Demo MCP Basic

Name: Demo MCP Basic
Author: bertrandgressier

本地服务

github.com/bertrandgressier开发工具183 周前更新

关于 Demo MCP Basic

Demo MCP Basic 是一个 TypeScript 示例，展示如何通过 AI SDK 将 MCP 服务端与使用 Google AI 模型的客户端配合使用。它演示服务端提供的计算工具如何在生成过程中被发现和调用。

服务端向 MCP 客户端提供简单的计算工具。示例客户端通过 HTTP SSE 连接并获取工具，再让 Google AI 模型在文本生成期间使用这些工具。

本地服务的配置在各客户端中通用，复制后粘贴到客户端的 MCP 配置文件即可。

暂未收录安装方式

我们还没有获取到这个服务的安装包或远程地址，请按项目 README 中的说明安装。

还没有获取到工具列表

本地服务需要在你的电脑上运行后才能读取工具，维护者暂未提供工具列表。

本项目演示了使用 Model Context Protocol (MCP) 进行基本的客户端-服务端交互。MCP 允许 AI 模型（例如通过 AI SDK 使用的模型，如 Google Gemini/Vertex AI）安全地发现并使用由独立服务进程提供的外部工具或资源。

在此示例中：

服务端（src/server/）充当 MCP 提供方，提供简单的计算工具（加法、减法等）。
客户端（src/client/）使用 AI SDK 与 Google AI 模型交互，并连接到 MCP 服务，以便 AI 在生成内容时使用服务端提供的工具。

此设置展示了如何通过让 AI 模型访问托管在 MCP 服务上的自定义功能来扩展其能力。

克隆仓库：

git clone [email protected]:bertrandgressier/demo-ts-mcp-client-server.git
cd demo-mcp-basic

安装依赖：
```
npm install
```
创建环境文件： 将示例环境文件 .env.example 复制到名为 .env 的新文件中：
```
cp .env.example .env
```
然后，编辑 .env 文件，添加实际的 API 密钥和配置。必需和可选变量如下：
```
# Google Studio Models (Gemini) 所需
GOOGLE_API_KEY=YOUR_GOOGLE_API_KEY

# Google Vertex AI Models 所需
VERTEX_PROJECT_ID=YOUR_VERTEX_PROJECT_ID

# 可选：未设置时默认为 'us-central1'
# VERTEX_LOCATION=your-vertex-location

# 可选：Vertex AI 服务账号密钥文件的路径。未设置时，默认为根目录下的 'vertex-key.json'。
# VERTEX_KEY_FILE=path/to/your/vertex-key.json
```
请将 YOUR_GOOGLE_API_KEY 和 YOUR_VERTEX_PROJECT_ID 替换为实际的凭据。 如果使用 Vertex AI 密钥文件，请确保将其放在正确的位置（例如根目录下的 vertex-key.json），或在 VERTEX_KEY_FILE 中提供正确的路径。
- 重要： .gitignore 文件已配置为避免将 .env 和 vertex-key.json 提交到 Git。

构建 TypeScript：
```
npm run build
```
将 src 中的 TypeScript 代码编译为 dist 中的 JavaScript。
启动生产环境服务端：
```
npm run start
# or specifically
npm run start:server
```
构建项目（如果尚未构建），并运行 dist/server/server.js 中编译后的服务端。
启动生产环境客户端：
```
npm run start:client
```
运行 dist/client/client.js 中编译后的客户端。
以开发模式运行服务端：
```
npm run dev:server
```
使用 ts-node（或通过 --experimental-transform-types 实现类似功能）直接运行服务端，无需单独的构建步骤。
以开发模式运行服务端并监视更改：
```
npm run dev:server:watch
```
使用 nodemon 运行服务端；检测到 src/server 目录中的更改时会自动重启。
以开发模式运行客户端：
```
npm run dev:client
```
使用 ts-node（或类似工具）直接运行客户端。

主要的示例客户端脚本演示了以下内容：

连接到 MCP 服务： 连接到本地运行的 MCP 服务（预期地址为 http://localhost:3001/sse）。
获取工具： 获取已连接服务提供的工具列表。
配置 AI 模型： 使用配置了 Google AI 模型的 AI SDK（generateText）（根据 .env 中设置的环境变量以及可能的 src/models/google-ai-provider.ts，通过 API Key 或 Vertex AI 使用 Gemini）。
执行提示词： 发送提示词（6 + 12），并附上系统消息，指示 AI 使用获取到的工具完成计算。
输出结果： 输出 AI 模型最终生成的文本回复，该模型可能会使用服务提供的工具。

此客户端展示了应用如何与 MCP 服务交互，在 AI 生成流程中利用其工具。

src/：包含 TypeScript 源代码。
- client/：MCP 客户端应用的代码。
- server/：MCP 服务应用的代码。
- model.ts：负责初始化 AI 模型并加载环境变量。
dist/：包含编译后的 JavaScript 代码（运行 npm run build 后生成）。
.env：存储环境变量（API 密钥等）——请勿提交此文件。
package.json：项目元数据和依赖项。
tsconfig.json：TypeScript 编译器配置。