Klavis AI: ferramenta de integração do protocolo de contexto de modelo (MCP) para aplicativos de IA

Introdução geral

A Klavis AI é uma plataforma de código aberto focada em simplificar o uso e a integração do protocolo de contexto de modelo (MCP), um padrão aberto que permite que os aplicativos de IA se conectem dinamicamente a ferramentas e fontes de dados externas. MCP O servidor e a interface simples da Web reduzem o limite técnico, facilitando o uso por usuários não técnicos e para que os desenvolvedores criem e expandam rapidamente os aplicativos MCP. A plataforma suporta a integração de várias ferramentas e enfatiza a segurança, fornecendo autenticação OAuth para garantir o acesso seguro aos dados.

Lista de funções

• Fornece clientes MCP para Slack e Discord, suportando o uso da funcionalidade MCP diretamente da plataforma de bate-papo.
• Hospedagem de uma variedade de servidores MCP, como ReportGen, Resend Mail Delivery, Firecrawl Deep Research e muito mais.
• Suporte para criar e gerenciar instâncias do servidor MCP do sistema por meio de APIs RESTful.
• Fornece autenticação OAuth para garantir a integração segura de ferramentas e fontes de dados.
• Oferece suporte ao Docker e à implementação local, facilitando para os desenvolvedores a execução de servidores MCP.
• Inclui uma variedade de recursos do MCP, como conversão de documentos e Markdown, ferramentas do YouTube e muito mais.
• Fornece uma plataforma de teste e avaliação para comparar o desempenho de diferentes servidores MCP.

Usando a Ajuda

Instalação e implementação

O código principal do Klavis AI está hospedado no GitHub, e os desenvolvedores podem clonar o repositório para implantação local ou executar o servidor MCP usando o Docker. Aqui estão as etapas exatas:

1. armazém de clones::

   git clone https://github.com/Klavis-AI/klavis.git
   cd klavis

2. Implementação com o Docker (recomendado)::
   • Certifique-se de que o Docker esteja instalado.
   • Navegue até o diretório raiz do projeto e localize o servidor MCP de destino (por exemplo, mcp_servers/resend).
   • Crie uma imagem do Docker, por exemplo:

     docker build -t resend-mcp -f mcp_servers/resend/Dockerfile .
     

   • Execute o contêiner:

     docker run -p 5000:5000 resend-mcp
     

   • O servidor será executado em http://localhost:5000.
3. Implementação local (Node.js ou Python)::
   • Certifique-se de que o Node.js (18.0.0+) ou o Python (3.12+) esteja instalado.
   • Vá para o diretório do servidor MCP de destino, como mcp_servers/markitdown.
   • Instale a dependência:

     npm install  # 对于 Node.js 服务器
     pip install -r requirements.txt  # 对于 Python 服务器
     

   • Configurar variáveis de ambiente (como chaves de API), definidas no arquivo .env.
   • Inicie o servidor:

     node index.js  # 或 python app.py
     

4. Obtendo a chave da API::
   • Visite https://www.klavis.ai para registrar uma conta.
   • Gerar uma chave de API nas configurações da conta para autenticação.

Usando o cliente MCP

A Klavis AI oferece clientes do Slack e do Discord que permitem aos usuários usar os recursos do MCP sem codificação.

• Cliente Slack::
  • Adicione o aplicativo Klavis AI ao seu espaço de trabalho do Slack (por meio do link de instalação fornecido em https://www.klavis.ai).
  • Use um comando como /klavis reportgen para chamar o servidor ReportGen para gerar relatórios.
  • Insira o URL de uma página da Web ou um termo de pesquisa e o servidor rastreará automaticamente os dados, gerará o código JavaScript e renderizará um relatório.
• Cliente Discord::
  • Entre no servidor Discord da Klavis AI (link em https://www.klavis.ai).
  • Use comandos semelhantes, como !mcp send-email, para enviar e-mails ou executar outras tarefas.
  • O cliente oferece suporte a prompts interativos para orientar o usuário a inserir os parâmetros necessários.

