Simple Ads As A Server

MCP运维云端

提供方 Exorust

运维云端 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

AdKit 是一个轻量级的语义广告匹配引擎,专为LLM应用设计,通过MCP提供安全工具界面,使代理能够使用自然语言上下文请求相关广告。

一句话选型结论

按资料字段整理

Simple Ads As A Server 属于运维云端类 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。

分类运维云端 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 44 仓库热度,无公开仓库时显示未标注
工具数 11 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11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

语义广告匹配Python本地部署LLM应用广告引擎MCP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
pip install uv

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 11 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
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

  • 资料标注 11 个工具,覆盖面较广,能满足多种调用。
  • 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

  • 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
Simple Ads As A Server当前 11 stdio · 本地进程 本地部署 有 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Exorust上游标注的维护方 Exorust
分类运维云端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

14.2 KB
来自项目仓库与上游目录的原文,未做删改

A lightweight, semantic ad-engine for the LLMs, available through MCP

🐦 Follow Updates •
📧 Contact & Feedback

一个向LLM提供广告的简单MCP服务器!使用此功能在法学硕士课程中注入赞助商的广告。

介绍

AdKit 是一个轻量级的语义广告匹配引擎,专为 LLM应用。它通过以下方式暴露出一个小而安全的工具表面 主控程序 因此,代理可以使用自然语言上下文(聊天轮次、页面内容、搜索查询)请求相关广告,而无需脆弱的关键字规则。

在幕后,AdKit在本地嵌入您的上下文(FastEmbed),并从以下位置检索候选人 Qdrant 使用向量相似度加 类型化约束 (主题、区域设置、垂直领域、排除项、策略标志)。它的设计有一个硬安全边界: 数据平面 是只读和分配的,而 控制平面 分别处理摄取和管理操作。

当您希望“原生”赞助商插入或产品推荐与含义相匹配,而不是字符串时,请使用它——并且您希望架构在交付生产时保持理智。

你在哪里可以使用这个?

  • 人工智能代理和助理:无缝地将相关的产品推荐或赞助信息注入聊天界面(例如,客户支持机器人、购物助理)。

  • RAG(检索增强代)管道:在有机检索结果旁边提供“赞助上下文”,允许在搜索或问答工具中提供高相关性的原生广告。

  • 内容发现平台:基于所消费内容的语义含义,而不是脆弱的关键字匹配,增强“您可能也喜欢”功能或联盟链接插入。

或 从建筑中汲取灵感

先决条件

  • Python 3.10
  • 紫外线 -快速Python包管理器
  • Qdrant -在本地运行

设置

安装uv```bash

macOS/Linux

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows (PowerShell)

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

Or with pip

pip install uv


### 在本地启动Qdrant```bash
# Using Docker
docker run -p 6333:6333 -p 6334:6334 qdrant/qdrant

# Or download binary from https://github.com/qdrant/qdrant/releases

安装依赖项```bash

Install all dependencies and create virtual environment

uv sync


### 配置环境(可选)```bash
# Copy example env file (defaults work for local Qdrant)
cp .env.example .env

演示广告设置(分步)

按照以下步骤加载演示广告并确认一切正常。演示广告定义见 data/test_ads.json;重新运行 seed 打乱它们,使商店与文件匹配。

步骤1。 启动Qdrant(在终端中):```bash
docker run -d --name qdrant \
-p 6333:6333 -p 6334:6334 \
qdrant/qdrant

docker ps --filter name=qdrant


**步骤2。** 在项目目录中,安装依赖项:```bash
uv sync

步骤3。 (可选)复制环境:```bash
cp .env.example .env


**步骤4。** 创建集合:```bash
uv run ad-index create

如果存在(uv运行广告索引删除)

步骤5。 从文件加载演示广告:```bash
uv run ad-index seed


要使用其他文件,请执行以下操作: `uv run ad-index seed --file path/to/ads.json`

**步骤6。** 验证它是否有效:

- 运行:```bash
uv run ad-index info

确认 积分计数 是5(或JSON文件中的广告数量)。

  • 可选地,从Python查询广告以确认它们正在被提供:```bash
    uv run python -c "
    from ad_injector.wiring import build_match_service
    from ad_injector.models.mcp_requests import MatchRequest
    r, _ = build_match_service().match(MatchRequest(context_text='python', top_k=2))
    print(r.model_dump_json(indent=2))
    "

