My Chat Bot

MCP开发工具

提供方 Ruy41321

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

一个完全在本地运行的AI代码助手,通过RAG架构和MCP协议提供精确的代码问题解答,适用于离线开发环境。

一句话选型结论

按资料字段整理

My Chat Bot 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 Desktop、Claude、VS Code,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

AI代码助手Python本地部署RAG架构本地运行代码检索开发工具

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 -m venv venv

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 Desktop、Claude、VS Code,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 Desktop、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
My Chat Bot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Ruy41321上游标注的维护方 Ruy41321
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

9.7 KB
来自项目仓库与上游目录的原文,未做删改

🧠 MyChatBot — Local AI Code Assistant

Un assistente AI locale che gira interamente sulla tua macchina, anche offline. Usa deepseek-r1:32b tramite Ollama per rispondere a domande sui tuoi progetti di codice, grazie a un'architettura RAG (Retrieval-Augmented Generation) e un server MCP (Model Context Protocol).```
"Nel progetto IceSkating come funziona la fisica del movimento del player?"
→ L'AI cerca nel tuo codice, trova i file rilevanti, e risponde con dettagli precisi.


---

## 📐 Architettura```
┌─────────────────────────────────────────────────────────┐
│                    Browser (localhost:8000)              │
│              Dark theme chat UI + streaming              │
└──────────────────────┬──────────────────────────────────┘
│ WebSocket
┌──────────────────────▼──────────────────────────────────┐
│                  FastAPI Server (UI)                      │
│                 src/ui/server.py                          │
└────────┬─────────────────────────────┬──────────────────┘
│                             │
┌────────▼────────┐          ┌─────────▼─────────┐
│  RAG Retriever  │          │   LLM Client      │
│  ChromaDB +     │          │   Ollama async     │
│  rapidfuzz      │──context─▶   deepseek-r1:32b │
└────────┬────────┘          └─────────┬─────────┘
│                             │
┌────────▼────────┐          ┌─────────▼─────────┐
│  Sentence-      │          │   Ollama Server    │
│  Transformers   │          │   localhost:11434  │
│  (embeddings)   │          └───────────────────┘
└─────────────────┘

┌─────────────────────────────────────────────────────────┐
│              MCP Server (porta 8001)                     │
│         Strumenti indipendenti per client esterni        │
└─────────────────────────────────────────────────────────┘

🧩 Cos'è cosa? (Guida ai concetti)

🔄 RAG — Retrieval-Augmented Generation

Il problema: un LLM sa solo quello che ha appreso durante il training. Non conosce i tuoi file.

La soluzione RAG aggiunge un passaggio prima di chiedere al modello:```
1. CHUNKING Il tuo codice viene diviso in pezzi da ~1500 caratteri
Ogni funzione/classe diventa un "chunk"

  1. EMBEDDING Ogni chunk viene convertito in un vettore di 384 numeri
    Frasi simili → vettori vicini nello spazio
    Modello: all-MiniLM-L6-v2 (22MB, gira su CPU)

  2. INDEXING I vettori vengono salvati in ChromaDB (database vettoriale)
    Persistente su disco in data/chroma_db/

  3. RETRIEVAL Quando fai una domanda, la tua domanda viene convertita
    nello stesso spazio vettoriale e si cercano i chunk più simili
    (cosine similarity = quanto due vettori puntano nella stessa direzione)

  4. AUGMENTATION I chunk trovati vengono aggiunti al prompt come "contesto"
    "Ecco del codice rilevante: [chunk1] [chunk2] ..."

  5. GENERATION Il modello legge il contesto e genera una risposta informata


**Perché funziona anche con errori di battitura?**
- La ricerca semantica (embeddings) cattura il **significato**, non le parole esatte
- `rapidfuzz` aggiunge fuzzy matching sui nomi di progetto/file per casi limite
- Esempio: "fisika del movimiento" → vettorialmente vicino a "physics of movement"

### 🔌 MCP — Model Context Protocol

MCP è un **protocollo standard** (creato da Anthropic) per dare strumenti all'AI:```
Senza MCP:  L'AI può solo "parlare" — genera testo e basta
Con MCP:    L'AI può "agire" — leggere file, cercare codice, eseguire query

Concetti chiave:
- Tool — una funzione che l'AI può chiamare (es. read_file(path))
- Resource — un dato che l'AI può consultare (es. project://IceSkating/structure)
- Transport — come client e server comunicano (stdio per CLI, streamable-http per web)

Il nostro MCP server gira sulla porta 8001, separato dalla UI. Questo significa che in futuro puoi collegarlo a Claude Desktop, VS Code, o qualsiasi client MCP senza modificare nulla.

🦙 Ollama

Ollama è il runtime locale per modelli LLM:
- Scarica e gestisce i pesi del modello (~20GB per deepseek-r1:32b)
- Espone un'API HTTP su localhost:11434
- Gestisce automaticamente CPU/GPU, quantizzazione, context window
- Nel nostro progetto, il Python ollama package chiama questa API


⚡ Quickstart

Prerequisiti (da installare manualmente)

Software Versione Verifica
Python 3.12+ python --version
Ollama latest ollama --version
deepseek-r1:32b — ollama list (deve comparire)

> Hardware consigliato: 32GB RAM, SSD. Il modello 32B usa ~20GB di RAM quando attivo.

