Smart MCP Server

Smart MCP Server

一款先进、具备上下文感知能力的 Model Context Protocol（MCP）服务，符合 Agent-to-Agent（A2A）协议。具备智能工作流执行、安全令牌管理，以及全面的 AI 模型集成能力，包括 Google 的 Gemini 模型。

🌟 主要功能

🔐 安全令牌管理

• 符合 MCP/A2A 规范的令牌：自动生成和管理符合协议规范的 API 令牌
• AES-256-CBC 加密：采用行业标准加密技术安全存储令牌
• 自动刷新：智能令牌验证与刷新机制
• CLI 管理：通过 CLI 工具轻松生成、验证和监控令牌

🤖 多模型 AI 集成

• Gemini 模型：全面集成 Google 的 Gemini 2.5 Pro、Gemini Pro 和嵌入模型
• OpenAI 支持：GPT-4、GPT-3.5 Turbo 和嵌入模型
• Anthropic 集成：Claude 3 Opus、Sonnet 和 Haiku 模型
• 模型无关架构：为所有 AI 提供商提供统一接口

🔄 高级工作流系统

• 动态加载工作流：自动从 JSON 文件加载工作流定义
• 智能执行：使用 AI 函数调用，实现工作流的最佳选择
• 进度监控：通过指标和日志实时跟踪执行情况
• 错误恢复：完善的错误处理和重试机制

🌐 协议合规性

• MCP v1.0：完整实现 Model Context Protocol
• A2A v1.0：支持多 Agent 协作的 Agent-to-Agent 协议
• 工具发现：自动注册工具并公布其能力
• 安全通信：Agent 间加密通信

🛠️ 全面的工具集

• GitHub 集成：仓库管理、分析和自动化
• Stripe 集成：支付处理和订阅管理
• 系统健康监控：实时系统指标和警报
• 文档工具：自动整合和管理文档

🚀 快速开始

前提条件

• Node.js v18.0.0 或更高版本
• npm v7.0.0 或更高版本
• Google Gemini API Key（用于 AI 功能）

安装

1. 克隆仓库：

   git clone https://github.com/reconsumeralization/smart-mcp-server.git
   cd smart-mcp-server
   

2. 安装依赖：

   npm install
   

3. 生成符合 MCP/A2A 规范的令牌：

   npm run token:generate
   

4. 启动服务：

   npm start
   

服务将在端口 3000 上启动（可配置），并全面支持 MCP 和 A2A 协议。

🔑 令牌管理

CLI 命令

# Generate a new MCP/A2A compliant token
npm run token:generate

# Refresh existing token
npm run token:refresh

# Validate current token compliance
npm run token:validate

# Show detailed token information
npm run token:info

# Export token metadata (no sensitive data)
npm run token:export

# Show help
npm run token:help

令牌功能

• 🛡️ 安全性：采用 AES-256-CBC 加密和安全的密钥管理
• ✅ 合规性：全面符合 MCP v1.0 和 A2A v1.0 协议
• 🔄 自动刷新：自动验证和刷新令牌
• 📊 监控：详细的令牌状态和使用情况跟踪

🏗️ 架构

smart-mcp-server/
├── src/
│   ├── archer/                    # Arrow server for agentic framework
│   ├── lib/
│   │   ├── token-manager.js       # Secure token management
│   │   ├── agents/                # AI agent implementations
│   │   └── ai-workflows/          # Workflow orchestration
│   ├── models/
│   │   └── drivers/               # AI model drivers (Gemini, OpenAI, Anthropic)
│   ├── tools/                     # MCP-compliant tool implementations
│   ├── routes/                    # API endpoints
│   └── middleware/                # Authentication, validation, etc.
├── examples/                      # Workflow examples and demos
├── scripts/                       # Management and utility scripts
├── docs/                          # Comprehensive documentation
└── public/                        # A2A agent discovery

🔌 API 端点

核心端点

• GET /health - 健康检查和系统状态
• POST /a2a/tasks - Agent-to-Agent 任务执行
• GET /.well-known/agent.json - Agent 发现（A2A 协议）

工作流管理

• GET /api/workflows - 列出所有可用工作流
• POST /api/workflows/:id/execute - 执行指定工作流
• GET /api/workflows/:id/status - 获取工作流执行状态

