ModelEngine + MCP：解锁 AI 应用的无限可能

特性	传统方式	MCP 协议
数据接入	需要自定义 API	统一标准接口
工具调用	格式不统一	标准化的工具协议
上下文管理	手动管理	自动上下文注入
可扩展性	依赖特定平台	跨平台通用

┌─────────────────────────────────────────────┐
│            ModelEngine 应用层                │
├─────────────────────────────────────────────┤
│  ┌─────────┐  ┌─────────┐  ┌─────────────┐  │
│  │ 知识库   │  │ 工具链  │  │ 提示词管理  │  │
│  └─────────┘  └─────────┘  └─────────────┘  │
├─────────────────────────────────────────────┤
│              MCP 协议层                     │
├─────────────────────────────────────────────┤
│  ┌─────────┐  ┌─────────┐  ┌─────────────┐  │
│  │ LLM     │  │ 数据库  │  │ 外部 API   │  │
│  └─────────┘  └─────────┘  └─────────────┘  │
└─────────────────────────────────────────────┘

四、实战：构建智能知识库助手

让我们通过一个完整的示例，演示如何使用 ModelEngine 和 MCP 构建一个智能知识库助手。

4.1 场景描述

构建一个能够：

🔍 智能检索企业文档
💬 基于文档内容回答问题
📎 自动引用相关资料来源
🔄 支持多轮对话上下文

4.2 项目结构

复制代码

knowledge-assistant/
├── config/
│   └── mcp-servers.json      # MCP 服务器配置
├── src/
│   ├── knowledge-base/       # 知识库模块
│   ├── tools/               # 工具定义
│   └── app.py              # 主应用
├── data/
│   └── documents/           # 文档数据
└── requirements.txt

4.3 核心代码实现

4.3.1 安装依赖

复制代码

pip install modelengine mcp anthropic

4.3.2 配置 MCP 服务器

复制代码

// config/mcp-servers.json
{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@anthropic-ai/mcp-server-filesystem", "D:/data/documents"],
      "env": {}
    },
    "postgres": {
      "command": "npx",
      "args": ["-y", "@anthropic-ai/mcp-server-postgres", "postgresql://user:pass@localhost/kb"],
      "env": {}
    }
  }
}

4.3.3 实现知识库助手

复制代码

# src/app.py
from modelengine import ModelEngine
from modelengine.mcp import MCPClient
import asyncio

class KnowledgeAssistant:
    def __init__(self):
        # 初始化 ModelEngine
        self.engine = ModelEngine(
            model="claude-sonnet-4-5-20250929",
            api_key="your-api-key"
        )

        # 连接 MCP 服务器
        self.mcp_client = MCPClient("config/mcp-servers.json")

    async def initialize(self):
        """初始化 MCP 连接"""
        await self.mcp_client.connect()
        print("✓ MCP 服务器连接成功")

    async def search_documents(self, query: str) -> list:
        """搜索相关文档"""
        # 调用 MCP 工具检索文档
        results = await self.mcp_client.call_tool(
            "filesystem",
            "search_files",
            {"query": query, "limit": 5}
        )
        return results

    async def answer_question(self, question: str) -> dict:
        """基于知识库回答问题"""

        # 1. 检索相关文档
        docs = await self.search_documents(question)

        # 2. 构建提示词
        prompt = f"""
你是一个专业的知识助手。请基于以下文档内容回答用户问题。

用户问题：
{question}

相关文档：
{self._format_documents(docs)}

要求：
1. 优先使用文档中的信息回答
2. 如果文档中没有相关信息，明确告知用户
3. 引用具体的文档来源
4. 保持回答简洁准确
"""

        # 3. 调用模型生成回答
        response = await self.engine.generate(
            prompt=prompt,
            stream=True,
            tools=[self.get_citation_tool()]
        )

        return {
            "answer": response,
            "sources": docs
        }

    def _format_documents(self, docs: list) -> str:
        """格式化文档内容"""
        formatted = []
        for i, doc in enumerate(docs, 1):
            formatted.append(f"""
【文档 {i}】
路径：{doc['path']}
内容：{doc['content'][:500]}...
""")
        return "\n".join(formatted)

    def get_citation_tool(self):
        """获取引用工具定义"""
        return {
            "name": "add_citation",
            "description": "添加文档引用",
            "parameters": {
                "type": "object",
                "properties": {
                    "doc_id": {"type": "string"},
                    "page": {"type": "integer"}
                }
            }
        }

