compliance/compliance-mcp-agent/memory-bank/techContext.md

技术上下文

核心技术栈

类别	技术/库	版本	用途
核心协议	Model-Context-Protocol (MCP)	v1+	定义系统所有组件间的通信标准。
官方SDK	model-context-protocol/python-sdk	最新	我们实现Host, Client, Server的基石。
核心语言	Python	3.8+	主要开发语言。
AI模型	兼容OpenAI API的大语言模型 (LLM)	-	作为Agent的“大脑”，负责推理和规划。
HTTP客户端	requests	最新	在APICallerServer中用于执行HTTP请求。
Web框架	(可选) FastAPI / Flask	-	或许会用于构建可通过HTTP访问的远程MCP Server。

开发环境设置

必要组件

• Python 3.8 或更高版本
• uv 或 pip (用于管理Python包依赖)
• Git (版本控制)
• 支持Python的IDE (推荐 VS Code 或 PyCharm)

项目安装步骤 (预期)

1. 克隆代码仓库:

   git clone <仓库URL>
   cd compliance-mcp-agent
   

2. 创建虚拟环境:

   python -m venv .venv
   source .venv/bin/activate
   

3. 安装依赖: 我们将创建一个 requirements.txt 文件，内容至少包括：

   model-context-protocol
   requests
   # 其他未来可能需要的依赖
   

   然后执行安装：

   uv pip install -r requirements.txt
   

4. 运行项目:
   • 启动所有MCP Servers: 需要编写一个脚本来并行启动所有工具服务器。
   • 启动MCP Host: 运行主程序 run_mcp_tests.py 来开始整个测试流程。

关键技术决策

1. SDK 优先: 我们将尽可能地利用官方 Python SDK 的能力，而不是重新发明轮子。所有的 Host/Client/Server 实现都应基于该 SDK 提供的类和方法。
2. Stdio 通信: 在项目初期，为了简单起见，Host 和 Client 之间的通信将主要通过标准输入/输出 (stdio) 进行，这由 stdio_client 提供支持。这对于本地运行的 Agent 来说足够高效。
3. 独立的 Server 进程: 每个 MCP Server 都将作为一个独立的 Python 进程运行。这确保了工具之间的完全隔离，并为未来将某个工具部署为网络服务（例如使用 FastAPI）提供了可能性。
4. 异步编程: 官方 SDK 大量使用了 asyncio。因此，我们的 Host 和 Client 代码也必须是异步的，以充分利用 SDK 的性能。
5. LLM 接口: Agent 与 LLM 的交互将通过一个通用的、兼容 OpenAI 的 API 客户端进行。这允许我们未来可以轻松切换不同的后端 LLM 服务。