex problems into structured planning and systematic solving phases

**Application**: Plan: Identify optimization targets. Solve: Apply specific React patterns.

### 2. 📚 Few-Shot Learning (Score: 0.823)
**Description**: Provide examples to guide the response

**Application**: Here are optimization examples: useMemo, React.memo, useCallback...

## 📁 Relevant Code Context

### File 1: `src/components/UserProfile.tsx` (Relevance: 0.892)
```typescript
const UserProfile = ({ userId }) => {
  const [user, setUser] = useState(null);
  useEffect(() => {
    fetchUser(userId).then(setUser);
  }, [userId]);
  return <div>{user?.name}</div>;
};

✨ 強化された分析リクエスト

[コンテキストを考慮した提案を含む、包括的な回答のための構造化された指示...]

📊 機能の比較

機能	基本プロンプト	強化されたプロンプト
コンテキストの認識	❌ なし	✅ コードベース全体のコンテキスト
手法の選択	❌ 手動	✅ AI による最適な選択
プライバシー	⚠️ さまざま	✅ コードはローカルに保持
構造化された出力	❌ 基本的	✅ 包括的な分析
コード例	❌ 汎用的	✅ 実際のプロジェクトから取得
関連性スコアリング	❌ なし	✅ セマンティック類似性による照合

🔒 アーキテクチャとプライバシー

• 🏠 ローカル処理：コードのスキャンはすべてお使いのマシン上で行われます
• 🌐 API 連携：PromptGen API を使用するのは手法の選択のみです
• 🔢 コードは共有されません：コードがお使いのマシンから外部に送信されることはありません
• 🎯 スマートな選択：AI がホストされたデータベースから最適な手法を選択します
• 📁 コンテキストを認識：プロジェクトから関連するコードを自動的に取り込みます

⚙️ 仕組み

アーキテクチャの概要

flowchart TD
    A[User Question] --> B[Local MCP Server]
    B --> C[Code Context Scanner]
    B --> D[PromptGen API]
    C --> E[Local Code Analysis]
    D --> F[Technique Selection]
    E --> G[Enhanced Prompt]
    F --> G
    G --> H[User Receives Enhanced Prompt]
    
    style A fill:#e1f5fe
    style B fill:#f3e5f5
    style C fill:#e8f5e8
    style D fill:#fff3e0
    style G fill:#fce4ec
    style H fill:#e0f2f1

インタラクションの流れ

sequenceDiagram
    participant U as User
    participant M as MCP Server
    participant C as Code Scanner
    participant P as PromptGen API
    participant Q as Qdrant DB
    
    U->>M: Ask question
    M->>C: Scan local workspace
    M->>P: Request techniques for question
    P->>Q: Query vectorized techniques
    Q-->>P: Return relevant techniques
    C-->>M: Local code context
    P-->>M: Optimal techniques
    M->>M: Combine context + techniques
    M->>U: Enhanced prompt with context
    
    Note over C,M: Code never leaves your machine
    Note over P,Q: Only question text sent to API

プライバシーを最優先するフロー：

1. ローカル MCP が、お使いのマシン上でコードをプライベートにスキャンします
2. PromptGen API が、ホストされた Qdrant データベースから最適な手法を提供します
3. ローカル処理ですべてを組み合わせて、強化されたプロンプトを作成します
4. コードがマシンから外部に送信されることはありません。手法の取得には質問のテキストのみが送信されます

🎯 ユースケース

• コードの最適化：関連するコードコンテキストを踏まえた構造的な分析を得られます
• アーキテクチャの決定：例を含む包括的な比較を得られます
• デバッグ支援：コードスニペットを使った体系的なデバッグ手法を得られます
• 学習：実際のコードベースからの例を使って概念を理解できます

🔧 トラブルシューティング

MCP サーバーが動作しない場合：

# Test the server directly
python src/prompt_gen_mcp/server.py

# Check dependencies
pip install mcp sentence-transformers httpx groq

API キーに関する問題：

• PROMPTGEN_API_KEY が pg_sk_ で始まっていることを確認してください
• 有効な GROQ キーを https://console.groq.com/ から取得してください
• 有効な Tavily キーを https://tavily.com/ から取得してください

Cursor が MCP を見つけられない場合：

• Cursor を完全に再起動したことを確認してください（再読み込みだけでは不十分です）
• ~/.cursor/mcp_servers.json の構文を確認してください
• ファイルパスが絶対パスであることを確認してください
• Cursor の下部にあるステータスバーで MCP の状態を確認してください

コードコンテキストがない場合：

• プロジェクトディレクトリ内にいることを確認してください
• ファイルのアクセス権限を確認してください
• 対応するファイル形式（.py、.js、.ts、.tsx、.jsx、.md、.txt）を確認してください

📊 機能

• ✅ PromptGen API 連携（ホストされた手法データベース）
• ✅ ローカルコードコンテキストのスキャン（プライバシーを完全に保護）
• ✅ プライバシーを保護するアーキテクチャ
• ✅ インテリジェントな手法選択
• ✅ LLM を活用した質問分析
• ✅ 真の MCP アーキテクチャ（自己完結型）
• ✅ フォールバック対応（オフラインでも動作）

🏗️ アーキテクチャのメリット

適切な MCP 設計：

• ✅ 単一の自己完結型サーバープロセス
• ✅ Cursor がサーバーのライフサイクルを自動管理します
• ✅ バックグラウンドサービスを手動で管理する必要はありません
• ✅ Cursor と連携したクリーンな起動とシャットダウン

API 統合：

• ✅ テクニックには PromptGen API を使用します（ローカルの llms.txt は不要）
• ✅ ベクトル化されたテクニックを保存するホスト型 Qdrant データベース
• ✅ API キーによるユーザー認証
• ✅ 使用状況の追跡と請求に対応

🤝 貢献

1. リポジトリをフォークします
2. フィーチャーブランチを作成します
3. 変更をコミットします
4. ブランチにプッシュします
5. プルリクエストを作成します

📄 ライセンス

MIT License - 詳細は LICENSE ファイルをご覧ください。