🤖 Dialogflow CX MCP Server 🚀

🤖 Dialogflow CX MCP 服务 🚀

这是一个功能强大的 Google Dialogflow CX 模型上下文协议（MCP）服务实现，可在 AI 助手与 Google 的先进对话平台之间实现无缝集成。

💡 专业提示： 此服务搭起了 AI 助手与 Dialogflow CX 之间的桥梁，解锁强大的对话能力！

📋 概览

此项目提供一套工具，让 AI 助手能够通过标准化协议与 Dialogflow CX Agent 交互。该服务负责处理管理对话、处理意图检测以及与 Google 强大的 NLU 系统交互所涉及的全部复杂工作。

✨ 主要功能

• 🔄 与 Dialogflow CX 双向通信
• 🎯 意图检测与匹配功能
• 🎤 用于语音识别的音频处理
• 🔌 Webhook 请求/响应处理
• 📝 持久化对话的会话管理
• 🔒 安全的 API 身份验证

🔧 要求

🚀 安装

🐳 使用 Docker

# Clone the repository
git clone https://github.com/Yash-Kavaiya/mcp-server-conversation-agents.git
cd mcp-server-conversation-agents

# Build the Docker image
docker build -t dialogflow-cx-mcp .

# Run the container
docker run -it dialogflow-cx-mcp

💻 手动安装

# Clone the repository
git clone https://github.com/Yash-Kavaiya/mcp-server-conversation-agents.git
cd mcp-server-conversation-agents

# Create a virtual environment (optional but recommended)
python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate

# Install the package
pip install -e .

⚙️ 配置

你需要提供以下配置参数：

这些参数可以设为环境变量：

export DIALOGFLOW_API_KEY=your_api_key
export PROJECT_ID=your_project_id
export LOCATION=your_location
export AGENT_ID=your_agent_id

📊 架构

graph TD
    A[AI Assistant] <-->|MCP Protocol| B[MCP Server]
    B <-->|Google API| C[Dialogflow CX]
    C <-->|NLU Processing| D[Intent Detection]
    C <-->|Conversation Management| E[Session Management]
    B <-->|Webhooks| F[External Services]

🛠️ 使用方法

此 MCP 服务为 AI 助手提供以下工具：

🔍 initialize_dialogflow

使用你的项目详情初始化 Dialogflow CX 客户端。

await initialize_dialogflow(
    project_id="your-project-id",
    location="us-central1",
    agent_id="your-agent-id",
    credentials_path="/path/to/credentials.json"  # Optional
)

💬 detect_intent

检测文本输入中的意图。

response = await detect_intent(
    text="Hello, how can you help me?",
    session_id="user123",  # Optional
    language_code="en-US"  # Optional
)

🎤 detect_intent_from_audio

处理音频文件以检测意图。

response = await detect_intent_from_audio(
    audio_file_path="/path/to/audio.wav",
    session_id="user123",  # Optional
    sample_rate_hertz=16000,  # Optional
    audio_encoding="AUDIO_ENCODING_LINEAR_16",  # Optional
    language_code="en-US"  # Optional
)

🎯 match_intent

匹配意图，但不影响对话会话。

response = await match_intent(
    text="What are your hours?",
    session_id="user123",  # Optional
    language_code="en-US"  # Optional
)

🔄 Webhook 处理

解析 Webhook 请求并创建 Webhook 响应：

# Parse a webhook request
parsed_request = await parse_webhook_request(request_json)

# Create a webhook response
response = await create_webhook_response({
    "messages": ["Hello! How can I help you today?"],
    "parameter_updates": {"user_name": "John"}
})

🔧 响应格式

以下是响应格式示例：

{
  "messages": [
    {
      "type": "text",
      "content": "Hello! How can I help you today?"
    }
  ],
  "intent": {
    "name": "greeting",
    "confidence": 0.95
  },
  "parameters": {
    "user_name": "John"
  },
  "current_page": "Welcome Page",
  "session_id": "user123",
  "end_interaction": false
}

🔗 Smithery 集成

此项目已配置为与 Smithery.ai 配合使用。Smithery.ai 是一个便于部署和管理 MCP 服务的平台。

💡 专业提示： 集成 Smithery.ai 后，你可以一键部署并轻松管理 Dialogflow CX MCP 服务！

📄 许可证

👥 贡献

欢迎贡献！请随时提交 Pull Request。

贡献流程

1. 🍴 Fork 此仓库
2. 🔧 创建功能分支（git checkout -b feature/amazing-feature）
3. 💻 提交更改（git commit -m 'Add some amazing feature'）
4. 🚀 将分支推送到远程仓库（git push origin feature/amazing-feature）
5. 🔍 创建 Pull Request

由 MCP Server 团队倾心打造 ❤️