# 使用示例
async def main():
    assistant = KnowledgeAssistant()
    await assistant.initialize()

    response = await assistant.answer_question(
        "公司的年假政策是怎样的？"
    )

    print("回答：", response["answer"])
    print("\n参考来源：")
    for source in response["sources"]:
        print(f"- {source['path']}")

if __name__ == "__main__":
    asyncio.run(main())

4.4 功能演示

复制代码

# 示例对话
question = "公司的远程办公政策是什么？"

# 输出示例：
"""
回答：
根据公司政策，员工可以申请远程办公，具体规定如下：
1. 每周最多可申请2天远程办公
2. 需要提前一天向直属领导申请
3. 保证工作时间内即时响应沟通

参考来源：
- D:/data/documents/员工手册/第5章-工作制度.pdf
- D:/data/documents/HR公告/2024-远程办公通知.docx
"""

五、进阶技巧与最佳实践

5.1 性能优化

1. 智能缓存策略

复制代码

from functools import lru_cache
import hashlib

class CachedKnowledgeAssistant(KnowledgeAssistant):
    @lru_cache(maxsize=100)
    def _get_cache_key(self, query: str) -> str:
        return hashlib.md5(query.encode()).hexdigest()

    async def answer_question(self, question: str):
        cache_key = self._get_cache_key(question)
        # 检查缓存...

2. 并行检索

复制代码

async def parallel_search(self, query: str):
    """并行搜索多个数据源"""
    tasks = [
        self.search_filesystem(query),
        self.search_database(query),
        self.search_vector_db(query)
    ]
    results = await asyncio.gather(*tasks)
    return self.merge_results(results)

5.2 安全与权限控制

复制代码

class SecureKnowledgeAssistant(KnowledgeAssistant):
    def __init__(self, user_role: str):
        super().__init__()
        self.user_role = user_role

    async def search_documents(self, query: str):
        # 根据用户角色过滤文档
        accessible_paths = self._get_accessible_paths()
        results = await super().search_documents(query)
        return [
            r for r in results
            if r['path'] in accessible_paths
        ]

5.3 多模态扩展

复制代码

# 支持图片文档分析
async def analyze_image_document(self, image_path: str):
    """分析图片文档"""
    base64_image = self._encode_image(image_path)

    response = await self.engine.generate(
        prompt="请分析这张图片中的文档内容",
        images=[base64_image],
        model="claude-opus-4-5-20251101"
    )
    return response

六、总结与展望

6.1 核心要点回顾

方面	关键技术
协议标准	MCP 提供统一的 AI 应用通信协议
开发框架	ModelEngine 简化应用开发流程
数据管理	知识库 + 工具链的灵活组合
实际应用	智能检索、自动问答、文档分析

6.2 最佳实践建议

✅ 从简单开始：先实现核心功能，再逐步扩展
✅ 重视数据质量：垃圾进，垃圾出
✅ 做好错误处理：网络、API、数据异常都要考虑
✅ 关注用户体验：响应速度、答案准确性同等重要

参考资源

🌟 如果这篇文章对你有帮助，请点赞、收藏、关注支持一下！

ModelEngine + MCP：解锁 AI 应用的无限可能

目录

一、引言：AI 应用开发的新时代

二、什么是 MCP 协议

2.1 MCP 协议概述

2.2 MCP 的核心优势

2.3 MCP 工作原理

三、ModelEngine 简介

3.1 什么是 ModelEngine

3.2 核心架构

四、实战：构建智能知识库助手

4.1 场景描述

4.2 项目结构

4.3 核心代码实现

4.3.1 安装依赖

4.3.2 配置 MCP 服务器

4.3.3 实现知识库助手

4.4 功能演示

五、进阶技巧与最佳实践

5.1 性能优化

1. 智能缓存策略

2. 并行检索

5.2 安全与权限控制

5.3 多模态扩展

六、总结与展望

6.1 核心要点回顾

6.2 最佳实践建议

参考资源