令牌管理

• POST /api/tokens/refresh - 刷新 API 令牌
• GET /api/tokens/info - 获取令牌信息
• POST /api/tokens/validate - 验证令牌合规性

工具集成

• GET /api/tools - 列出可用的 MCP 工具
• POST /api/tools/execute - 使用指定参数执行工具

🤖 AI 模型集成

Gemini 集成

import { GeminiDriver } from './src/models/drivers/gemini-driver.js';

const gemini = new GeminiDriver();
await gemini.initialize(); // Automatic token management

// Text generation with MCP compliance
const result = await gemini.generate({
  prompt: "Explain quantum computing",
  temperature: 0.7,
  maxTokens: 1024
});

// Streaming responses
for await (const chunk of gemini.stream({ prompt: "Write a story" })) {
  console.log(chunk.text);
}

// Embeddings
const embedding = await gemini.embedding({ 
  text: "Convert this to vector representation" 
});

多模型支持

import { ModelDriver } from './src/models/ModelDriver.js';

// Unified interface across all models
const models = {
  gemini: new GeminiDriver(),
  openai: new OpenAIDriver(),
  anthropic: new AnthropicDriver()
};

// Automatic model selection based on task
const bestModel = await ModelDriver.selectOptimal({
  task: "code_generation",
  requirements: { speed: "fast", quality: "high" }
});

🔄 工作流系统

定义工作流

在 examples/ 目录中创建工作流 JSON 文件：

{
  "id": "data-analysis-workflow",
  "name": "Data Analysis Pipeline",
  "description": "Comprehensive data analysis with AI insights",
  "version": "1.0",
  "mcp_compliant": true,
  "a2a_compliant": true,
  "steps": [
    {
      "id": "data-extraction",
      "type": "database-query",
      "tool": "mcp_database_tool",
      "parameters": {
        "query": "SELECT * FROM analytics_data WHERE date >= '{{start_date}}'"
      }
    },
    {
      "id": "ai-analysis",
      "type": "ai-processing",
      "tool": "mcp_gemini_tool",
      "parameters": {
        "model": "gemini-2.5-pro",
        "prompt": "Analyze this data and provide insights: {{data}}"
      },
      "depends_on": ["data-extraction"]
    },
    {
      "id": "report-generation",
      "type": "document-creation",
      "tool": "mcp_documentation_tool",
      "parameters": {
        "template": "analysis-report",
        "data": "{{ai-analysis.result}}"
      },
      "depends_on": ["ai-analysis"]
    }
  ]
}

执行工作流

# List available workflows
curl http://localhost:3000/api/workflows

# Execute a workflow
curl -X POST http://localhost:3000/api/workflows/data-analysis-workflow/execute \
  -H "Content-Type: application/json" \
  -d '{"start_date": "2024-01-01"}'

# Monitor execution
curl http://localhost:3000/api/workflows/execution-id-123/status

🛠️ 可用工具

GitHub 工具（mcp_github_tool）

// Repository analytics
const stats = await tools.mcp_github_search_repositories({
  query: "machine learning",
  sort: "stars",
  limit: 10
});

// Create pull request
const pr = await tools.mcp_github_create_pull_request({
  owner: "username",
  repo: "repository",
  title: "Feature: Add new functionality",
  body: "Description of changes",
  head: "feature-branch",
  base: "main"
});

系统健康工具（mcp_system_health_tool）

// Get system metrics
const health = await tools.mcp_system_health_check();
console.log(health); // { cpu: 45, memory: 67, status: "healthy" }

// Monitor performance
const metrics = await tools.mcp_system_performance_metrics({
  duration: "1h",
  interval: "5m"
});

文档工具（mcp_documentation_tool）

// Consolidate documentation
const docs = await tools.mcp_consolidate_documentation({
  source: "./docs",
  output: "./consolidated-docs.md",
  format: "markdown"
});

🔍 上下文感知工具选择

系统会根据上下文智能选择工具：

import { selectToolsForContext } from './src/context-aware-selector.js';

const context = {
  message: "Help me optimize this database query",
  history: ["SELECT * FROM users", "EXPLAIN ANALYZE"],
  project: { type: "database", language: "SQL" }
};

const selectedTools = selectToolsForContext(context, availableTools);
// Returns: [database-tool, performance-tool, query-optimizer]

