MCP Hub Documentation

MCP Hub 文档

概述

MCP Hub 是一个用于创建和管理模型上下文协议（MCP）服务和客户端的框架。它利用 uv 工具实现快速的软件包安装和配置管理。

为什么使用 UV？

UV 通过极快的命令简化软件包管理和配置。学习几个命令即可开始使用：

• 初始化项目：

  uv init
  

• 同步 Python 版本和依赖项：

  uv sync
  

如需了解更多详情，请访问 UV GitHub 仓库。

动机

如需了解 MCP 基础知识并开始创建 MCP 服务，请参阅 MCP 快速入门服务指南。

入门

如何创建示例 MCP 服务

1. 创建新的项目目录

   uv init XYZ
   cd XYZ
   

2. 设置虚拟环境

   uv venv
   source .venv/bin/activate
   

3. 安装依赖项

   uv add "mcp[cli]" httpx
   

4. 创建服务文件

   touch XYZ.py
   

如何运行 MCP 服务

运行服务时，请使用以下命令：

uv run XYZ.py

示例：创建新的 XYZ 服务

按照上述步骤创建并运行新的 XYZ 服务。将 XYZ 替换为你想要的项目名称。

最近更新

Notebooks 目录

项目中新增了 notebooks/ 目录，其中包含用于设置和运行 JupyterHub 的配置文件和脚本。主要文件包括：

• jupyterhub_config.py：JupyterHub 的配置。
• start_jupyterhub.sh：用于启动 JupyterHub 服务的脚本。

CIFAR-10 数据集下载器

ai/computer-vision/09_datasets/ 下新增了一个脚本，可使用 TensorFlow/Keras 下载 CIFAR-10 数据集。运行以下命令即可使用：

python ai/computer-vision/09_datasets/download_cifar10.py

此脚本会下载数据集并打印确认消息。

AI 文件夹

ai/ 文件夹包含与计算机视觉和人工智能相关的各种子目录和脚本。下面是其结构和内容概览：

子目录和文件

01_image_handling

• basic_manipulations.py：基本图像处理技术。
• blue_image.png：用于测试的示例图像。
• hello_cv.py：用于演示计算机视觉基础知识的简单脚本。
• image_representation.py：介绍计算机视觉中的图像表示。
• read_display_save.py：用于读取、显示和保存图像的脚本。
• README.md：此子目录的文档。

02_image_preprocessing

• augmentation.py：图像增强技术。
• normalization.py：图像归一化方法。

03_feature_extraction

• hog_extraction.py：提取方向梯度直方图（HOG）特征。
• sift_surf_extraction.py：演示 SIFT 和 SURF 特征提取。

04_basic_ml_concepts

• hog_svm_classifier.py：使用 HOG 特征和 SVM 实现分类器。

05_deep_learning_cnn

• cnn_architecture.py：定义卷积神经网络（CNN）架构。

06_image_classification

• train_classifier.py：用于训练图像分类器的脚本。

07_object_detection

• basic_object_detection.py：演示基本的目标检测技术。

08_image_segmentation

• basic_segmentation.py：介绍基本的图像分割方法。

09_datasets

• download_cifar10.py：用于下载 CIFAR-10 数据集的脚本。

10_utils

• image_utils.py：用于图像处理的实用函数。

其他文件

• main.py：AI 相关脚本的入口点。
• pyproject.toml：项目配置文件。
• README.md：ai/ 文件夹的文档。
• run.sh：用于执行 AI 相关任务的 Shell 脚本。
• uv.lock：依赖项锁定文件。