Unified MCP Tool Graph: A Intelligence Layer for Dynamic Tool Retrieval

统一 MCP 工具图谱：用于动态检索工具的智能层

统一 MCP 工具图谱 是一个以研究为导向的项目，它将来自不同 Model Context Protocol（MCP）服务 的工具 API 汇总并构建为结构化数据，存储在集中式 Neo4j 图数据库 中。该图谱充当智能基础设施层，使 大语言模型（LLM） 和 Agent 式 AI 系统 能够针对任何任务 动态检索 最相关的工具，而不会被冗余或令人困惑的选项淹没。

---

🚀 最新动态：该项目已集成到 SmarterMCP，目前处于预览模式。

动态启动 MCP 服务并提供精简工具上下文

🟢 动态编排 MCP 服务

• 系统现在会 仅启动给定用户查询所需的 MCP 服务。默认情况下，五个常用 MCP 服务（包括 Dynamic Tool Retriever MCP）会保持预热状态；其他服务则按需启动，并在最后一次使用后保持运行 10 分钟。
• Dynamic Tool Retriever MCP 返回的不仅是工具元数据，还包括运行／连接到该工具对应 MCP 服务所需的配置（自动从供应商的 GitHub README 获取）。
• 自动提取 MCP 配置： 使用供应商的 GitHub 仓库，从 README 中提取每个工具对应的 MCP 服务配置，以便 Agent 随时启动／连接正确的服务。
• 错误处理： 如果配置提取失败，系统会记录警告并继续运行，确保工具检索过程稳健可靠。

🟢 为大模型／Agent 提供精简工具上下文

• 仅将用户查询所需的确切工具加载到 Agent 的上下文中（而非加载所有 MCP 服务的全部工具）。这可以避免大模型混淆和无限工具循环。
• 端到端流程：
  1. 接收用户查询。
  2. Dynamic Tool Retriever MCP 查询 Neo4j 图谱，并返回最相关的工具 及其 MCP 服务配置。
  3. Agent 使用这些配置，仅启动／连接所需的 MCP 服务，并加载检索出的工具。
  4. Agent 执行工作流并返回答案。

🟢 支持 A2A 和 LangGraph Agent

• A2A Agent 示例： 查看 Example_Agents/A2A_DynamicToolAgent/，了解一个完全动态的 A2A Agent，它会根据每次请求编排 MCP 服务和工具。
• LangGraph 示例： 查看 Example_Agents/Langgraph/，了解一个使用相同动态精简工具方法的 LangGraph Agent。

---

🔬 本仓库专注于创建和演进 统一工具图数据库。基于聊天机器人的集成（例如 LangChain）被视为这一基础层的模块化扩展。

📢 即将支持 Cline 和 IDE……

---

研究问题

随着大模型和自主 Agent 不断发展，开始与外部工具和 API 交互，一个关键瓶颈也随之出现：

面对不断扩大的 API 集合，模型如何高效选择合适的工具，而不会陷入无限循环或选错工具？

为什么会出现这种情况：

• 工具混淆：
  当许多工具提供相似功能时（例如 create_post、schedule_post、post_to_social），大模型难以抉择，并可能调用错误的工具。

• ↺ 无限调用链：
  如果缺少对工具差异的结构化理解，大模型往往会陷入无效调用链，重复调用工具或选择不理想的工具。

• 缺乏结构化的访问方式：
  当前大多数实现会将所有可用工具都塞进大模型的上下文，使其被过多选项淹没，并增加产生幻觉的风险。

---

## ✅ 解决方案：统一 MCP 工具图谱

本项目提出了一种结构化、可查询的解决方案：一个与供应商无关的 Neo4j 图数据库，收录来自 MCP 服务（例如 LinkedIn、Google、Facebook、Notion 等）的工具/API。

🔍 核心能力：

• 集中式工具智能：
  以图格式存储 API 描述、元数据、参数及工具之间的关系。

• 面向大模型的查询层：
  Agent 可以根据元数据和关系，为每项任务检索最相关的 3–4 个工具，从而最大限度地减少混淆。

• 语义区分：
  通过图关系（例如 overlaps_with、extends、preferred_for_task）记录工具之间的相似之处和差异，以指导决策。

---

模块化扩展

图谱是核心，同时也支持强大的下游用例：

动态工具检索（DTR）：

一种模块化的 LangChain/Autogen 聊天机器人扩展，可查询图谱，并针对给定的用户意图提供一组精简、准确的工具。

这样可以避免大模型盲目扫描庞大的工具库，而是只提供完成任务所需的工具——不多不少。

核心实现：

• 按需启动 MCP 服务（使用工具检索 MCP 和 GitHub 中的配置），并在不活跃后关闭。
• 始终只运行最受欢迎的 5 个 MCP；其他 MCP 按需运行。
• Agent（A2A 或 LangGraph）只能看到与当前查询相关的工具，而不是全部工具。

