🚀 使用双子座（Gemini）的 MCP 服务器 - GeminiRouter
本项目基于 模型上下文协议 (MCP) 并结合 Google 的 Gemini Flash 1.5 API 实现，展示了模块化 AI 服务如何通过集中的路由器协同工作，为用户提供多样化的 AI 功能。
🚀 快速开始
克隆仓库
git clone https://github.com/your-repository.git
cd GeminiRouter
启动后端
npm install
npm start
启动前端
cd frontend
npm install
npm run dev
注意事项
⚠️ 重要提示
- 项目依赖于 Internet 连接以访问 Gemini 和 OpenWeather 服务。
- 使用前请配置相关 API 密钥：
# 在环境变量中设置
export GEMINI_API_KEY=your_key_here
export OPENWEATHER_API_KEY=your_key_here
- 如需调试，请运行：
npm run debug
✨ 主要特性
- 模块化 AI 服务：每个功能（聊天、搜索、RAG、思考）都具有专用微服务。
- 中心化上下文路由器：通过一个集中的路由器协调所有服务。
- Gemini Flash 1.5 集成：利用 Google 的 Gemini 技术实现强大 AI 功能。
- OpenWeather 集成：提供天气信息查询功能。
📦 安装指南
按以下步骤运行项目：
- 克隆仓库：
git clone https://github.com/your-repository.git cd GeminiRouter - 启动后端：
npm install npm start - 启动前端：
cd frontend npm install npm run dev
📚 详细文档
🔍 项目简介
本项目是基于 模型上下文协议 (MCP) 和 Google 的 Gemini Flash 1.5 API 的实现，目的是展示模块化 AI 服务如何通过集中的路由器协同工作。
🧐 什么是 MCP 以及它在这里的工作原理？
模型上下文协议 (MCP) 是一种架构模式，用于实现多个专门的 AI 代理或服务之间的模块化且情境感知的通信。本项目将 MCP 原理应用于构建可扩展、智能的 AI 系统，该系统有专用微服务，并通过中心路由器进行协调。
每个服务（或“上下文”）——如聊天、网络搜索、天气信息、深度推理或检索增强生成 (RAG)——都执行特定功能，并通过轻量级请求在 路由器/客户端 之间通信。
↺ 工作流程概述
系统从输入到输出的工作原理如下：
-
用户输入：用户从前端 UI 发送查询。
-
路由逻辑：
- 路由器接收查询并分析意图。
- 根据关键词、上下文或过去交互，路由器选择合适的服务器（聊天、搜索、RAG、思考等）来处理查询。
-
服务处理：
- 聊天服务器：如果查询是对话式或非正式的，则路由到此服务器以获得快速响应。
- 搜索服务器：对于需要实时或事实数据的查询（例如“瑞典首都是哪里？”），路由器通过此模块调用 Gemini API。
- RAG 服务器：对于复杂问题，需要基于文档的知识综合时，RAG 模块使用检索层 + Gemini 进行答案生成。
- 思考服务器：对于逻辑推理或多步骤问题解决，查询将交于此处进行深度处理。
- 天气（通过搜索）：搜索服务器还集成了 OpenWeather API，以处理自然语言的天气查询，例如“东京的天气如何？”
-
响应聚合：
- 选定模块处理请求并将其发送回路由器。
- 路由器可以选择性地将来自多个模块的响应进行组合（例如，一个包含天气和建议的响应）。
-
前端输出：最终响应返回到用户界面，并以干净、对话式的方式呈现。
📋 项目架构
项目整体结构清晰，分为以下几个主要部分：
.
├── src/
│ ├── router/ # 路由器逻辑
│ ├── services/ # 各个服务模块
│ └── components/ # 前端组件
└── package.json # 项目依赖和脚本
🌟 未来计划
- 整合前端到 Docker Compose：实现前后端服务的统一管理。
- 改善用户界面 (UI)：增加更多交互功能，提升用户体验。
- 扩展更多 API 集成：如天气、新闻等其他数据源。
通过 GeminiRouter，我们展示了模块化 AI 服务在实际项目中的强大潜力。无论是聊天、搜索还是天气查询，一切都在您的指尖！