Setup (una volta sola)```bash

1. Clona o entra nella cartella del progetto

cd C:\Users\Luigi\Developing\Personal\MyChatBot

2. Crea un virtual environment

python -m venv venv

3. Attivalo

Windows:

venv\Scripts\activate

Linux/Mac:

source venv/bin/activate

4. Installa PyTorch CPU-only (risparmia ~1.5GB)

pip install torch --index-url https://download.pytorch.org/whl/cpu

5. Installa le dipendenze

pip install -r requirements.txt

6. (Opzionale) Copia e personalizza la configurazione

copy .env.example .env


### Avvio```bash
# Un solo comando avvia TUTTO (Ollama, indicizzazione, MCP, UI)
python launch.py

Il browser si aprirà automaticamente su http://localhost:8000.

Chiusura

  • Ctrl+C nel terminale → tutti i servizi si fermano ordinatamente
  • Oppure chiudi il terminale → stessa cosa

📁 Struttura del Progetto```

MyChatBot/
├── launch.py # 🚀 Entry point — avvia tutto
├── requirements.txt # 📦 Dipendenze Python
├── .env.example # ⚙️ Template configurazione
├── .gitignore
├── copilot_instructions.md # 🤖 Regole per GitHub Copilot
├── README.md # 📖 Questo file
│
├── src/
│ ├── config.py # ⚙️ Configurazione centralizzata
│ │
│ ├── rag/ # 🔍 Retrieval-Augmented Generation
│ │ ├── chunker.py # Divide i file in pezzi
│ │ ├── indexer.py # Indicizza i progetti in ChromaDB
│ │ └── retriever.py # Cerca i chunk più rilevanti
│ │
│ ├── llm/ # 🧠 Integrazione LLM
│ │ ├── client.py # Wrapper async per Ollama
│ │ └── prompts.py # Template dei prompt di sistema
│ │
│ ├── mcp/ # 🔌 Model Context Protocol
│ │ ├── server.py # Server MCP (porta 8001)
│ │ └── tools.py # Definizione degli strumenti
│ │
│ └── ui/ # 🎨 Interfaccia utente
│ ├── server.py # FastAPI + WebSocket
│ └── static/ # Frontend (HTML/CSS/JS)
│ ├── index.html
│ ├── style.css
│ └── script.js
│
├── docker/ # 🐳 Containerizzazione (opzionale)
│ ├── Dockerfile
│ └── docker-compose.yml
│
└── data/ # 💾 Dati persistenti (gitignored)
└── chroma_db/ # Database vettoriale


---

## 🐳 Docker (opzionale)

Docker containerizza solo l'app Python. **Ollama rimane sull'host** per massime performance (accesso diretto a CPU/RAM, nessun overhead).```bash
# Avvia
docker-compose -f docker/docker-compose.yml up --build

# Ferma
docker-compose -f docker/docker-compose.yml down

> Nota: il container comunica con Ollama sull'host tramite host.docker.internal:11434. Assicurati che Ollama sia in esecuzione prima di avviare il container.


🔧 Configurazione

Tutte le impostazioni sono in .env (copia da .env.example). Le più importanti:

Variabile Default Descrizione
OLLAMA_MODEL deepseek-r1:32b Modello LLM da usare
PROJECTS_ROOT C:/Users/Luigi/Developing Cartella dei progetti da indicizzare
EMBEDDING_MODEL all-MiniLM-L6-v2 Modello per gli embeddings
UI_PORT 8000 Porta della web UI
MCP_PORT 8001 Porta del server MCP
CHUNK_SIZE 1500 Dimensione chunk in caratteri
RAG_TOP_K 8 Numero di risultati RAG

🗺️ Roadmap

  • [x] Chat base con streaming
  • [x] RAG su progetti locali
  • [x] MCP server con strumenti base
  • [x] Dark theme UI moderna
  • [ ] Cronologia conversazioni persistente
  • [ ] Multi-modello (switch tra modelli Ollama)
  • [ ] Upload file nella chat
  • [ ] MCP tools aggiuntivi (esegui test, analisi dipendenze)
  • [ ] Indicizzazione incrementale (solo file modificati)
  • [ ] Deploy cloud con Docker

📄 Licenza

Progetto personale di apprendimento. Uso interno.

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
My Chat Bot 怎么安装?

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

My Chat Bot 怎么在 Claude Desktop、Claude、VS Code 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。

My Chat Bot 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。

My Chat Bot 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。

My Chat Bot 支持哪些客户端?

资料标注支持 Claude Desktop、Claude、VS Code;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。

My Chat Bot 能提供哪些能力?

资料显示能力标签包括 本地运行、Python、Claude。具体工具清单以官方文档为准。

My Chat Bot 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。

My Chat Bot 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。