---

核心目标

目标	描述
工具摄取	从公共/私有 MCP 服务获取 API 和架构，并对其进行规范化
工具关系映射	定义图谱边，例如 overlaps_with、requires_auth、preferred_for、belongs_to_vendor
面向大模型的查询	实时返回针对特定任务的工具组合
可扩展的生态系统	持续添加供应商和工具，无需重新训练或硬编码
感知 Agent 的结构	通过富含元数据、可搜索的工具表示，引导大模型推理

---

主要优势

• 减少大模型中的工具混淆
  只展示与任务相关的选项，避免工具过载。防止无限调用循环和错误的工具选择。

• 与供应商无关的集成
  将不同提供商的 API 整合到一个智能系统中。

• 映射互操作性
  记录工具之间的关联或依赖关系，便于在工作流中串联 API。

• 优化 Agent 推理
  让大模型能够更高效地推理，减少上下文窗口中的干扰。

• 可扩展且模块化
  可独立于大模型或聊天机器人基础设施进行更新。可扩展至任何 Agent 技术栈。

---

示例用例

• “我想在 LinkedIn 上安排一条帖子，并分享到 Slack。”
  → 图谱只返回相关的 create_post、schedule_post 和 send_message 工具。

• 面向企业的定制 AI 助手：
  只开放图谱中的内部工具，并按访问权限、范围或功能进行筛选。

• 智能推荐 Agent：
  根据标签、人气、成功率或依赖关系推荐最匹配的工具。

Example_Agents 目录提供了与 LangGraph 和 A2A 的集成，可简化 Agent 工作流和动态工具编排。

---

🏗️ 架构

┌─────────────────────────────────────────────────────────────┐
│                    MCP Unified Gateway                      │
│                    (Port 8000)                             │
└─────────────────────┬───────────────────────────────────────┘
                      │
┌─────────────────────┴───────────────────────────────────────┐
│                 MCP Proxy Server                            │
│                 (Port 9000)                                │
└─┬─────────────┬─────────────┬─────────────┬─────────────────┘
  │             │             │             │
┌─▼──────────┐ ┌▼─────────────▼┐ ┌─▼─────────▼┐ ┌─▼─────────────┐
│ Dynamic    │ │ Everything   │ │Sequential  │ │ Time Server   │
│ Tool       │ │ Server       │ │ Thinking   │ │               │
│ Retriever  │ │              │ │ Server     │ │               │
└────────────┘ └──────────────┘ └────────────┘ └───────────────┘
      │
┌─────▼─────┐
│   Neo4j   │ (Optional)
│ Database  │
└───────────┘

🛠️ 工作原理（概述）

1. 用户提交查询（例如：“安排一条 LinkedIn 帖子，并分享到 Slack。”）
2. 动态工具检索器 MCP 查询 Neo4j 图，并返回最相关的工具，以及它们的 MCP 服务配置（如有需要，则从 GitHub 获取）。
3. MCP 服务管理器仅启动/连接所需的 MCP 服务（使用这些配置），并在最后一次使用后保持运行 10 分钟。
4. Agent（A2A 或 LangGraph）仅加载检索到的工具并执行工作流。
5. 结果返回给用户，尽可能减少工具混淆并提高效率。

---

---

即将推出

• 图数据导入脚本
• 架构蓝图 + Cypher 查询
• 工具可视化 Playground
• LangChain DTR 聊天机器人插件
• 操作教程与用例

