MCPBridge是一个轻量级服务，旨在让所有LLM客户端能够兼容MCP服务器工具。它提供HTTP接口用于访问MCP协议功能，允许各种AI客户端与多种AI模型交互并利用强大的工具能力。
- 提供HTTP API接口，兼容OpenAI API格式，支持任何LLM客户端接入
- 桥接您的LLM客户端与MCP工具服务器，无需修改客户端代码
- 支持与大语言模型交互（目前支持DeepSeek）
- 集成MCP协议，使普通LLM客户端能够使用MCP工具功能
- 支持流式响应，提供更好的用户体验
- 分段式工具调用，先展示初始响应，再显示工具执行结果
- 内置API密钥验证保护，防止未授权访问
- 服务器启动时自动初始化MCP服务器和工具
- 自动检查和安装工具所需的依赖
- 提供状态检查API，方便监控服务器状态
- 简单易用的配置方式
- Python 3.8 或更高版本
- Node.js 和 npm (用于支持npx工具调用)
- 访问DeepSeek API的密钥
-
克隆或下载代码仓库
-
安装依赖包:
pip install -r requirements.txt- 复制环境变量示例文件并配置:
cp .env.example .env- 编辑
.env文件，配置必要的参数:- 设置本地API密钥
- 配置模型API密钥
- 根据需要调整其他参数
配置文件 .env 主要包含以下部分:
API_PORT=55545 # 本地服务器端口
API_HOST=127.0.0.1 # 本地服务器IP地址
API_KEY=your_api_key_here # 本地API访问密钥，用于验证请求
REQUEST_MODEL_ID=Seraphina # 本地模型ID，可自定义
SSE_API_KEY=your_sse_api_key_here # 如果使用SSE服务器，配置此密钥
MODEL_API_KEY=your_model_api_key_here # DeepSeek API密钥
MODEL_API_BASE=https://api.deepseek.com/v1 # API基础URL
MODEL=deepseek-chat # 使用的模型
启动API服务器:
python api_server.py默认情况下，服务器将在配置的端口上运行。服务器启动时会自动初始化MCP服务器和可用工具，无需等待第一个请求到来才进行初始化。您可以通过浏览器访问 http://127.0.0.1:55545/ 来确认服务器是否正常运行。
您还可以通过访问 http://127.0.0.1:55545/status 来查看服务器的当前状态，包括初始化状态、可用工具和模型等信息。
MCP服务器配置位于 servers_config.json 文件中，支持两种类型的服务器:
"sse-server": {
"url": "http://localhost:8000/sse",
"headers": {
"Authorization": "Bearer ${SSE_API_KEY}"
},
"timeout": 5,
"sse_read_timeout": 300
}"desktop-automation": {
"name": "桌面操作",
"isActive": true,
"command": "npx",
"args": [
"-y",
"mcp-desktop-automation"
],
"dependencies": [
"mcp-desktop-automation"
]
}对于STDIO服务器，API会自动检查并安装配置的依赖项。您可以通过 dependencies 字段指定依赖列表，支持版本要求(如 package@latest)。
- 端点:
/status - 方法: GET
- 响应示例:
{
"status": "ready",
"servers_count": 1,
"tools_count": 5,
"default_model": "Seraphina",
"available_tools": [
{"name": "get_weather", "description": "获取指定城市的天气信息"},
{"name": "search_web", "description": "在网络上搜索信息"}
],
"available_models": ["Seraphina"]
}-
端点:
/v1/chat/completions -
方法: POST
-
请求头:
Content-Type: application/jsonX-API-Key: your_api_key_here
-
请求体示例:
{
"model": "Seraphina",
"messages": [
{"role": "user", "content": "你好，能帮我查询一下今天的天气吗？"}
],
"stream": true
}- 响应示例:
{
"id": "chatcmpl-123456789",
"object": "chat.completion",
"created": 1677858242,
"model": "Seraphina",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "你好！我很乐意帮你查询今天的天气。让我使用天气查询工具...\n查询结果显示，今天天气晴朗，气温25℃，适合户外活动。"
},
"finish_reason": "stop"
}
],
"usage": {
"prompt_tokens": -1,
"completion_tokens": -1,
"total_tokens": -1
},
"tool_used": true
}系统支持通过MCP协议进行工具调用。当模型需要使用工具时，会返回包含工具调用指令的JSON响应，格式如下:
{
"say": "我需要查询天气信息",
"use": {
"tool": "get_weather",
"params": {
"city": "北京"
}
}
}服务器会自动处理工具调用，并将结果返回给模型生成最终回复。
MCPBridge设计为即插即用的解决方案，可以轻松集成到现有的LLM客户端系统中：
- 标准OpenAI客户端 - 将API端点修改为MCPBridge地址即可
- 自定义客户端 - 只需实现兼容OpenAI格式的API调用
- UI界面 - 任何使用OpenAI接口的ChatUI都可以直接连接到MCPBridge
无需对您现有的客户端代码进行大量修改，只需调整API地址和密钥配置，即可让您的客户端具备MCP工具能力。
curl -X POST http://127.0.0.1:55545/v1/chat/completions \
-H "Content-Type: application/json" \
-H "X-API-Key: your_api_key_here" \
-d '{
"model": "Seraphina",
"messages": [
{"role": "user", "content": "你好，能简单介绍下自己吗？"}
]
}'import requests
url = "http://127.0.0.1:55545/v1/chat/completions"
headers = {
"Content-Type": "application/json",
"X-API-Key": "your_api_key_here"
}
data = {
"model": "Seraphina",
"messages": [
{"role": "user", "content": "你好，能简单介绍下自己吗？"}
]
}
response = requests.post(url, json=data, headers=headers)
print(response.json())- 检查端口是否被占用
- 确认所有必要的环境变量已正确设置
- 检查Python依赖是否安装完整
- 确认API密钥正确设置并在请求中包含
- 检查请求格式是否正确
- 查看服务器日志获取详细错误信息
- 确保MCP服务器配置正确
- 检查相关工具的依赖是否正确安装
- 查看日志了解具体错误原因
欢迎通过Pull Request或Issues提供反馈和改进建议。
本项目基于Apache-2.0许可协议开源。