🧪 测试

# Run all tests
npm test

# Test specific components
npm run test:integration
npm run test:tools
npm run test:workflows

# Test token management
npm run token:validate
npm run token:info

📊 监控与分析

实时指标

• 系统健康：CPU、内存、磁盘使用情况
• API 性能：响应时间、错误率
• 令牌使用情况：API 调用、配额监控
• 工作流执行：成功率、性能指标

日志记录

# View logs
tail -f logs/all.log
tail -f logs/error.log

# Workflow-specific logs
ls logs/workflow-test/

🔧 配置

环境变量

# Core Configuration
PORT=3000
NODE_ENV=production
LOG_LEVEL=info

# AI Models (automatically managed by token system)
GEMINI_MODEL=gemini-2.5-pro

# External Integrations
GITHUB_TOKEN=your_github_token
STRIPE_SECRET_KEY=your_stripe_key

# Database
POSTGRES_URL=postgresql://user:pass@localhost:5432/db
REDIS_HOST=127.0.0.1
REDIS_PORT=6379

Agent 配置

系统会通过 public/agent.json 自动公布其功能：

{
  "id": "smart-mcp-agent",
  "name": "Smart MCP Agent",
  "protocol_versions": {
    "mcp": "1.0",
    "a2a": "1.0"
  },
  "capabilities": [
    "workflow_execution",
    "token_management", 
    "model_interaction"
  ],
  "supported_models": [
    "gemini-2.5-pro",
    "gpt-4",
    "claude-3-opus"
  ]
}

🚀 高级用法

自定义工具开发

// Create a new MCP-compliant tool
export async function mcp_custom_tool(params) {
  const { input, options = {} } = params;
  
  try {
    // Tool implementation
    const result = await processInput(input, options);
    
    return {
      success: true,
      result,
      metadata: {
        mcp_compliant: true,
        execution_time: Date.now() - startTime
      }
    };
  } catch (error) {
    return {
      success: false,
      error: error.message,
      metadata: { mcp_compliant: true }
    };
  }
}

多 Agent 协调

// A2A protocol communication
const taskResult = await fetch('http://other-agent:3000/a2a/tasks', {
  method: 'POST',
  headers: { 'Content-Type': 'application/json' },
  body: JSON.stringify({
    task_description: "Analyze financial data",
    context: { timeframe: "Q4 2024" }
  })
});

📚 文档

可查阅以下详细文档：

• 令牌管理指南
• 工作流开发
• 工具集成
• A2A 协议指南
• 安全最佳实践

🔐 安全

• 🔒 令牌加密：对所有敏感数据进行 AES-256-CBC 加密
• 🛡️ 安全存储：文件权限和访问控制
• 🔄 自动轮换：自动刷新和验证令牌
• 📊 审计日志：全面记录安全事件
• 🚫 不硬编码机密信息：所有凭据均通过环境变量提供

🤝 参与贡献

欢迎贡献！请参阅我们的贡献指南。

1. Fork 此代码仓库
2. 创建功能分支：git checkout -b feature/amazing-feature
3. 编写代码并添加测试
4. 确保符合 MCP/A2A 规范
5. 提交拉取请求

开发环境设置

# Install development dependencies
npm install

# Run in development mode
npm run dev

# Run tests with coverage
npm run test:coverage

# Lint and format code
npm run lint
npm run format

📈 路线图

• 增强 AI 模型：集成更多 AI 提供商
• 高级工作流：可视化工作流构建器和编辑器
• 实时协作：支持多用户执行工作流
• 插件系统：第三方工具集成框架
• 云端部署：一键云端部署选项

📄 许可证

本项目基于 MIT 许可证授权，详情请参阅 LICENSE 文件。

🙏 致谢

• 感谢 Model Context Protocol 提供 MCP 规范
• 感谢 Google AI 提供 Gemini API 访问
• 感谢 OpenAI 支持 GPT 模型集成
• 感谢 Anthropic 支持 Claude 模型

📞 支持

• 问题反馈：GitHub Issues
• 讨论：GitHub Discussions
• 电子邮件：David Weatherspoon

---

为 AI Agent 生态系统倾情打造 ❤️

Smart MCP Server——通过安全且符合协议规范的基础设施，助力智能 Agent 协作。