✨ 特性

• 🎯 智能任务分析 - 自动分析用户任务，提取关键信息
• 🔍 工具推荐 - 基于任务特点智能推荐最适合的 MCP 工具
• 🧠 LLM 集成 - 集成大语言模型进行高级分析
• 🔄 上下文管理 - 智能维护任务执行过程中的上下文信息
• 🔌 工具发现 - 自动发现和集成可用的 MCP 工具
• 🚀 高性能 - 异步处理，快速响应
• 📦 易扩展 - 模块化设计，便于扩展

🚀 快速开始

环境要求

• Node.js >= 16.0.0
• npm >= 7.0.0

安装

# 克隆仓库
git clone https://github.com/Lutra23/mcp-assistant-server.git

# 进入项目目录
cd mcp-assistant-server

# 安装依赖
npm install

配置

1. 复制配置文件模板：

cp mcp-config.json.example mcp-config.json

2. 根据需要修改 mcp-config.json 配置，现在只支持硅基流动api调用：

{
  "port": 3000,
  "logLevel": "info",
  "llm": {
    "apiKey": "your-api-key"
  }
}

运行

# 开发模式
npm run dev

# 生产模式
npm run build
npm start

📚 在 Cline 中使用

配置 MCP 服务器

1. 打开 Cline 的 MCP 设置文件：

# Linux/WSL
~/.vscode-server/data/User/globalStorage/rooveterinaryinc.roo-cline/settings/cline_mcp_settings.json

# macOS
~/Library/Application Support/Code/User/globalStorage/rooveterinaryinc.roo-cline/settings/cline_mcp_settings.json

# Windows
%APPDATA%\Code\User\globalStorage\rooveterinaryinc.roo-cline\settings\cline_mcp_settings.json

2. 添加服务器配置：

{
  "mcpServers": {
    "assistant": {
      "command": "node",
      "args": ["/path/to/mcp-assistant-server/build/index.js"],
      "env": {
        "PORT": "3000",
        "LOG_LEVEL": "info"
      }
    }
  }
}

使用示例

在 Cline 中，你可以使用以下工具：

// 分析任务
<use_mcp_tool>
<server_name>assistant</server_name>
<tool_name>analyze_task</tool_name>
<arguments>
{
  "description": "获取天气信息并保存到文件",
  "context": {
    "location": "上海",
    "format": "json"
  }
}
</arguments>
</use_mcp_tool>

// 推荐工具
<use_mcp_tool>
<server_name>assistant</server_name>
<tool_name>recommend_tools</tool_name>
<arguments>
{
  "taskId": "task-123",
  "useHybridRecommendation": true
}
</arguments>
</use_mcp_tool>

📚 在 Cursor 中使用

配置 MCP 服务器

1. 打开 Cursor 的配置文件：

# Linux
~/.cursor/cursor_config.json

# macOS
~/Library/Application Support/Cursor/cursor_config.json

# Windows
%APPDATA%\Cursor\cursor_config.json

2. 添加 MCP 服务器配置：

{
  "mcpServers": {
    "assistant": {
      "command": "node",
      "args": ["/path/to/mcp-assistant-server/build/index.js"],
      "env": {
        "PORT": "3000",
        "LOG_LEVEL": "info"
      }
    }
  }
}

使用方式

在 Cursor 中，你可以通过命令面板（Cmd/Ctrl + Shift + P）使用以下命令：

1. MCP: 分析任务 - 分析当前选中的代码或文本
2. MCP: 推荐工具 - 获取针对当前任务的工具推荐
3. MCP: 更新上下文 - 更新任务上下文信息

也可以通过 Cursor API 在插件中使用：

import { workspace } from 'cursor';

// 分析任务
const analysis = await workspace.mcp.callTool('assistant', 'analyze_task', {
  description: '当前任务描述',
  context: {
    // 上下文信息
  }
});

// 获取工具推荐
const recommendations = await workspace.mcp.callTool('assistant', 'recommend_tools', {
  taskId: 'current-task-id'
});

🎯 核心功能

任务分析器

分析用户输入的任务描述，提取关键信息：

• 任务类型识别
• 参数提取
• 上下文关联
• 依赖分析

工具推荐系统

根据任务特点智能推荐工具：

• 基于规则的推荐
• 混合推荐算法
• 上下文感知
• 历史数据分析

上下文管理器

维护任务执行过程中的上下文信息：

• 状态追踪
• 数据持久化
• 会话管理
• 错误恢复

📦 项目结构

src/
├── controllers/     # 控制器层
│   └── LLMApiController.ts
├── core/           # 核心功能实现
│   ├── TaskAnalyzer.ts
│   ├── ToolRecommender.ts
│   └── ContextManager.ts
├── services/       # 服务层
│   ├── LLMService.ts
│   └── MCPDiscoveryService.ts
├── routes/         # 路由定义
│   └── llmApiRoutes.ts
└── types/          # 类型定义
    └── interfaces.ts

🔌 API 文档

详细的 API 文档请查看 API 文档。

🤝 贡献指南

我们欢迎所有形式的贡献，无论是新功能、文档改进还是问题反馈。详情请查看 贡献指南。

📄 更新日志

查看 CHANGELOG.md 了解详细的更新历史。

📝 开源协议

本项目采用 MIT 许可证 - 查看 LICENSE 了解详情。

🙏 致谢

感谢所有为这个项目做出贡献的开发者们！