Mattermost MCP 主机

与模型上下文协议（MCP）服务器集成的Mattermost插件，利用基于LangGraph的人工智能代理提供智能接口，以便在Mattermost中与用户交互并执行工具。

演示

1. 支持频道中的Github代理 - 搜索现有问题和PR，并创建新问题（如果未找到）

2. 使用Mattermost-MCP服务器搜索互联网并在频道中发布

向下滚动查看YouTube上的完整演示

功能

• 🤖 Langgraph代理集成：使用LangGraph代理来理解用户请求并编排响应。
• 🔌 MCP服务器集成：连接到在mcp-servers.json中定义的多个MCP服务器。
• 🛠️ 动态工具加载：自动发现来自连接的MCP服务器的工具，并使它们对AI代理可用。将MCP工具转换为langchain结构化工具。
• 💬 线程感知对话：在Mattermost线程中维护对话上下文，以实现连贯的交互。
• 🔄 智能工具使用：AI代理可以决定何时使用可用工具（包括链式调用）来满足用户请求。
• 🔍 MCP能力发现：允许用户通过直接命令列出可用的服务器、工具、资源和提示。
• #️⃣ 直接命令界面：使用命令前缀（默认：#）直接与MCP服务器交互。

概览

集成工作流程如下：

1. Mattermost连接（mattermost_client.py）：通过API和WebSocket连接到Mattermost服务器，监听指定频道的消息。
2. MCP连接（mcp_client.py）：建立到在src/mattermost_mcp_host/mcp-servers.json中定义的每个MCP服务器的连接（主要是stdio）。它发现每个服务器上的可用工具。
3. 代理初始化（agent/llm_agent.py）：创建一个LangGraphAgent，配置选择的LLM提供商和从所有连接的MCP服务器动态加载的工具。
4. 消息处理（main.py）：
   • 如果消息以命令前缀（#）开头，则解析为直接命令，用于列出服务器/工具或通过相应的MCPClient调用特定工具。
   • 否则，将消息（连同线程历史记录）传递给LangGraphAgent。
5. 代理执行：代理处理请求，可能通过MCPClient实例调用一个或多个MCP工具，并生成响应。
6. 响应交付：代理或命令执行的最终响应被发布回适当的Mattermost频道/线程。

设置

1. 克隆仓库：

   git clone <repository-url>
   cd mattermost-mcp-host
   

2. 安装：

   • 使用uv（推荐）：

     # 如果还没有安装uv，请先安装
     # curl -LsSf https://astral.sh/uv/install.sh | sh 
     
     # 激活虚拟环境
     source .venv/bin/activate
     
     # 使用uv安装包
     uv sync
     
     # 安装开发依赖
     uv sync --dev --all-extras
     

3. 配置环境（.env文件）： 复制.env.example并填写值或 在项目根目录创建一个.env文件（或设置环境变量）：

   # Mattermost详情
   MATTERMOST_URL=http://your-mattermost-url
   MATTERMOST_TOKEN=your-bot-token # 需要权限以发布、读取频道等
   MATTERMOST_TEAM_NAME=your-team-name
   MATTERMOST_CHANNEL_NAME=your-channel-name # 机器人监听的频道
   # MATTERMOST_CHANNEL_ID= # 可选：如果提供了名称则自动检测
   
   # LLM配置（Azure OpenAI是默认）
   DEFAULT_PROVIDER=azure
   AZURE_OPENAI_ENDPOINT=your-azure-endpoint
   AZURE_OPEN_ API_KEY=your-azure-api-key
   AZURE_OPENAI_DEPLOYMENT=your-deployment-name # 例如，gpt-4o
   # AZURE_OPENAI_API_VERSION= # 可选，默认值已提供
   
   # 可选：其他提供商（使用`[all]`额外安装）
   # OPENAI_API_KEY=...
   # ANTHROPIC_API_KEY=...
   # GOOGLE_API_KEY=...
   
   # 命令前缀
   COMMAND_PREFIX=# 
   

   查看.env.example获取更多选项。

4. 配置MCP服务器： 编辑src/mattermost_mcp_host/mcp-servers.json以定义您想要连接的MCP服务器。参见src/mattermost_mcp_host/mcp-servers-example.json。 根据服务器配置，您可能需要在系统中安装并添加路径的npx、uvx、docker。

5. 启动集成：

   mattermost-mcp-host
   

先决条件

• Python 3.13.1+
• uv包管理器
• Mattermost服务器实例
• Mattermost机器人账户及API令牌
• 访问LLM API（Azure OpenAI）

可选

• 在mcp-servers.json中配置的一个或多个MCP服务器
• Tavily网络搜索需要在.env文件中设置TAVILY_API_KEY

在Mattermost中的使用

一旦集成运行并连接：

1. 直接聊天：只需在配置的频道或与机器人聊天即可。AI代理会根据需要使用工具进行回应。它会在消息线程中维护上下文。
2. 直接命令：使用命令前缀（默认#）进行特定操作：
   • #help - 显示帮助信息。
   • #servers - 列出配置并连接的MCP服务器。
   • #<server_name> tools - 列出<server_name>的可用工具。
   • #<server_name> call <tool_name> <json_arguments> - 调用<server_name>上的<tool_name>，参数作为JSON字符串提供。
     • 示例：#my-server call echo '{"message": "Hello MCP!"}'
   • #<server_name> resources - 列出<server_name>的可用资源。
   • #<server_name> prompts - 列出<server_name>的可用提示。

下一步

• ⚙️ 可配置的LLM后端：支持多个AI提供商（Azure OpenAI默认，OpenAI，Anthropic Claude，Google Gemini）通过环境变量。

Mattermost设置

1. 创建机器人账户

• 转到集成 > 机器人账户 > 添加机器人账户
• 给它起个名字和描述
• 将访问令牌保存在.env文件中

2. 所需机器人权限

• post_all
• create_post
• read_channel
• create_direct_channel
• read_user

3. 将机器人添加到团队/频道

• 邀请机器人加入您的团队
• 将机器人添加到所需的频道

故障排除

1. 连接问题

• 验证Mattermost服务器是否正在运行
• 检查机器人令牌权限
• 确保正确的团队/频道名称

2. AI提供商问题

• 验证API密钥
• 检查API配额和限制
• 验证对API端点的网络访问

3. MCP服务器问题

• 检查服务器日志
• 验证服务器配置
• 确保安装了必需的依赖项并定义了环境变量

演示

通过聊天使用Github MCP服务器创建问题

（在YouTube上）

贡献

请随时提交PR。

许可证

本项目采用MIT许可证 - 详情请参阅LICENSE文件。