您应该在输出中看到匹配的广告(例如Python/编码广告)。

## 建筑

该系统分为两个MCP服务器平面:

|飞机|目的|谁叫它|入口点|
|-------|---------|-------------|------------|
| **数据平面** |广告匹配、只读检索|LLM/代理| `uv run ad-mcp-data` 或 `uv run ad-data-plane` |
| **控制平面** |配置、接收、管理操作|人员、CI/CD、后台| `uv run ad-mcp-control` 或 `uv run ad-index` (CLI)|

为生产运行两个单独的进程:一个控制平面(管理)和一个数据平面(运行时)。每个都有自己的身份验证范围(可选 `MCP_ADMIN_KEY` / `MCP_DATA_KEY`).

### 数据平面工具(运行时,面向LLM)

- `ads_match` --语义广告匹配(上下文文本、位置、约束、top_k);返回候选项和match_id进行解释
- `ads_explain` --先前匹配的审计跟踪(match_id)
- `ads_health` --活性/准备就绪(Qdrant+嵌入)
- `ads_capabilities` --支持的布局、约束键、嵌入模型、模式版本

数据平面使用显式的allowlist(`DATA_PLANE_ALLOWED_TOOLS`).无法注册任何破坏性或管理工具。

### 控制平面工具(管理员)

- `collection_ensure` --创建/对齐集合(维度、嵌入模型id、模式版本)
- `collection_info` --集合元数据(点数、维度、嵌入模型id、模式版本)
- `collection_migrate` --可选的模式迁移(从版本到版本)
- `ads_upsert_batch` --批量广告摄取(JSON数组)
- `ads_delete` --按id删除广告
- `ads_bulk_disable` --set enabled=false,用于匹配过滤器(JSON过滤器)的广告
- `ads_get` --获取单个广告(调试)

### 回购结构```
src/ad_injector/
models/           # Ad, Targeting, Policy; MCP request/response DTOs
services/         # MatchService, PolicyEngine, TargetingEngine, IndexService
adapters/         # QdrantVectorStore, FastEmbedProvider
mcp/              # server, tools, auth, observability
config/           # RuntimeSettings, env vars
ops/              # smoke_check, migrations

配置

运行时设置通过环境变量(或 .env),在启动时由Pydantic验证:

变量 默认值 描述
QDRANT_HOST localhost Qdrant服务器主机
QDRANT_PORT 6333 Qdrant服务器端口
QDRANT_COLLECTION_NAME ads 收藏名称
EMBEDDING_MODEL_ID BAAI/bge-small-en-v1.5 嵌入模型
EMBEDDING_DIMENSION 384 矢量维度
MAX_TOP_K 100 每次匹配查询的最大结果数
MAX_BATCH_SIZE 500 每个追加销售批次的最大广告数
REQUEST_TIMEOUT_SECONDS 30.0 每次请求超时
REQUIRE_ADMIN_KEY false 如果为真,控制平面需要 MCP_ADMIN_KEY env
REQUIRE_DATA_KEY false 如果为真,数据平面需要 MCP_DATA_KEY env

用紫外线跑步

运行脚本```bash

Data Plane MCP server (LLM-facing, read-only): ads_match, ads_explain, ads_health, ads_capabilities

uv run ad-mcp-data

or: uv run ad-data-plane

Control Plane MCP server (admin): collection.*, ads.upsert_batch, ads.delete, ads.bulk_disable, ads.get

uv run ad-mcp-control

CLI (Control Plane): create collection, seed ads, info, delete

uv run ad-index create # Create the collection
uv run ad-index seed # Add sample ads for testing
uv run ad-index info # Show collection info
uv run ad-index delete # Delete the collection


