MCP Context AI Agent

MCPAI代理

提供方 chintakjoshi

AI代理 stdio · 本地进程 OAuth 授权 社区 / 第三方 Claude
查看接入方式

一个隐私优先的AI代理,持续关注您的数字生活并主动提供见解、警告和帮助,无需请求。

一句话选型结论

按资料字段整理

MCP Context AI Agent 属于AI代理类 MCP 服务器,stdio · 本地进程,OAuth 授权,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AI代理 传输方式stdio · 本地进程 鉴权OAuth 授权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 5 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

AI代理
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5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

隐私优先Python本地部署AI代理上下文感知主动提醒数字助手

安装与配置

stdio · 本地进程 OAuth 授权
客户端在本机拉起子进程,数据不出本机
pip install -r requirements.txt

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 Node.js 等运行时,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

    连接成功后客户端会列出约 5 个工具,随便调一个只读工具确认能返回结果。

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
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

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

  • 资料标注 5 个工具,职责相对集中,接入后不容易误操作。
  • 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。

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。
  • 使用前要准备好OAuth 授权对应的凭据,并按最小权限配置。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理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。
  • 不方便管理密钥或第三方授权的人。
  • 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 Context AI Agent当前 5 stdio · 本地进程 本地部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
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chintakjoshi上游标注的维护方 chintakjoshi
分类AI代理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OAuth 授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 · 未标注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

11.2 KB
来自项目仓库与上游目录的原文,未做删改

主动上下文感知个人AI

> 隐私优先的人工智能代理,保持对您数字生活的持续感知,并主动提供见解、警告和帮助,而无需询问。

概述

该项目重新构想了个人人工智能助理的范式。该系统创建了一个 持续的、尊重隐私的记忆 您的目标、项目和习惯,成为真正的数字合作伙伴。

问题

当前的人工智能助手是上下文无关的,无状态的。他们:

  • 忘记谈话之间的一切
  • 要求您每次手动提供上下文
  • 等待你提问,而不是预测需求
  • 没有意识到你正在进行的项目和承诺

解决方案

一个主动的AI代理:

  • 维护持久上下文 在您的所有数字工具中
  • 预测您的需求 基于模式和即将发生的事件
  • 提供及时干预 未经提示
  • 从反馈中学习 随着时间的推移,提高其有用性
  • 尊重您的隐私 采用本地优先加密架构

建筑```

┌─────────────────┐ ┌──────────────────┐ ┌─────────────────┐
│ Data Sources │ │ MCP Servers │ │ Core AI Agent │
│ │ │ │ │ │
│ • Gmail │◄──►│ • mcp-gmail │◄──►│ • Context │
│ • Calendar │ │ • mcp-calendar │ │ Engine │
│ • Notion │ │ • mcp-notion │ │ • Alert System │
│ • Slack │ │ • mcp-slack │ │ • ML Models │
│ • Health APIs │ │ • mcp-health │ │ │
└─────────────────┘ └──────────────────┘ └─────────────────┘
│
▼
┌─────────────────┐
│ Vector DB & │
│ Memory System │
└─────────────────┘


### 核心组件

1. **MCP(模型上下文协议)服务器**:连接到数据源的安全、权限范围的连接器
1. **上下文引擎**:持续处理数据流并保持动态的“用户状态”
1. **矢量存储器**:基于ChromaDB的数字活动历史语义搜索
1. **警报分类系统**:ML驱动的过滤器,学习什么是有用的干预
1. **主动代理**:协调所有组件并提供及时的见解

## 主要特点

### 主动干预

**会议情报**```
"You have a meeting with Acme Corp in 30 minutes. Your last email to them
was about Q4 pricing, and the attached proposal document you're working on
hasn't been saved in 2 hours. Would you like to open it?"

项目连续性```
"I've noticed three emails from different team members about 'Project Phoenix'
this week, but it's not on your official project list in Notion. Should I
create a summary page?"


**健康监测**```
"Your screen time and calendar stress metrics have been high this week.
I've blocked a 1-hour 'focus time' slot for you tomorrow afternoon."

