MCP 聊天分析服务器

一个基于模型上下文协议（MCP）的服务器，通过向量嵌入和知识图谱实现聊天对话的语义分析。该服务器提供了分析聊天数据、执行语义搜索、提取概念以及分析对话模式的工具。

主要特性

• 🔍 语义搜索：使用向量相似性查找相关消息和对话
• 🕸️ 知识图谱：导航消息、概念和主题之间的关系
• 📊 对话分析：分析模式、指标和对话动态
• 🔄 灵活导入：支持各种聊天导出格式
• 🚀 MCP 集成：轻松集成到 Claude 和其他兼容 MCP 的系统中

快速开始

# 安装包
pip install mcp-chat-analysis-server

# 设置配置
cp config.example.yml config.yml
# 编辑 config.yml 文件以设置您的数据库设置

# 运行服务器
python -m mcp_chat_analysis.server

MCP 集成

在您的 claude_desktop_config.json 中添加：

{
  "mcpServers": {
    "chat-analysis": {
      "command": "python",
      "args": ["-m", "mcp_chat_analysis.server"],
      "env": {
        "QDRANT_URL": "http://localhost:6333",
        "NEO4J_URL": "bolt://localhost:7687",
        "NEO4J_USER": "neo4j",
        "NEO4J_PASSWORD": "your-password"
      }
    }
  }
}

可用工具

import_conversations

导入并分析聊天对话

{
    "source_path": "/path/to/export.zip",
    "format": "openai_native"  # 或 html, markdown, json
}

semantic_search

按语义相似性搜索对话

{
    "query": "机器学习应用",
    "limit": 10,
    "min_score": 0.7
}

analyze_metrics

分析对话指标

{
    "conversation_id": "conv-123",
    "metrics": [
        "消息频率",
        "响应时间",
        "话题多样性"
    ]
}

extract_concepts

提取并分析概念

{
    "conversation_id": "conv-123",
    "min_relevance": 0.5,
    "max_concepts": 10
}

架构

参见 ARCHITECTURE.md 以获取详细的图表和文档：

• 系统组件及其交互
• 数据流和处理管道
• 存储模式和向量操作
• 工具集成机制

先决条件

• Python 3.8+
• 使用 Neo4j 数据库存储知识图谱
• 使用 Qdrant 向量数据库进行语义搜索
• 使用 sentence-transformers 进行嵌入

安装

1. 安装包：

pip install mcp-chat-analysis-server

2. 设置数据库：

# 使用 Docker（推荐）
docker compose up -d

3. 配置服务器：

cp .env.example .env
# 编辑 .env 文件以设置您的设置

开发

1. 克隆仓库：

git clone https://github.com/rebots-online/mcp-chat-analysis-server.git
cd mcp-chat-analysis-server

2. 安装开发依赖项：

pip install -e ".[dev]"

3. 运行测试：

pytest tests/

贡献

1. 分叉仓库
2. 创建功能分支
3. 提交拉取请求

参见 CONTRIBUTING.md 获取指南。

许可证

MIT 许可证 - 详情见 LICENSE 文件。

相关项目

• 模型上下文协议（MCP）
• Claude Desktop
• Qdrant 向量数据库
• Neo4j 图数据库

支持

• 📖 文档
• 🐛 问题跟踪器
• 💬 讨论