---

开始使用

👉 查看 GETTING_STARTED.md，了解使用 uv 的完整设置说明。

快速开始

# Clone the repository
git clone https://github.com/your-username/unified-mcp-tool-graph.git
cd unified-mcp-tool-graph

# Install dependencies with uv
uv sync

# Start the unified gateway
uv run python start_unified_gateway.py

网关将在 http://localhost:8000 上提供服务，所有 MCP 服务中的工具都可通过单一端点访问。

有关详细设置说明、故障排除和配置选项，请参阅 GETTING_STARTED.md。

---

贡献

如果你热衷于 Agent 式 AI、图数据库或大模型集成，我们非常期待你的帮助！

• 提交想法或供应商来源
• 提交 PR，改进架构/设计
• 为此研究点亮 Star，给予支持

---

许可证

MIT 许可证——可免费用于学术、个人和商业用途。

---

总结

与其把 100 多个工具一股脑塞进模型的提示词并期待它做出明智选择，不如通过 统一 MCP 工具图为你的大模型提供结构、清晰度和相关性。

它能解决工具混淆问题、防止无限循环，并支持模块化、智能化的 Agent 工作流。

让我们一次构建一个工具图，共同打造更智能的系统。

---

为项目点亮 Star，关注发展历程，让工具真正变得智能、可搜索且模块化。

开发动态

面向多标签开放式用例的聚类。

创建了一个包含供应商和工具的 GraphDB，并为其生成嵌入，以支持向量搜索。 需要一种方法来对供应商进行分类，并将同一类别的供应商关联起来。例如（网页搜索、文件系统、社交媒体等）。 支持的工具数量：11066 MCP 服务数量（官方 + 社区）：4161

查询 = 我想发布一条关于 AI 最新趋势的 LinkedIn 帖子。

Here are the top 5 tools recommended based on your task of creating a LinkedIn post about AI trends, along with brief explanations to help you choose:

---

### 1. **linkedin_post_generator** (Likely the Most Relevant)  
**Description**: Generates optimized LinkedIn posts with engaging headlines, content structure, and hashtags tailored for professional audiences.  
**Why Use**: Directly creates polished posts while suggesting multimedia (images, videos) and tone adjustments for maximum engagement.  

---

### 2. **ai_search** (Top Search Tool)  
**Vendor**: Higress AI-Search  
**Key Feature**: Aggregates **real-time data** from Google/Bing/Quark and academic sources like ArXiv for cutting-edge AI research and industry trends.  
**How to Use**:  
   - Query: `Latest AI trends 2024` → Get recent news, research papers, and opinion pieces.  
   - Useful for ensuring your post cites fresh, credible sources.  

---

### 3. **tavily-search** (Comprehensive Web Research)  
**Vendor**: Tavily  
**Key Feature**: AI-powered search with advanced filters (e.g., `time_range`, `exclude_domains`) to curate content from trusted sources.  
**How to Use**:  
   - Example: Search for "recent AI breakthroughs 2024" → Pull articles from tech blogs, IEEE, or MIT Tech Review to highlight in your post.  

---

### 4. **query_repository** (If Curating Open-Source or GitHub Content)  
**Vendor**: GitHub Chat  
**Use Case**:  
   - If your post references open-source projects (e.g., "Top AI tools from GitHub 2024"), use this to query repositories for trending AI-related code/repos.  

---

### 5. **social_media_analytics** (Post-Creation Optimization)  
**Use Case**:  
   - After drafting your post, analyze engagement metrics (e.g., "Which AI topics are trending this week?") to refine your draft based on what performs well on LinkedIn.  

---

### Recommended Workflow:  
1. **Research** using **ai_search** or **tavily-search** to gather the latest AI news and data (e.g., LLM progress, ethical AI debates).  
2. **Craft the Post** with **linkedin_post_generator** to ensure professional formatting and engagement hooks.  
3. **Validate** with quick checks via **query_repository** (if citing open-source tools) or **social_media_analytics** for topic popularity.  

Let me know if you'd like step-by-step instructions for any specific tool!

使用 mcp-proxy 代理 MCP 服务

本项目使用 mcp-proxy 将基于 stdio 的 MCP 服务暴露为 HTTP 端点。mcp-proxy 充当基于 stdio 的 MCP 服务与 HTTP 客户端之间的桥梁，支持 Streamable HTTP 和 SSE 传输方式。

工作原理

• MCP 服务作为子进程（stdio）启动，并注册到 mcp-proxy。
• 每个服务都会在以下地址暴露：
  • http://localhost:<port>/servers/<name>/（Streamable HTTP，POST）
  • http://localhost:<port>/servers/<name>/sse（SSE，GET）
• 官方 MCP Python SDK 可通过 sse_client 连接到 /sse 端点：

from mcp.client.sse import sse_client
from mcp.client.session import ClientSession
import asyncio

async def main():
    mcp_url = "http://localhost:9000/servers/time/sse"
    async with sse_client(mcp_url) as (read, write):
        async with ClientSession(read, write) as session:
            await session.initialize()
            # ... interact with the server ...

if __name__ == "__main__":
    asyncio.run(main())

有关配置和高级用法的更多详情，请参阅 mcp-proxy 文档。

---

📚 文档

• GETTING_STARTED.md - 使用 uv 的完整设置指南
• CONTRIBUTING.md - 贡献指南
• CODE_OF_CONDUCT.md - 社区行为准则

---

📄 许可证

本项目采用 MIT 许可证授权，详情请参阅 LICENSE 文件。

---

为项目点亮 Star，关注发展历程，让工具真正变得智能、可搜索且模块化。