技术创新

  • 持续学习管道:从MCP流中获取数据,更新矢量数据库,并生成智能压缩摘要
  • 因果推断:ML模型学习有意义的相关性与噪声,并通过反馈回路进行自我改进
  • 隐私优先设计:在本地运行或使用E2E加密;MCP的权限模型确保数据隔离
  • 智能投票:基于数据源更新模式的自适应轮询间隔
  • 语义上下文匹配:用于跨源关系发现的向量嵌入

入门指南

先决条件

  • Python 3.10+
  • Docker&Docker编写
  • 您的数据源(Gmail、日历等)的API凭据
  • 建议使用8GB+RAM

安装

  1. 克隆存储库```bash
    git clone https://github.com/yourusername/proactive-ai.git
    cd proactive-ai

2. **设置项目结构**```bash
mkdir -p core-agent/src/{context_engine,alert_system,memory,models}
mkdir -p mcp-servers/{gmail,calendar,notion,slack,shared}
mkdir -p frontend data config
  1. 安装核心依赖项```bash
    cd core-agent
    pip install -r requirements.txt

4. **配置环境变量**```bash
cp .env.example .env
# Edit .env with your API keys and credentials
  1. 设置数据源凭据```bash

Place your OAuth credentials in config/

- gmail_credentials.json

- calendar_credentials.json

- notion_token.txt


6. **使用Docker Compose启动**```bash
docker-compose up -d

快速测试

运行一个最小测试来验证设置:```bash
python core-agent/src/test_setup.py


这将:

- 初始化矢量数据库
- 创建模拟MCP服务器
- 测试上下文提取
- 验证警报生成

## 项目结构```
mcp-context-ai-agent/
├── core-agent/                 # Main AI agent
│   ├── src/
│   │   ├── context_engine/     # Context processing and extraction
│   │   │   └── engine.py
│   │   ├── alert_system/       # Alert generation and triage
│   │   │   └── triage.py
│   │   ├── memory/             # Vector database interface
│   │   │   └── vector_store.py
│   │   ├── models/             # ML models for prediction
│   │   └── main_agent.py       # Main orchestration loop
│   └── requirements.txt
├── mcp-servers/                # MCP server implementations
│   ├── shared/
│   │   └── base_server.py      # Base MCP server class
│   ├── gmail/                  # Gmail integration
│   ├── calendar/               # Calendar integration
│   ├── notion/                 # Notion integration
│   └── slack/                  # Slack integration
├── client/                   # Web interface (optional)
├── data/                       # Local data storage
├── config/                     # Credentials and config files
├── docker-compose.yml
└── README.md

🔧 配置

MCP服务器配置

每个MCP服务器都通过以下方式配置 config/mcp_config.json:```json
{
"servers": {
"gmail": {
"enabled": true,
"poll_interval": 300,
"credentials_path": "config/gmail_credentials.json"
},
"calendar": {
"enabled": true,
"poll_interval": 600,
"credentials_path": "config/calendar_credentials.json"
}
}
}


### 警报系统配置

调整警报阈值 `config/alerts_config.json`:```json
{
"meeting_reminder_minutes": 30,
"min_alert_confidence": 0.7,
"working_hours": {
"start": "09:00",
"end": "18:00"
},
"alert_cooldown_minutes": 60
}

运作原理

1.数据收集

MCP服务器持续轮询您的数据源:

  • 日历:即将召开的会议、日程安排变更
  • Gmail:新电子邮件、帖子、附件
  • 概念:项目更新、任务更改
  • Slack:团队沟通,提及

2.上下文提取

上下文引擎将原始数据处理为语义实体:

  • 确定会议、项目、任务、沟通
  • 计算重要性分数
  • 发现实体之间的关系
  • 生成用于语义搜索的向量嵌入

3.内存存储

实体存储在ChromaDB中,用于快速语义检索:

  • 矢量嵌入实现了“基于意义”的搜索
  • 元数据允许按时间、重要性、类型进行过滤
  • 压缩摘要使上下文窗口易于管理

4.警报生成

该系统识别可操作的模式:

  • 即将召开的会议,其中包含未保存的相关文档
  • 任务管理器中未跟踪项目提及
  • 暗示压力或超负荷的沟通模式
  • 日程冲突或重复预订

5.警报分类

ML模型过滤警报以防止通知疲劳:

  • 基于规则的初始方法(工作时间、优先级阈值)
  • 从用户反馈中学习(解雇、采取的行动)
  • 随着反馈的积累,定期回放
  • 适应个人喜好和工作模式

6.主动交付

已验证的警报通过以下方式传递:

