Unichat MCP Server in Python

Python 版 Unichat MCP 服务

另有 TypeScript 版

通过 MCP 协议，使用工具或预定义提示词向 OpenAI、Anthropic 和兼容 OpenAI 的服务商发送请求。对于 MistralAI、xAI、Google AI、DeepSeek、Alibaba 或 Inception 等兼容 OpenAI 的服务商，请将 UNICHAT_BASE_URL 设置为服务商兼容的 API 端点。 需要服务商 API 密钥

工具

该服务实现了一个工具：

• unichat：向 unichat 发送请求
  • 将 "messages" 作为必需的字符串参数
  • 返回响应

提示词

• code_review
  • 按照最佳实践审查代码，查找潜在问题并提出改进建议
  • 参数：
    • code（字符串，必需）：要审查的代码"
• document_code
  • 为代码生成文档，包括文档字符串和注释
  • 参数：
    • code（字符串，必需）：要添加注释的代码"
• explain_code
  • 详细说明一段代码的工作原理
  • 参数：
    • code（字符串，必需）：要解释的代码"
• code_rework
  • 按要求修改提供的代码
  • 参数：
    • changes（字符串，可选）：要应用的更改"
    • code（字符串，必需）：要重做的代码"

快速入门

安装

Claude Desktop

MacOS：~/Library/Application\ Support/Claude/claude_desktop_config.json Windows：%APPDATA%/Claude/claude_desktop_config.json

支持的模型：

可在此处查看当前支持的模型列表，以供 "SELECTED_UNICHAT_MODEL" 使用。请务必添加相应服务商的 API 密钥作为 "YOUR_UNICHAT_API_KEY"

示例：

"env": {
  "UNICHAT_MODEL": "gpt-5.4-mini",
  "UNICHAT_API_KEY": "YOUR_OPENAI_API_KEY"
}

对于使用自定义端点的兼容 OpenAI 的服务商：

"env": {
  "UNICHAT_MODEL": "PROVIDER_MODEL",
  "UNICHAT_API_KEY": "YOUR_PROVIDER_API_KEY",
  "UNICHAT_BASE_URL": "https://provider.example.com/v1"
}

设置 UNICHAT_BASE_URL 后，服务将接受配置的 UNICHAT_MODEL，而不再将其与 Unichat 内置的模型列表进行比对。

开发版／未发布服务配置

"mcpServers": {
  "unichat-mcp-server": {
    "command": "uv",
    "args": [
      "--directory",
      "{{your source code local directory}}/unichat-mcp-server",
      "run",
      "--locked",
      "unichat-mcp-server"
    ],
    "env": {
      "UNICHAT_MODEL": "SELECTED_UNICHAT_MODEL",
      "UNICHAT_API_KEY": "YOUR_UNICHAT_API_KEY"
    }
  }
}

已发布服务配置

"mcpServers": {
  "unichat-mcp-server": {
    "command": "uvx",
    "args": [
      "unichat-mcp-server"
    ],
    "env": {
      "UNICHAT_MODEL": "SELECTED_UNICHAT_MODEL",
      "UNICHAT_API_KEY": "YOUR_UNICHAT_API_KEY"
    }
  }
}

通过 Smithery 安装

要通过 Smithery 自动为 Claude Desktop 安装 Unichat：

npx -y @smithery/cli install unichat-mcp-server --client claude

开发

从源码全新安装

前置条件：Git、Python 3.11 或更高版本（如 pyproject.toml 中所声明），以及已加入 PATH 的 uv。只有使用下方可选的 MCP Inspector 时才需要 Node.js/npm。Shell 示例使用 Bash/Zsh 语法。

克隆仓库并还原锁定的依赖：

git clone https://github.com/amidabuddha/unichat-mcp-server.git
cd unichat-mcp-server
uv sync --locked

uv sync --locked 会创建项目本地的 .venv/，以可编辑模式安装项目，并从 uv.lock 还原依赖。如果锁文件需要更新，该命令会失败，而不会悄悄修改它。使用 uv run 时，无需激活虚拟环境或全局安装 Python 依赖。

