mcpField
L
llm_to_mcp_integration_engine

llm_to_mcp_integration_engine

本地服务
github.com/Million19AI 与智能体374 周前更新

关于 llm_to_mcp_integration_engine

llm_to_mcp_integration_engine 是一个 Python 通信层,会在执行前验证 LLM 选择的工具。它面向连接 LLM 与 MCP 服务或函数的开发者,并通过解析和重试处理不规范响应。

主要功能

  1. 01根据工具列表验证选择
  2. 02解析非结构化 LLM 响应
  3. 03使用新提示词重试
  4. 04失败时切换 LLM
  5. 05诊断工具调用故障

适用场景

  1. 01在外部调用前检查工具选择
  2. 02处理格式错误的工具选择响应
  3. 03验证失败时改用其他 LLM 重试

MCP 相关

它为 LLM 与 MCP 服务或函数提供通信层,并在调用 MCP 服务或函数前检查工具选择。

配置

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。

代码仓库

工具

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。

详细介绍

llm_to_mcp_integration_engine

🔍 什么是 llm_to_mcp_integration_engine?

llm_to_mcp_integration_engine 是一种用于 LLM 与 MCP 服务或函数之间的通信层新方案。

它通过确保在触发任何外部进程之前正确选择、验证和执行工具,提升工具调用的可靠性。

它会从 LLM 的响应中查找工具选择标记(SELECTED_TOOLS、SELECTED_TOOL、NO_TOOLS_SELECTED),并根据预定义的工具列表进行验证。


🚀 llm_to_mcp_integration_engine 有什么新特点?

llm_to_mcp_integration_engine 能有效处理非结构化输出,并结合动态解析和重试机制(RETRY_PROMPT、CHANGE_LLM_IN_RETRY),为 LLM 与工具的集成提供了更灵活、更具弹性的解决方案。


❓ 为什么需要 llm_to_mcp_integration_engine?

  • LLM 经常会错误地格式化或排序工具调用,导致失败。
  • 在触发任何 MCP 服务或函数之前,必须验证工具执行。
  • 该协议为 LLM 与工具的集成带来清晰度、可控性和可靠性。

❌ 是否已有现成的通信层?

没有。
这是一个全新发明。我们推出了 LLM2MCP 协议,这是首个此类通信框架,能够以结构化、经过验证且可控的方式将 LLM 连接到 MCP 服务或函数。

它的新颖之处包括:

  • 双重注册:工具/函数同时列在 LLM 提示词和引擎中,确保二者保持一致。
  • 兼容非 JSON 格式:即使 LLM 响应并非完全符合 JSON 格式,引擎仍可通过正则表达式和基于逻辑的检查提取有效的工具选择。
  • 重试框架:如果验证失败(缺少工具、格式错误等),引擎可以使用新的提示词重试,甚至切换到其他 LLM。
  • 精细化故障检测:开发者可以准确诊断 LLM 在何处出错——无论是选择正确的工具、格式化参数,还是过渡到工具执行。
  • 执行安全性:除非响应有效且经过验证,否则引擎不会调用任何工具或 MCP 服务。

将验证、回退机制、控制逻辑和健壮性整合到一个集成引擎中,这正是它成为一项新发明的原因。


⚙️ 如何使用

📦 通过 pip 安装
pip install llm_to_mcp_integration_engine
✅ 默认用法
from llm_to_mcp_integration_engine import llm_to_mcp_integration_default

llm_to_mcp_integration_default(
    tools_list=my_tools_list,
    llm_respons=response_from_llm,
    json_validation=True
)
🔧 高级用法
from llm_to_mcp_integration_engine import llm_to_mcp_integration_advance

llm_to_mcp_integration_advance(
    tools_list=my_tools_list,
    llm_respons=response_from_llm,
    json_validation=True,
    no_tools_selected=True,
    multi_stage_tools_select=True
)
🧠 自定义用法(例如,用于 Agent 式 HTML/CSS 工具)
from llm_to_mcp_integration_engine import llm_to_mcp_integration_custom

llm_to_mcp_integration_custom(
    tools_list=my_tools_list,
    llm_respons=response_from_llm,
    json_validation=True
)

✅ 使用 llm_to_mcp_integration_engine 的优势

  • 灵活处理响应
  • 可靠执行工具
  • 可靠的程序化验证
  • 改进工具链式调用
  • 与推理技术协同增效(例如,思维链)
  • 处理「无需工具」的场景
  • 错误检测和重试机制
  • 故障诊断与监控
  • 通过分层使用 LLM 优化成本
  • 标准化 LLM 与工具之间的接口

💡 还包括在失败时动态切换 LLM,以增强健壮性并提高成本效益。


📜 许可证

您可以将此引擎用于个人和研究用途。
但是,未经作者明确许可,不得修改或分发此引擎。

评论

支持 Markdown

第一次接触 MCP?

从协议是什么,到在客户端里装上第一个服务,这几条回答覆盖了大多数入门问题。

一个开放协议,规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话,MCP 服务负责提供工具、资源和提示模板,两者通过标准消息通信,同一个服务可以被不同客户端复用。