### 直接运行Python文件```bash
uv run python -m ad_injector.main_runtime   # Data Plane MCP
uv run python -m ad_injector.main_control   # Control Plane MCP
uv run python -m ad_injector.cli create     # Control Plane CLI
uv run python -m ad_injector.cli seed

备注:The seed 命令从加载演示广告 data/test_ads.json (或 --file)并将它们加入收藏。跑 create 首先设置集合,然后 seed 加载测试数据。

正在验证MCP服务器

1.运行测试套件```bash

uv run pytest tests/ -v


这将运行数据平面护栏测试,该测试断言:

- 数据平面仅公开已分配的工具(`ads_match`, `ads_explain`, `ads_health`, `ads_capabilities`)
- 数据平面上没有禁用/破坏性工具
- Control Plane有管理工具 **不** 暴露数据平面–仅限工具

### 2.验证数据平面是否公开了分配的工具```bash
uv run python -c "
from ad_injector.mcp.server import create_server
from ad_injector.mcp.tools import DATA_PLANE_ALLOWED_TOOLS
s = create_server('data')
tools = set(s._tool_manager._tools.keys())
print(f'Server: {s.name}')
print(f'Tools:  {tools}')
assert tools == DATA_PLANE_ALLOWED_TOOLS, f'FAIL: expected {DATA_PLANE_ALLOWED_TOOLS}'
print('PASS: Data Plane allowlist registered')
"

3.使用管理工具验证控制平面是否启动```bash

uv run python -c "
from ad_injector.mcp.server import create_server
s = create_server('admin')
tools = set(s._tool_manager._tools.keys())
print(f'Server: {s.name}')
print(f'Tools: {tools}')
assert 'ads_match' not in tools, 'FAIL: ads_match on admin plane'
assert 'collection_ensure' in tools
print('PASS: admin tools registered, no ads_match')
"


### 4.验证ads_match DTO验证```bash
uv run python -c "
from ad_injector.models import MatchRequest, MatchConstraints, PlacementContext, MatchResponse, AdCandidate

# Valid request
req = MatchRequest(
context_text='I want to learn Python',
top_k=5,
placement=PlacementContext(placement='sidebar', surface='chat'),
constraints=MatchConstraints(topics=['python'], locale='en-US', sensitive_ok=False),
)
print(f'MatchRequest OK: context_text={req.context_text!r}, top_k={req.top_k}')
print(f'  constraints.topics={req.constraints.topics}, locale={req.constraints.locale}')

# Valid response
resp = MatchResponse(
candidates=[AdCandidate(ad_id='ad-001', advertiser_id='adv-1', title='Learn Python',
body='Courses', cta_text='Go', landing_url='https://example.com', score=0.95, match_id='m-1')],
request_id='req-xyz', placement='sidebar',
)
print(f'MatchResponse OK: {len(resp.candidates)} candidate(s)')

# Invalid request (empty context) fails
try:
MatchRequest(context_text='', top_k=5)
print('FAIL: empty context_text should be rejected')
except Exception:
print('PASS: empty context_text rejected')
"

5.验证配置加载和验证```bash

Defaults

uv run python -c "
from ad_injector.config import get_settings
s = get_settings()
print(f'host={s.qdrant_host} port={s.qdrant_port} model={s.embedding_model_id}')
"

Invalid port fails fast

QDRANT_PORT=99999 uv run python -c "from ad_injector.config.runtime import RuntimeSettings; RuntimeSettings()" 2>&1 | head -3


### 6.验证导入隔离(数据平面不加载管理代码)```bash
uv run python -c "
import sys
from ad_injector.main_runtime import main
mods = [m for m in sys.modules if m.startswith('ad_injector')]
assert 'ad_injector.cli' not in mods, 'FAIL: cli imported'
print('PASS: main_runtime has clean import graph (no admin modules)')
"