设置与 Claude Desktop 示例中相同的环境变量，并将占位符替换为你的提供方的值：

export UNICHAT_MODEL="SELECTED_UNICHAT_MODEL"
export UNICHAT_API_KEY="YOUR_UNICHAT_API_KEY"
# Optional, for an OpenAI-compatible provider with a custom endpoint:
# export UNICHAT_BASE_URL="https://provider.example.com/v1"

服务会读取环境变量；它不会自行加载 .env 文件。对于 Claude Desktop，请将这些值放在上方所示的服务 env 配置中。

运行本地服务：

uv run --locked unichat-mcp-server

这是一个 stdio MCP 服务：通过 Claude Desktop 或下方的 Inspector 连接并与其交互。它不会启动网页或交互式聊天提示。可编辑安装足以运行该服务；如果还要使用已配置的 Hatchling 后端创建源码和 wheel 分发包：

uv build

软件包会写入 dist/。uv build 会在隔离环境中提供构建后端；无需全局安装 build 前端。运行时依赖由 uv.lock 锁定，但 pyproject.toml 中的 hatchling 构建要求未固定版本。

日常开发

编辑 src/ 下的文件后，重启服务或在 MCP 客户端中重新连接：

uv run --locked unichat-mcp-server

可编辑安装会使用当前源码。普通源码更改无需删除 .venv/、重新安装依赖或重建分发包。只有在需要更新软件包构件时才再次运行 uv build。拉取依赖清单和锁文件的更改后，运行 uv sync --locked，使环境与之保持一致。

此仓库未配置自动化测试套件或监视命令。使用下方的 Inspector 手动测试工具和提示词，并在更改后重启服务。

清理并重建现有检出副本

停止正在运行的服务，并在仓库根目录（即包含 pyproject.toml 和 uv.lock 的目录）运行这些命令。这些路径假设使用 uv 默认的项目本地环境：.venv/ 包含已安装的依赖和可编辑项目，dist/ 包含生成的源码/wheel 压缩包。

rm -rf .venv dist
uv sync --locked
uv build

这会重新创建环境和分发包。请保留 uv.lock、源码、配置、.env 文件和用户数据。build/ 和 wheels/ 等其他被忽略的名称并非此项目构建工作流的既定输出，因此不属于清理目标。可以继续使用全局 uv 缓存和 Python 安装。再次运行时，保留或重新设置上述环境变量，并使用 uv run --locked unichat-mcp-server。

有意更新依赖

依赖更新与还原是分开的。在有意更改 pyproject.toml 中的要求时，运行 uv lock 并检查生成的 uv.lock 更改，然后运行 uv sync --locked。例如，要在已声明的约束范围内有意升级现有依赖：

uv lock --upgrade-package unichat
uv sync --locked

检查锁文件更改，并在接受更新前检查服务行为。常规安装和重建应使用现有锁文件。

发布

发布是维护者单独执行的操作，不属于本地安装或重建流程。按照上述清理重建流程准备新的分发包，并在上传到 PyPI 前确认 dist/ 中仅包含预期的发行版本：

uv publish --token "YOUR_PYPI_API_TOKEN"

仓库还在 .github/workflows/publish.yml 中配置了发布工作流；当 main 上的 pyproject.toml 发生更改时会触发，也可手动触发。

调试

由于 MCP 服务通过 stdio 运行，调试可能颇具挑战。为了获得最佳调试体验，我们强烈建议使用 MCP Inspector。

你可以通过 npm 运行以下命令启动 MCP Inspector：

npx @modelcontextprotocol/inspector uv --directory "/path/to/unichat-mcp-server" run --locked unichat-mcp-server

启动后，Inspector 会显示一个 URL，你可以在浏览器中访问该 URL 并开始调试。

托管部署

可在 Fronteir AI 使用托管部署。