Demo Ts MCP Client Server

MCP运维云端

提供方 bertrandgressier

运维云端 未标注 API Key 社区 / 第三方

一个展示如何使用模型上下文协议(MCP)扩展AI模型功能的客户端-服务器交互示例。

一句话选型结论

按资料字段整理

Demo Ts MCP Client Server 属于运维云端类 MCP 服务器,传输方式未标注,API Key,没有现成安装命令,需按官方文档接入。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。

分类运维云端 传输方式未标注 鉴权API Key 部署方式未标注
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

运维云端
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

适用场景

AI扩展TypeScript本地部署客户端-服务器工具集成模型协议

安装与配置

未标注 API Key
上游未给出传输方式
  1. 1
    准备运行环境

    按官方文档确认运行环境(常见为 Node.js 或 Python),装好后再执行安装命令。

  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
云资源查询

查实例、存储、账单等云上资源状态。

部署与发布

把部署、重启、回滚这类操作接进对话。

监控与告警

拉取监控指标,异常时让模型帮你判断。

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

  • 基础信息齐全,可以先按官方文档接入试跑。

先想清楚的地方

  • 没有现成安装命令,需要按官方文档自己填启动命令和参数。
  • 使用前要准备好API Key对应的凭据,并按最小权限配置。
  • 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

  • 需要在运维云端场景里让模型直接调用外部能力的人。
  • 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

  • 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
Demo Ts MCP Client Server当前 未标注 未标注 未标注 无 2026-05-17
lobehub 未标注 stdio · 本地进程 本地部署 有 2026-04-11
TrendRadar 未标注 stdio · 本地进程 本地部署 有 2026-04-13
Ui Tars Desktop 8a825770 未标注 stdio · 本地进程 本地部署 有 2026-05-17
ruflo 未标注 stdio · 本地进程 本地部署 有 2026-04-13
FastGPT 未标注 stdio · 本地进程 本地部署 有 2026-04-11

服务器档案

运维云端
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bertrandgressier上游标注的维护方 bertrandgressier
分类运维云端本站按上游分类展示
连接方式未标注上游未给出传输方式
鉴权方式API Key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
部署类型未标注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

4.3 KB
来自项目仓库与上游目录的原文,未做删改

演示MCP基础

该项目演示了使用 模型上下文协议(MCP).MCP允许AI模型,如通过AI SDK访问的模型(例如Google Gemini/Vertex AI),安全地发现和利用由单独服务器进程提供的外部工具或资源。

在这个例子中:

  • 这 服务器 (src/server/)充当MCP提供商,提供简单的计算工具(加法、减法等)。
  • 这 客户端 (src/client/)使用AI SDK与Google AI模型交互,并连接到MCP服务器,使服务器的工具在生成过程中可供AI使用。

此设置说明了如何通过允许AI模型访问托管在MCP服务器上的自定义功能来扩展AI模型的功能。

先决条件

  • Node.js(版本>=23.0.0,如中所述 package.json)
  • npm(附带Node.js)
  • 谷歌人工智能(Gemini)API密钥。您可以从以下网址获得一个 谷歌人工智能工作室.(使用Gemini型号时需要)。

设置

  1. 克隆存储库:```bash
    git clone git@github.com:bertrandgressier/demo-ts-mcp-client-server.git
    cd demo-mcp-basic

1. **安装依赖项:**```bash
npm install
  1. 创建环境文件:
    复制示例环境文件 .env.example 到名为的新文件 .env:```bash
    cp .env.example .env

然后,编辑 `.env` 文件,以添加实际的API密钥和配置。必需和可选变量是:```dotenv
# Required for Google Studio Models (Gemini)
GOOGLE_API_KEY=YOUR_GOOGLE_API_KEY

# Required for Google Vertex AI Models
VERTEX_PROJECT_ID=YOUR_VERTEX_PROJECT_ID

# Optional: Defaults to 'us-central1' if not set
# VERTEX_LOCATION=your-vertex-location

# Optional: Path to Vertex AI service account key file. Defaults to 'vertex-key.json' in the root if not set.
# VERTEX_KEY_FILE=path/to/your/vertex-key.json

替换 YOUR_GOOGLE_API_KEY 和 YOUR_VERTEX_PROJECT_ID 凭你的真实证件。
如果使用Vertex AI密钥文件,请确保其放置正确(例如,在根中作为 vertex-key.json 或提供正确的路径 VERTEX_KEY_FILE).

  • 重要提示: 这 .gitignore 文件已配置为防止 .env 和 vertex-key.json 从提交到Git。

可用脚本

  • 构建TypeScript:```bash
    npm run build

从编译TypeScript代码 `src` JavaScript在 `dist`.

- **启动生产服务器:**```bash
npm run start
# or specifically
npm run start:server

构建项目(如果尚未构建)并从运行编译的服务器 dist/server/server.js.

  • 开始生产客户端:```bash
    npm run start:client

从运行编译后的客户端 `dist/client/client.js`.

- **在开发模式下运行服务器:**```bash
npm run dev:server

使用直接运行服务器 ts-node (或类似通过 --experimental-transform-types)而不需要单独的构建步骤。

  • 使用Watch在开发模式下运行服务器:```bash
    npm run dev:server:watch

使用运行服务器 `nodemon`,在检测到更改时自动重新启动它 `src/server` 目录。

- **在开发模式下运行客户端:**```bash
npm run dev:client

使用直接运行客户端 ts-node (或类似)。

客户端示例(src/client/client.ts)

主要示例客户端脚本演示了以下内容:

  1. 连接到MCP服务器: 建立与本地运行的MCP服务器的连接(预计在 http://localhost:3001/sse).
  2. 提取工具: 检索连接的服务器提供的工具列表。
  3. 配置AI模型: 使用AI SDK(generateText)配置Google AI模型(Gemini通过API Key或Vertex AI,具体取决于中设置的环境变量 .env 并且可能 src/models/google-ai-provider.ts).
  4. 执行提示: 发送提示(6 + 12)以及指示AI使用所获取的工具来解决计算的系统消息。
  5. 输出结果: 打印人工智能模型在可能使用服务器提供的工具后生成的最终文本响应。

此客户端是应用程序如何与MCP服务器交互以在AI生成流中利用其工具的基本说明。

项目结构

  • src/:包含TypeScript源代码。
  • client/:MCP客户端应用程序的代码。
  • server/:MCP服务器应用程序的代码。
  • model.ts:处理AI模型初始化和环境变量加载。
  • dist/:包含编译的JavaScript代码(运行后 npm run build).
  • .env:存储环境变量(API密钥等)- 不要提交此文件。
  • package.json:项目元数据和依赖关系。
  • tsconfig.json:TypeScript编译器配置。

常见问题

5 问
答案由本站依据条目字段整理,不引用上游原文
Demo Ts MCP Client Server 怎么安装?

资料没有给出安装命令,请到官方仓库或文档按说明接入;这类条目多数是生态应用,或尚未发布可安装包。

Demo Ts MCP Client Server 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

Demo Ts MCP Client Server 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。

Demo Ts MCP Client Server 需要 API Key 吗?

资料标注需要API Key认证,使用前准备好对应凭据,并按最小权限配置。

Demo Ts MCP Client Server 能提供哪些能力?

资料显示能力标签包括 AI扩展、TypeScript、工具集成、API密钥。具体工具清单以官方文档为准。

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。