MyProj Asgn 4

MCPAI代理

提供方 raj-harit-v2

AI代理 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

一个结合LLM决策和MCP工具的AI系统,用于自动化MS Paint操作,包括文本转ASCII、指数计算和视觉表示生成。

一句话选型结论

按资料字段整理

MyProj Asgn 4 属于AI代理类 MCP 服务器,stdio · 本地进程,无需鉴权,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 鉴权无需鉴权 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 7 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7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自动化Python本地部署Paint工具LLM决策MCP集成视觉生成

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
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 7 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 7 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。
  • 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。
  • 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。
  • 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
MyProj Asgn 4当前 7 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raj-harit-v2上游标注的维护方 raj-harit-v2
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 · 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

4.6 KB
来自项目仓库与上游目录的原文,未做删改

集成MCP的AI驱动涂料自动化

🎯 项目概述

这个项目展示了一个结合了……的人工智能系统 大型语言模型(LLM)决策 与……一起;带有;用……(表示伴随或使用) MCP(模型上下文协议) 用于自动化MS Paint操作的工具。该系统展示了人工智能如何能够:

  1. 将文本转换为ASCII值 使用大型语言模型(LLM)进行推理
  2. 执行指数计算 通过MCP工具
  3. 自动化MS Paint(微软画图) 创建视觉表示
  4. 显示完整的大型语言模型(LLM)决策日志 在整个过程中

🏗️ 系统架构

感知层

  • 从用户查询中提取事实,例如“印度计算器ASCII”
  • 确定所需操作:ASCII转换 + 指数计算

决策层

  • LLM(Gemini 2.0)计划通过迭代推理来执行
  • 基于可用的MCP工具做出调用工具的决策
  • 显示详细的决策日志以确保透明度

动作层

  • MCP工具执行数学计算
  • 油漆自动化创建视觉表示
  • 文件保存时附带时间戳以作记录

📁 项目结构```

MyProj_Asgn_4/
├── talk2mcp.py # Main LLM client with MCP integration
├── example_mcp_server.py # MCP server with mathematical tools
├── find_rectangle_with_keyboard.py # Paint automation script
├── main.py # Entry point
├── requirements.txt # Dependencies
├── .env.example # Environment variables template
└── README.md # This documentation


## 🚀 使用方法

### **先决条件**```bash
# Install dependencies
pip install -r requirements.txt

# Set up environment variables
cp .env.example .env
# Add your GEMINI_API_KEY to .env file

运行系统```bash

Start the MCP server (in one terminal)

python example_mcp_server.py

Run the LLM client (in another terminal)

python talk2mcp.py


### **示例查询**```
Query: "India calculator ascii"

预期流量:

  1. 大语言模型提取事实:将“INDIA”转换为ASCII码并进行指数计算
  2. MCP 工具执行: strings_to_chars_to_int("INDIA") → [73, 78, 68, 73, 65]
  3. MCP工具执行: int_list_to_exponential_sum([73, 78, 68, 73, 65])
  4. 画图自动化:打开画图程序 → 绘制矩形 → 插入结果文本
  5. 保存带有时间戳的文件

📊 大型语言模型(LLM)决策日志记录

该系统提供了对大型语言模型(LLM)决策过程的全面记录:```
=== LLM DECISION LOG ===
Query: Find the ASCII values of characters in INDIA and then return sum of exponentials of those values.

Iteration 1:
FUNCTION_CALL: strings_to_chars_to_int|INDIA
Result: [73, 78, 68, 73, 65]

Iteration 2:
FUNCTION_CALL: int_list_to_exponential_sum|[73, 78, 68, 73, 65]
Result: 1.234567e+12

FINAL_ANSWER: [1.234567e+12]

=== PAINT AUTOMATION ===
Opening MS Paint...
Drawing rectangle...
Inserting text: "INDIA ASCII: [73, 78, 68, 73, 65]\nExponential Sum: 1.234567e+12"
Saving file: my_paint_1225241430.png
=== COMPLETE ===
```

🛠️ 主要功能

  • ✅ MCP工具集成 用于数学运算
  • ✅ 涂料自动化 带有矩形绘制和文本插入功能
  • ✅ 全面记录(或详尽记录) 人工智能决策过程
  • ✅ 文件保存 带有时间戳
  • ✅ 迭代问题解决 使用工具调用

🔧 技术细节

可用的MCP工具:

  • strings_to_chars_to_int(string) - 将文本转换为ASCII值
  • int_list_to_exponential_sum(list) - 计算指数和
  • string_to_exponential_sum(text) - 完整的计算功能
  • open_paint() - 打开MS画图(或:打开Windows自带的画图程序)
  • draw_rectangle(x1, y1, x2, y2) - 在画图中绘制矩形
  • insert_text(text, x, y, font_size) - 在画图软件中插入文本
  • save_paint_file() - 保存带有时间戳的文件

大型语言模型(LLM)集成:

  • 使用Google Gemini 2.0闪电模型
  • 实现迭代工具调用
  • 提供详细的决策日志
  • 处理超时和错误场景

📈 作业演示

这个项目展示了:

  1. AI感知大型语言模型(LLM)如何从自然语言中提取事实
  2. AI决策大型语言模型(LLM)如何利用可用工具规划执行
  3. AI行动MCP工具如何执行计划的操作
  4. 透明度全面记录人工智能决策过程

🤝 贡献(或:参与贡献)

这是一个教育项目,展示了AI与MCP集成在涂料自动化中的应用。

📄 许可证

仅限教育用途。


作者拉吉·哈里特\
项目MyProj_Asgn_4 - 基于人工智能的绘画自动化

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
MyProj Asgn 4 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。

MyProj Asgn 4 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。

MyProj Asgn 4 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。

MyProj Asgn 4 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。

MyProj Asgn 4 能提供哪些能力?

资料显示约 7 个工具;能力标签包括 AI自动化、Python、AI代理。具体工具清单以官方文档为准。

MyProj Asgn 4 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。

MyProj Asgn 4 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。