Operação da função em destaque

1. Servidor ReportGen::
   • Usado para gerar relatórios dinâmicos. O usuário fornece URLs ou palavras-chave e o servidor gera relatórios por meio de rastreamento da Web (Firecrawl) e prompts do LLM.
   • Procedimento operacional:
     • Digite /klavis reportgen no Slack.
     • O servidor retorna um link para o relatório com gráficos visuais e conteúdo formatado.
     • Os desenvolvedores podem visualizar o código-fonte aberto (mcp_servers/report_generation) para personalizar o modelo de relatório.
2. Reenviar entrega de correio eletrônico::
   • Integração com o serviço Resend, suporte para envio de e-mails em texto simples ou HTML, configuração de entrega programada, cc e bcc.
   • Etapas de configuração:
     • Obtenha a chave da API de reenvio e verifique a caixa de correio de envio.
     • Defina RESEND_API_KEY no arquivo .env.
     • No Discord, digite !mcp send-email to:recipient@example.com subject:Test body:Hello.
     • O servidor processa a solicitação e retorna o status de envio.
3. Estudo aprofundado do Firecrawl::
   • Os clientes LLM (por exemplo, Claude) têm suporte para realizar pesquisas profundas em páginas da Web para extrair dados estruturados.
   • Procedimento operacional:
     • Inicie o servidor Firecrawl (consulte Implantação do Docker).
     • O tópico de pesquisa é inserido no lado do cliente, e o servidor rastreia a página da Web e retorna os resultados analisados.
     • A lógica de repetição configurável (FIRECRAWL_RETRY_MAX_ATTEMPTS) otimiza o desempenho.

Uso da API

A Klavis AI fornece uma API RESTful por meio da qual os desenvolvedores podem gerenciar as instâncias do sistema MCP. As solicitações comuns incluem:

• Criação de um servidor MCP::

  curl --request POST \
  --url https://api.klavis.ai/mcp-server/instance/create \
  --header 'Authorization: Bearer <KLAVIS_API_KEY>' \
  --header 'Content-Type: application/json' \
  --data '{ "serverName": "<MCP_SERVER_NAME>", "userId": "<USER_ID>", "platformName": "<PLATFORM_NAME>" }'
  

  Retorna o URL do servidor para operações subsequentes.

• Configuração do token de autenticação::

  curl --request POST \
  --url https://api.klavis.ai/mcp-server/instance/set-auth-token \
  --header 'Authorization: Bearer <KLAVIS_API_KEY>' \
  --header 'Content-Type: application/json' \
  --data '{ "instanceId": "<string>", "authToken": "<string>" }'
  

A API usa o protocolo HTTPS para garantir a segurança dos dados. Os desenvolvedores podem consultar https://docs.klavis.ai para obter documentação detalhada.

advertência

• Certifique-se de que os arquivos .env estejam configurados corretamente para evitar o vazamento de chaves de API.
• As implantações do Docker precisam verificar o mapeamento da porta (por exemplo, 5000:5000).
• O suporte da comunidade está disponível via Discord (https://discord.gg/3uqNS3KRP2), e perguntas ou contribuições de código são bem-vindas.

cenário do aplicativo

1. Relatórios automatizados no trabalho em equipe
   As equipes de marketing usam o ReportGen Server para gerar relatórios de análise de mercado inserindo palavras-chave por meio do Slack, economizando tempo na compilação manual.
2. Fluxos de trabalho de e-mail orientados por IA
   A equipe de atendimento ao cliente usa o Resend Server no Discord para automatizar os e-mails de confirmação do cliente com suporte cronometrado e para vários destinatários.
3. Integração de ferramentas de desenvolvedor
   Os desenvolvedores integram a funcionalidade do MCP aos aplicativos existentes por meio de APIs e chamam dinamicamente o Firecrawl para análise de dados em tempo real.
4. Educação e pesquisa
   Usando o servidor Firecrawl, os pesquisadores inseriram tópicos acadêmicos, obtiveram rapidamente dados da Web e geraram resumos estruturados.

QA

1. Quais plataformas são compatíveis com a Klavis AI?
   O Slack, o Discord e a interface da Web são suportados atualmente, com possível expansão para outras plataformas no futuro.
2. Como obter a chave da API do Firecrawl?
   Registre a conta do Firecrawl (https://firecrawl.dev), gere a chave nas configurações, configure o arquivo .env.
3. O servidor MCP é gratuito?
   O código e o cliente da Klavis AI são de código aberto e gratuitos; alguns servidores de hospedagem podem envolver taxas de serviço de nuvem.
4. Como faço para contribuir com o código?
   Visite https://github.com/Klavis-AI/klavis para ler as diretrizes de contribuição e enviar uma Pull Request.