基于 Model Context Protocol (MCP) 的后端服务器，提供资源托管、工具注册与执行、以及提示模板渲染等能力，并通过 JSON-RPC 与客户端通信；支持会话管理、能力声明與多传输协议接入，形成可扩展的 LLM 上下文服务框架。该仓库包含完整的 MCP 服务端实现、客户端适配、工具与资源注册，以及相关的测试与示例。注：文档和示例中的实现细节来自代码库中的 mcp 目录及相关模块。
基于 Model Context Protocol 的完整 MCP 服务器实现，实现资源托管、工具注册与执行，以及提示模板渲染，支持 Stdio 与 HTTP 传输，面向 LLM 客户端提供标准化的上下文服务。
基于 Model Context Protocol (MCP) 的本地后端服务器实现，提供资源管理、工具注册与执行、以及可渲染的 Prompt 模板等能力，供 LLM 客户端通过标准化的 JSON-RPC 进行资源读取、工具调用与提示渲染。实现了多传输协议（如 STDIO、SSE、WebSocket）下的通信，具备会话管理与能力声明，旨在为本地化的上下文服务与推理工作流提供结构化的后端支撑。
基于 Model Context Protocol (MCP) 的后端服务端实现，提供资源托管、工具注册/执行与提示模板渲染等能力，并通过 JSON-RPC 与 LLM 客户端通信，支持多传输协议（如 stdio、SSE、WebSocket），实现自托管的上下文服务框架。
基于 Model Context Protocol 的 MCP 服务器实现，为 LLM 客户端提供资源管理、工具执行与提示模板渲染等功能。服务器通过 JSON-RPC 与客户端进行通信，支持资源读取、工具注册/执行、以及提示模板的定义与渲染，並可通过多种传输方式（如标准输入输出、SSE、WebSocket）扩展到不同的应用场景。该实现与 Kernle 的核心存储/推理能力紧密集成，面向企业/研究场景提供安全、可扩展的上下文服务后台。
基于 Model Context Protocol (MCP) 的后端服务器实现，提供资源（Resources）、工具（Tools）和提示模板（Prompts）等能力，并通过 JSON-RPC 形式与 LLM 客户端交互，支持多种传输方式（如 STDIO、HTTP）。
基于 Model Context Protocol（MCP）的后端服务器实现，面向 LLM 客户端提供资源、工具和 Prompt 的标准化上下文服务，并通过 JSON-RPC 进行通信；支持会话管理、能力声明，以及多传输协议（如 Stdio、SSE、WebSocket）的扩展能力，适用于将 Tana 数据和功能暴露给 AI 模型进行推理、调用和渲染。