添加依赖关系```bash

uv add # Add a dependency
uv add --dev # Add a dev dependency


## 广告模式

Qdrant中存储的每个广告都包含:

|字段|类型|描述|
|-------|------|-------------|
| `ad_id` |string |广告的唯一标识符|
| `advertiser_id` |string |广告商的标识符|
| `title` |string |广告标题|
| `body` |string |广告正文|
| `cta_text` |string |行动呼吁文本|
| `landing_url` |string |重定向URL|
| `targeting.topics` |string\[\]|要定位的主题|
| `targeting.locale` |字符串\[\]|本地代码(例如,“en-us”)|
| `targeting.verticals` |string\[\]|垂直行业|
| `targeting.blocked_keywords` |string\[\]|要排除的关键字|
| `policy.sensitive` |boolean |敏感内容标志|
| `policy.age_restricted` |boolean |年龄限制标志|
| `enabled` |boolean |广告是否符合匹配条件(默认 `true`; `ads_bulk_disable` 套 `false`) |

**嵌入文本**:向量嵌入是从以下内容生成的 `title + body + topics`.

## 用法示例```python
from ad_injector.models import Ad, AdTargeting, AdPolicy
from ad_injector.wiring import build_index_service, build_match_service
from ad_injector.models.mcp_requests import MatchRequest

# Create the collection (once) and seed ads via IndexService
index_svc = build_index_service()
index_svc.ensure_collection()
ad = Ad(
ad_id="ad-001",
advertiser_id="adv-123",
title="Learn Python Today",
body="Master Python programming with our interactive courses.",
cta_text="Start Learning",
landing_url="https://example.com/python",
targeting=AdTargeting(
topics=["programming", "python", "education"],
locale=["en-US"],
verticals=["education", "technology"],
),
policy=AdPolicy(sensitive=False, age_restricted=False),
)
index_svc.upsert_ads([ad])

# Match ads via MatchService (Data Plane logic)
match_svc = build_match_service()
response, audit_trace = match_svc.match(
MatchRequest(context_text="python tutorial", top_k=5)
)
for c in response.candidates:
print(f"{c.ad_id}: {c.title} (score={c.score}, match_id={c.match_id})")

ads_match 请求/响应模式

数据平面 ads_match 该工具使用类型化的DTO——不接受原始字典过滤器。

请求参数

参数 · 类型 · 默认值 · 说明
context_text · 字符串(1-10000个字符) · 必需的 · 要匹配的对话/页面上下文
top_k · 整数(1-100) · 5 · 返回的候选人数量
placement · 字符串 · "inline" · 放置槽(例如。 inline, sidebar, banner)
surface · 字符串 · "chat" · 表面类型(例如。 chat, search, feed)
topics · string[] · 空 · null · 仅限于这些主题
locale · string · 空 · null · 所需的区域设置(例如。 en-US)
verticals · string[] · 空 · null · 仅限于这些垂直领域
exclude_advertiser_ids · string[] · 空 · null · 要排除的广告商ID
exclude_ad_ids · string[] · 空 · null · 要排除的广告ID
age_restricted_ok bool的。 false · 允许年龄限制广告
sensitive_ok bool的。 false · 允许敏感内容广告

响应形状```json

{
"candidates": [
{
"ad_id": "ad-001",
"advertiser_id": "adv-123",
"title": "Learn Python Today",
"body": "Master Python programming...",
"cta_text": "Start Learning",
"landing_url": "https://example.com/python",
"score": 0.95,
"match_id": "m-abc123"
}
],
"request_id": "req-xyz-456",
"placement": "sidebar"
}
```

  • match_id 可以传递给 ads_explain 用于审计跟踪(为什么符合/不符合条件、过滤器、分数)
  • score 是余弦相似度(0-1)

跟我说

我总是热衷于研究MCP工具、检索系统和实用的LLM货币化。\
如果你正在构建类似的东西,或者想对你的架构进行压力测试,请联系:

  • 🐦 推特:https://twitter.com/charoori_ai
  • 📧 电子邮件:mailto:chandrahas.aroori@gmail.com主题=AdKit

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
Simple Ads As A Server 怎么安装?

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

Simple Ads As A 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。

Simple Ads As A 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。

Simple Ads As A Server 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。

Simple Ads As A Server 能提供哪些能力?

资料显示约 11 个工具;能力标签包括 Python、LLM应用、本地部署。具体工具清单以官方文档为准。

Simple Ads As A Server 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。

Simple Ads As A Server 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。