MCP框架架构文档

1. 概述

MCP框架（Model Context Protocol Framework）是一个用于连接大语言模型（LLM）服务和工具的中间件系统。它提供了一个与OpenAI API兼容的接口，允许客户端应用通过标准API与不同的LLM服务进行交互，同时集成多种工具服务（MCP服务器）以增强AI助手的能力。

核心特性：

• 兼容OpenAI的聊天完成API(OpenAI Python SDK)

• 支持多种LLM服务提供商

• 插件化工具集成架构(ModelContextProtocol Python SDK)

• 会话管理

• 交互式工具调用

Related MCP server: OpenAPI MCP Server

2. 系统架构

MCP框架采用模块化的架构设计，主要由以下几个核心组件构成：

系统架构图

架构说明：

• 客户端应用通过HTTP API与MCP框架交互

• MCP框架处理请求并协调LLM服务和工具服务

• LLM服务客户端负责与不同的LLM提供商通信

• MCP管理器负责启动、管理和调用各种工具服务

• 会话管理器维护客户端会话状态

• 配置管理负责系统设置和参数

2.1 核心组件

LLM服务客户端 (LLMServiceClient)

负责与各种LLM服务（如OpenAI、Anthropic、Ollama、LM Studio等）进行通信。具有如下特性：

• 自动检测服务类型

• 统一的API调用接口

• 流式响应处理

• 健康检查和模型列表查询

MCP管理器 (MCPManager)

管理多个MCP工具服务器的连接和工具调用。主要功能：

• 启动和管理多个工具服务器

• 解析工具名称并路由工具调用

• 处理工具执行结果

• 提供系统中所有可用工具的列表

会话管理器 (SessionManager)

维护客户端会话状态。功能包括：

• 创建和管理会话

• 存储会话消息历史

• 会话超时处理和自动清理

• 会话数量限制

聊天处理器 (ChatHandler)

处理客户端的聊天请求，协调LLM服务和工具调用。主要功能：

• 处理聊天完成请求

• 管理工具交互

• 处理流式响应

• 构建系统提示和上下文

Web API (FastAPI应用)

提供与OpenAI兼容的REST API接口，用于客户端与系统交互。主要端点：

• /chat/completions - 聊天完成主端点

• /models - 获取可用模型列表

• /health - 系统健康检查

2.2 数据模型

系统使用Pydantic模型定义各种数据结构，主要包括：

• ChatMessage - 聊天消息格式

• ChatCompletionRequest - 客户端请求

• ChatCompletionResponse - API响应

• ModelObject - 模型信息

• ModelListResponse - 模型列表响应

3. 工作流程

3.1 启动流程

1. 程序执行入口为run.py，调用main.py中的main()函数

2. 设置日志系统

3. 加载配置文件(config.json)

4. 创建FastAPI应用

5. 初始化主要组件：

   • LLM服务客户端

   • MCP管理器

   • 会话管理器

   • 聊天处理器

6. 启动配置的MCP服务器

7. 启动Web服务器

3.2 请求处理流程

1. 客户端发送聊天完成请求到/chat/completions端点

2. API层接收请求并创建会话（如果不存在）

3. 聊天处理器增强请求（添加工具信息和系统提示）

4. 请求发送到LLM服务

5. 处理LLM响应并检查工具调用

6. 如有工具调用，执行工具并收集结果

7. 将工具结果添加到上下文

8. 继续与LLM交互直到完成任务

9. 将最终结果以流式方式返回给客户端

4. MCP工具服务

MCP框架支持多种工具服务器，每个服务器提供不同类型的工具。服务器通过stdio通信协议与框架交互。

当前配置的工具服务包括：

• 时间服务 (time) - 提供时间相关功能

• 文件系统服务 (filesystem) - 文件和目录操作

• 浏览器自动化服务 (firecrawl) - 网页抓取和自动化

• SQLite数据库服务 (sqlite) - 数据库操作

• 顺序思维服务 (sequential-thinking) - 增强模型思考能力

工具服务通过MCP客户端库(mcp)与框架通信，提供初始化、工具列表和执行功能。

5. 配置管理

系统配置使用config.json文件，主要包括：

• 服务器配置 - 主机、端口、CORS设置

• LLM服务配置 - 服务URL、默认模型、超时等

• MCP服务器配置 - 命令、参数、环境变量等

• 会话配置 - 超时、最大会话数

• 日志配置 - 日志级别和输出

配置由config.py模块加载和管理，提供全局配置访问。

6. 特殊功能

6.1 交互式工具调用

系统支持模型与工具之间的多轮交互，由tool_interactive.py实现：

• 存储工具执行结果

• 解析参数中的结果引用

• 提供上下文信息给模型

这使模型能够：

1. 调用工具获取信息

2. 查看执行结果

3. 基于结果决定下一步操作

4. 在后续工具调用中引用之前的结果

6.2 LLM服务适配

系统能够自动适配多种LLM服务：

• OpenAI API

• Azure OpenAI

• Anthropic

• Ollama

• LM Studio

• 通义千问(Qwen)

每种服务都有特定的认证方式和参数格式，系统自动处理这些差异。

7. 扩展性

MCP框架设计为易于扩展：

1. 添加新工具服务：在配置中添加新的MCP服务器定义

2. 支持新的LLM服务：扩展LLMServiceClient以添加新服务类型

3. 增加API功能：在FastAPI应用中添加新端点

4. 自定义系统提示：修改ChatHandler中的提示模板

8. 部署

系统支持多种部署方式：

• 本地运行：直接执行run.py

• Docker容器：使用提供的Dockerfile和docker-compose.yml

• 云服务：可部署在任何支持Python的云平台

系统依赖项在requirements.txt中定义。

9. 安全考虑

• 所有对LLM服务的请求都通过框架代理

• MCP工具服务以子进程形式运行，受限于框架的权限

• 会话有超时机制，防止资源耗尽

• 支持CORS设置以控制访问来源

10. 总结

MCP框架提供了一个灵活、可扩展的架构，用于集成大语言模型和工具服务。它使开发者能够创建功能强大的AI助手应用，同时保持系统的模块化和可维护性。

核心优势：

• 兼容OpenAI API的标准接口

• 灵活的工具集成机制

• 支持多种LLM服务提供商

• 交互式工具调用能力

• 模块化和可扩展的架构