MCP Chat Assistant

MCP开发工具

提供方 Kuldeepkolage

开发工具 stdio · 本地进程 无需鉴权 社区 / 第三方 Claude
查看接入方式

一个基于Model Context Protocol (MCP)和本地LLM (Ollama)构建的强大命令行AI聊天助手,支持智能、上下文感知的对话,无需依赖付费API。

一句话选型结论

按资料字段整理

MCP Chat Assistant 属于开发工具类 MCP 服务器,stdio · 本地进程,无需鉴权,可直接接入 Claude,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类开发工具 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 1 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

开发工具
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

支持客户端

适用场景

命令行工具Python本地部署AI聊天上下文感知离线运行文档检索

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
Python 3.9+

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
代码与仓库操作

在对话里直接查代码、提 issue、走 PR,省掉来回切工具。

本地命令与脚本

把构建、测试、格式化这类重复命令交给模型执行。

接口联调与测试

让模型调你的接口、跑一遍用例,快速定位问题。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 已适配 Claude,换客户端不用重新研究配置。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在开发工具场景里让模型直接调用外部能力的人。
  • 已经在用 Claude 的用户,接入路径最短。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
MCP Chat Assistant当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Git 838e2ec1 12 stdio · 本地进程 本地部署 有 2026-05-17
Markitdown MCP 2c653a5f 1 stdio · 本地进程 本地部署 有 2026-05-17
JavaGuide 未标注 stdio · 本地进程 本地部署 有 2026-04-11
awesome-claude-skills 未标注 stdio · 本地进程 本地部署 有 2026-04-26
Context7 831acf40 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

开发工具
字段来自项目仓库与公开索引,中文说明由本站标注
提供方Kuldeepkolage上游标注的维护方 Kuldeepkolage
分类开发工具本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

3.8 KB
来自项目仓库与上游目录的原文,未做删改

🚀 MCP聊天助手

> ⚡ 一个强大的命令行AI聊天机器人,使用 模型上下文协议(MCP) 和 当地LLM(Ollama) --实现智能、上下文感知的对话,而无需依赖付费API。


✨ 特性

  • 🤖 交互式人工智能聊天机器人(基于CLI)
  • 🧠 上下文感知对话处理(RAG风格提示)
  • 📄 使用文档检索 @filename
  • ⚙️ 基于命令的执行使用 /commands
  • 🔌 通过MCP(模型上下文协议)可扩展的工具架构
  • 💻 完全运行 离线 使用Ollama(无API成本)

🧑‍💻 技术栈

  • 语言: python
  • 架构: 模型上下文协议(MCP)
  • LLM Ollama(calla3-本地推理)
  • CLI框架: 提示工具包
  • 环境管理: python dotenv
  • 包管理器(可选): 紫外线

📸 演示```bash

> what's 1+1?
2
> Tell me about @report.pdf
The report.pdf document contains information about...
> /summarize deposition.md
📦 Prerequisites
Python 3.9+
Ollama installed → https://ollama.com
⚙️ Setup
1️⃣ Configure Environment Variables

Create a .env file in the root directory:

CLAUDE_MODEL=llama3
2️⃣ Install Dependencies
Option 1: Using uv (Recommended)
pip install uv
uv venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
uv pip install -e .
uv run main.py
Option 2: Without uv
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install python-dotenv prompt-toolkit "mcp[cli]==1.8.0" ollama
python main.py
🧠 Usage
💬 Basic Chat
> Hello
📄 Document Retrieval

Use @filename to include document context:

> Tell me about @deposition.md
⚙️ Commands

Execute MCP-defined commands:

> /summarize deposition.md
🏗️ Project Structure
MCP-Chat-Assistant/
│
├── core/
│ ├── chat.py # Core chat logic
│ ├── claude.py # LLM interface (Ollama-based)
│ ├── cli.py # CLI controller
│ ├── cli_chat.py # CLI + MCP integration
│ └── tools.py # MCP tool management
│
├── mcp_client.py # MCP client (tool + resource access)
├── mcp_server.py # MCP server (documents + tools)
├── main.py # Entry point
├── .env # Environment config
└── README.md
⚠️ Note on Tool Execution

This project fully implements the MCP architecture, including tools and resources.

However:

🔹 Ollama (local LLM) does not support native tool-calling
🔹 Tool execution logic is preserved but currently disabled
🔹 System still supports context-based document retrieval (RAG)

👉 This architecture can be extended with OpenAI/Anthropic APIs for full tool execution.

🚀 Future Improvements
🧠 Persistent memory (chat history storage)
🌐 Web UI (React / Next.js frontend)
🔊 Voice input/output integration
☁️ Hybrid mode (local + API-based LLM)
🧩 Advanced MCP tool execution with function-calling LLMs
🎯 Learning Outcomes
Deep understanding of Model Context Protocol (MCP)
Building AI systems with client-server architecture
Implementing RAG (Retrieval-Augmented Generation)
Integrating local LLMs (Ollama) into applications
Handling real-world limitations of LLM tool usage
👨‍💻 Author

Kuldeep Kolage
🔗 GitHub: https://github.com/Kuldeepkolage

⭐ Support

If you found this project helpful:

⭐ Star this repository
🍴 Fork it
🚀 Build and improve on top of it

💡 This project demonstrates how modern AI systems can be built using local models, structured protocols, and scalable architecture — without relying on paid APIs.


```

常见问题

8 问
答案由本站依据条目字段整理,不引用上游原文
MCP Chat Assistant 怎么安装?

在客户端按下面的安装命令接入:Python 3.9+。装完在客户端配置里引用同一个包或端点。

MCP Chat Assistant 怎么在 Claude 里配置?

它的传输方式是stdio · 本地进程,在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,配置才会生效。

MCP Chat Assistant 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

MCP Chat Assistant 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

MCP Chat Assistant 支持哪些客户端?

资料标注支持 Claude;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

MCP Chat Assistant 能提供哪些能力?

资料显示能力标签包括 命令行工具、Python、Claude、上下文感知。具体工具清单以官方文档为准。

MCP Chat Assistant 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

MCP Chat Assistant 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。