🚀 MCP-Ollama Server

🚀 MCP-Ollama Server

📋 概述

MCP-Ollama Server 弥合了 Anthropic 的 Model Context Protocol (MCP) 与通过 Ollama 运行的本地大模型之间的鸿沟。这一集成让你本地部署的 AI 模型具备类似 Claude 的工具能力，包括文件系统访问、日历集成、网页浏览、电子邮件通信、GitHub 交互以及 AI 图像生成——同时保持完整的数据隐私。

与基于云的 AI 方案不同，MCP-Ollama Server：

• 将所有数据处理保留在本地基础设施上
• 无需与第三方共享敏感信息
• 提供模块化方式，让你只使用所需的组件
• 在隔离网络或高安全环境中实现企业级 AI 能力

✨ 核心功能

• 🔒 完整数据隐私：所有计算均通过 Ollama 在本地完成
• 🔧 为本地大模型提供工具调用：为 Ollama 模型扩展文件、日历及其他能力
• 🧩 模块化架构：独立的 Python 服务模块，可按需选择性部署
• 🔌 易于集成：通过简单的 API 与现有应用连接
• 🚀 性能优化：极低开销，保持 AI 交互的响应速度
• 📦 容器化部署：每个模块均支持 Docker（即将推出）
• 🧪 全面测试：完善的测试覆盖以确保可靠性

🚀 快速开始

前置条件

• 已安装 Python 3.8+
• 已在系统中配置 Ollama
• 用于克隆仓库的 Git

🧩 组件概览

MCP-Ollama Server 按专用模块组织，每个模块提供特定功能：

📅 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

日历模块让你的本地大模型能够：

• 创建、修改和删除日历事件
• 检查可用性与日程冲突
• 发送会议邀请
• 设置提醒与通知

🔄 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：

• 与所有支持 MCP 的服务交互的统一接口
• 对话历史管理
• 用于改善响应的上下文处理
• 工具选择与路由逻辑

📁 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

文件系统模块让你的本地大模型能够：

• 安全地读写文件
• 列出目录内容
• 按特定模式搜索文件
• 解析不同文件格式（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

1. 📅 日历模块：

cd calendar
uv add pyproject.toml  # Install calendar-specific dependencies

2. 🔄 客户端 MCP 模块：

cd client_mcp
uv add pyproject.toml  # Install calendar-specific dependencies

3. 📁 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 Agent 交互：

AI Agent 之间的对话

🏗️ 架构

MCP-Ollama Server 采用微服务架构模式，每项能力都实现为独立的服务：

关键组件：

1. Ollama 集成层：连接到本地 Ollama 实例并路由相应的请求
2. MCP 协议处理器：在标准 MCP 格式与 Ollama 的要求之间进行转换
3. 服务模块：实现特定功能的独立模块
4. 客户端库：为应用与系统交互提供统一接口

此架构带来了以下几项优势：

• 可扩展性：添加新模块而不影响现有模块
• 韧性：即使个别模块发生故障，系统仍能继续运行
• 灵活性：只部署你需要的组件
• 安全性：对每个模块的数据访问进行精细化控制

📚 文档

各模块专属文档

每个模块都包含自己的 README，其中有详细的实现说明：

• 日历模块文档
• 客户端 MCP 文档
• 文件系统文档

🛠️ 使用场景

企业安全与合规

非常适合需要 AI 能力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
• 分析患者数据的医疗保健机构
• 处理敏感交易的金融机构

开发者生产力

改造你的本地开发环境：

• 借助对项目文件的访问进行代码生成
• 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

打造一个尊重你隐私的强大第二大脑：

• 处理个人文档和笔记
• 管理日历并优化日程
• 基于你的个人知识库生成内容

🤝 贡献

我们欢迎来自社区的贡献！你可以通过以下方式提供帮助：

1. 复刻仓库：创建属于你自己的项目复刻
2. 创建功能分支：git checkout -b feature/amazing-feature
3. 进行修改：实现你的功能或错误修复
4. 运行测试：确保你的修改通过所有测试
5. 提交更改：git commit -m 'Add some amazing feature'
6. 推送到分支：git push origin feature/amazing-feature
7. 发起 Pull Request：提交你的修改以供审查

请阅读我们的贡献指南了解更多详情。

❓ 常见问题

问：这与使用基于云的 AI 助手有何不同？
答：MCP-Ollama Server 完全在你的本地基础设施上运行，确保完全的数据隐私，并消除对外部 API 的依赖。

问：支持哪些模型？
答：任何与 Ollama 兼容的模型都可以使用。为获得最佳效果，我们推荐 Llama 3、Mistral 或其他参数量至少为 7B 的近期开源模型。

问：我如何用新功能扩展系统？
答：遵循模块化架构模式来创建新的服务模块。详情请参阅我们的扩展指南。

问：系统要求是什么？
答：要求取决于你选择的 Ollama 模型。对于基本功能，我们建议至少 16GB 内存和一颗现代多核 CPU。

📄 许可证

本项目依据 LICENSE 文件中包含的条款进行许可。

🙏 致谢

• Anthropic 提供 Model Context Protocol 规范
• Ollama 提供他们出色的本地大模型服务

---