  • 桌面提醒
  • Web仪表板
  • 移动应用程序(可选)
  • 每日摘要电子邮件

隐私和安全

该项目的设计以隐私为核心原则:

当地第一建筑

  • 所有处理都发生在您的计算机或专用服务器上
  • 没有数据发送给外部人工智能提供商(通过Ollama使用本地LLM)
  • ChromaDB使用加密存储在本地运行

MCP权限模型

  • 每个MCP服务器只能访问其数据源
  • Gmail服务器无法访问您的健康数据
  • 日历服务器无法读取您的电子邮件
  • 每个数据源都需要明确同意

数据加密

  • 所有静态加密存储的凭据
  • 数据库可选E2E加密
  • OAuth流的安全令牌管理

数据保留

  • 可配置的保留策略(默认值:90天)
  • 自动修剪旧上下文数据
  • 用户控制的数据删除

路线图

第一阶段:基础(第1-4周)

  • [x] 项目结构设置
  • [x] 基本MCP服务器实现
  • [x] 矢量数据库集成
  • []日历和Gmail集成
  • []简单的基于规则的警报

第二阶段:智力(第5-8周)

  • []具有实体提取功能的上下文引擎
  • []跨源关系发现
  • []警报分流ML模型
  • []反馈收集系统

第三阶段:扩张(第9-12周)

  • []概念整合
  • []Slack集成
  • []健康API集成
  • []Web仪表板用户界面

第4阶段:优化(第13-16周)

  • []性能调整
  • []ML模型改进
  • []移动应用程序(可选)
  • []高级个性化

贡献

欢迎投稿!这个项目雄心勃勃,从不同的角度受益。

贡献领域

  • 其他MCP服务器实现(GitHub、Todoist等)
  • 用于警报分类的ML模型改进
  • 隐私保护技术
  • 仪表板的UI/UX
  • 文件和示例

开发设置

  1. 复刻仓库
  2. 创建要素分支: git checkout -b feature/amazing-feature
  3. 进行更改并添加测试
  4. 承诺: git commit -m 'Add amazing feature'
  5. 推: git push origin feature/amazing-feature
  6. 打开拉取请求

性能注意事项

资源使用情况

  • 记忆:~2-4GB用于矢量数据库和模型
  • 中央处理器:闲置时最小;上下文处理过程中的尖峰
  • 存储:每月约100MB的上下文数据(因使用情况而异)

优化提示

  • 根据数据源更新频率调整轮询间隔
  • 使用较小的嵌入模型以加快处理速度
  • 实施增量更新而不是完整扫描
  • 缓存频繁访问的上下文实体

故障排除

常见问题

MCP服务器连接失败```bash

Check server logs

docker-compose logs mcp-calendar

Verify credentials

cat config/calendar_credentials.json


**矢量数据库查询速度慢**```bash
# Rebuild index
python core-agent/src/memory/rebuild_index.py

警报过多/过少

  • 调整 min_alert_confidence 在alertsconfig.json中
  • 提供更多反馈以改进ML模型
  • 检查工作时间配置

延伸阅读

  • MCP协议规范
  • ChromaDB文档
  • 上下文管理的快速工程
  • 构建保护隐私的人工智能系统

许可证

此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。

致谢

  • 受情境感知计算和主动人工智能研究的启发
  • 基于模型上下文协议(MCP)构建
  • 使用ChromaDB进行矢量存储
  • 利用句子变换器进行嵌入

备注:这是一个探索主动人工智能辅助界限的实验项目。在执行系统建议的任何操作之前,始终对其进行审查和验证。

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 Context AI Agent 怎么安装?

在客户端按下面的安装命令接入:pip install -r requirements.txt。装完在客户端配置里引用同一个包或端点。

MCP Context AI Agent 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 Context AI Agent 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 Context AI Agent 需要 API Key 吗?

资料标注需要OAuth 授权认证,使用前准备好对应凭据,并按最小权限配置。

MCP Context AI Agent 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 Context AI Agent 能提供哪些能力?

资料显示约 5 个工具;能力标签包括 上下文感知、Python、Claude。具体工具清单以官方文档为准。

MCP Context AI Agent 需要什么运行环境?

属于本地进程,需要在本机装好运行环境。

MCP Context AI Agent 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。