chat-mcp

# Chat-MCP **一个用于在对话中调用MCP（Model Context Protocol）工具的Python客户端库** Chat-MCP 提供了一个简洁而强大的接口，让您能够轻松地将MCP服务器集成到AI agent项目中。通过两个简单的api，并配置好.env文件，就可以在开发agent和chat助手时高效的调用mcp服务。作为agentic项目的底层脚手架，分享大家使用。 ## 核心特性 - **简洁的API设计**: 二个主要接口覆盖所有使用场景，提高agent应用开发效率 - **优化提示词**: 提高tools调用的成功率，持续优化中 - **异步架构**: 完全基于asyncio的高性能处理 - **智能工具管理**: 自动工具收集、过滤和并行执行 - **多模型支持**: 通过LiteLLM支持多种LLM提供商，支持本地模型配置 ## 关键技术栈 - **[MCP Python SDK](https://github.com/modelcontextprotocol/python-sdk)**: Model Context Protocol的官方Python实现 - **[LiteLLM](https://docs.litellm.ai/)**: 统一的LLM API接口库，支持100+模型 - **[Pydantic](https://docs.pydantic.dev/)**: 数据验证和设置管理框架 ## 项目结构 ``` chat-mcp/ ├── docs/ # 详细的开发文档和规范 ├── src/chat_mcp/ # 主要源代码包 │ ├── tests/ # 测试套件 │ ├── __init__.py # 公共API导出 │ ├── easy_chat.py # 简化API接口 │ ├── ai_provider.py # LLM提供商集成 │ ├── mcp_service.py # MCP服务器管理 │ ├── mcp_chat_handler.py # 聊天处理逻辑 │ ├── ipc_handler.py # 进程间通信处理 │ └── mcp_types.py # 数据类型定义 ├── temp_arxiv_storage/ # ArXiv演示数据存储 ├── pyproject.toml # uv项目配置 ├── uv.lock # 依赖锁定文件 └── main.py # 演示入口 ``` ## 核心API ### MCPChatTool - 主要接口 ```python from chat_mcp import MCPChatTool # 创建聊天工具实例 chat_tool = MCPChatTool() # 启动MCP服务器，这里使用arxiv-mcp-server作为演示样例，可以添加多个不同的mcp server，只需要多次调用 server = await chat_tool.start_mcp_server( server_id="arxiv", name="ArXiv Research", command="uv", args=["tool", "run", "arxiv-mcp-server"] ) # 进行对话 result = await chat_tool.chat_with_mcp( user_message="搜索关于机器学习的最新论文", enabled_server_ids=["arxiv"] # 这里可以不设置enabled_server_ids,默认所有server都会被添加 ) ``` ## 安装 使用 [uv](https://github.com/astral-sh/uv) (推荐): ```bash uv add chat-mcp ``` 或使用 pip: ```bash pip install chat-mcp ``` ## 快速开始 1. **配置环境变量** (创建 `.env` 文件): LLM配置：使用litellm规范，可以自行配置，支持大部分模型包括自定义大模型 ```env OPENAI_API_KEY=your_openai_api_key OPENAI_API_BASE=https://api.openai.com/v1 LLM_MODEL=gpt-3.5-turbo ``` 如果是vllm本…