"AI后端服务" 标签

基于 Model Context Protocol (MCP) 的后端服务器，实现对资源、工具、提示模板的统一管理，并通过 JSON-RPC 与 LLM 客户端进行交互，提供上下文数据、外部功能调用、以及工作流编排，支持多传输协议（如 Stdio），为 AI 代理提供可扩展的上下文服务框架。

基于 Model Context Protocol (MCP) 的后端服务器实现，提供向 LLM 客户端暴露资源、注册与执行工具、以及渲染提示模板的能力，并通过 JSON-RPC/多传输协议与客户端互动，内置对 Confluence、Slack、Swagger 等外部工具的集成。

基于 Model Context Protocol (MCP) 的服务器端实现，提供工具注册、资源管理与提示模板渲染等核心能力，并通过标准化的 JSON-RPC/_stdio 传输与 MCP 客户端通信，支持多种传输方式（如 Stdio、SSE）。仓库中包含可运行的 MCP 服务器代码（mcp-server 模块），以及对接客户端的示例与配置工具。

gen-mcp 能够通过简单的配置或现有API（如OpenAPI）快速生成并运行Model Context Protocol (MCP) 服务器，即时将任意API、CLI命令或本地数据转换为LLM可调用的资源和工具。

一个生产级Model Context Protocol (MCP) 服务器，为LLM客户端提供丰富的AI工具和上下文管理，支持自动化任务、内容摘要及代码分析。

声明式AI工作流编排器，通过MCP协议将复杂AI服务和模型作为可调用工具提供给LLM客户端。

该仓库提供Model Context Protocol (MCP) 服务器开发的全面指南，并包含基于FastMCP框架的Python实现示例，演示如何构建、配置和运行MCP工具服务器。

MCP-Use是一个全面的TypeScript框架，用于构建AI智能体、创建带UI组件的MCP服务器，并提供内置调试器。

这是一个命令行工具，用于快速生成基于Motoko语言、遵循Prometheus协议的生产级MCP服务器项目。

一个基于Model Context Protocol (MCP) 的动态API框架，能将传统API自动转换为LLM可调用的工具、提供Prompt模板和资源管理，支持多种通信协议。

模型上下文协议 (MCP) 服务器中心，聚合管理后端 MCP 服务器的能力并暴露统一接口。

使用 Python 快速构建符合 Model Context Protocol (MCP) 标准的 AI 后端服务，提供工具和资源能力。

提供连接大型语言模型(LLM)至数据库（通过WAII）和天气数据的MCP示例服务器代码。

提供基于Model Context Protocol (MCP) 的工具注册与执行服务，支持集成Spring AI工具。

通过MCP协议提供领域特定Prompt模板的后端服务。