项目目标

本项目旨在实现 Model Context Protocol (MCP) 模型上下文协议的完整 C++ 实现，构建包含 MCP Client（客户端）、MCP Server（服务器）以及 RAG-MCP（智能工具检索）在内的核心架构，为 AI Agent 提供标准化、高性能的工具调用能力。

项目模块

本项目由以下三个核心模块协同工作，实现了从工具检索到执行的完整闭环：

1. RAG-MCP 智能工具检索模块

功能定位：基于检索增强生成 (RAG) 技术，解决大规模工具集下的上下文窗口限制问题。

• 工作流程：当 Agent 收到 LLM 的工具查询请求时，RAG-MCP 模块通过 EmbeddingService（集成阿里百炼 DashScope）将请求向量化。
• 检索逻辑：利用内置的 VectorIndex 进行余弦相似度计算，从工具库中筛选出最匹配的前 K 个工具定义（JSON Schema）返回给 LLM。
• 缓存机制：引入 EmbeddingCache (LRU 策略) 以显著减少重复请求的 API 调用开销。

2. MCP 客户端 (MCP Client)

功能定位：作为 AI Agent 与 MCP 服务端的通信桥梁，支持多种传输模式。

• 工作流程： Agent捕获 AI 的工具需求并对接 MCP Client，客户端通过 JSON-RPC 协议连接 MCP Server 并发送请求，服务端执行插件逻辑后返回 JSON 响应，客户端将结果回传给 Agent 及 AI 模型，以完成基于工具执行结果的智能回复生成。
• 通信协议：严格遵循 JSON-RPC 2.0 标准进行指令封装与解析。
• 传输支持：提供 STDIO（本地进程间通信）和 SSE（远程 HTTP 流式传输）两种模式，适配本地及分布式部署场景。
• 集成能力：提供 MCPAgentIntegration 接口，简化了 AI 框架（如 LangChain 或原生 Agent）与 MCP 协议的对接流程。

3. MCP 服务器 (MCP Server)

功能定位：高性能、插件化的工具执行中心。

• 架构设计：采用插件化架构，支持动态加载 .so 动态库，实现工具逻辑与服务器核心代码的高度解耦。
• 多模式监听：内置高性能服务器，持续监听来自客户端的连接及工具调用请求。
• 执行与分发：解析 JSON-RPC 请求后，通过插件加载器精确定位并执行对应的工具逻辑（如计算器、代码审查、天气查询等），并将执行结果封装为 JSON 响应回传至客户端。
• 功能定位：高性能、插件化的工具执行中心。
• 工作流程：
  1. 连接监听与建立：MCP Server 启动并持续监听客户端的连接请求（支持 STDIO、SSE 或 HTTP Stream 传输层）。
  2. 请求接收与解析：连接成功后，Server 异步监听来自 mcp_client 的工具调用请求，并按照 JSON-RPC 2.0 协议标准进行解析。
  3. 插件逻辑触发：Server 根据请求中的工具名称，通过插件加载器定位至相应的工具模块（如 calculator 或 weather），并执行具体的业务逻辑。
  4. 响应封装与回传：工具执行完成后，Server 将结果封装为标准的 JSON 格式响应，通过传输层原路返回至客户端。

调用链

用户发起提问，AI大模型处理用户请求，如果需要使用工具，向Agent层发送请求获取工具列表，Agent接收获取工具列表请求请求，调用RAG-MCP模块检索相关工具，返回工具列表json schema格式并返回工具定义，AI分析并决定调用哪个工具，发出调用工具指令，Agent转发工具调用给MCP客户端，客户端发送json-rpc请求给MCP服务器，服务器解析请求，调用对应的工具，执行工具逻辑，返回执行结果，将结果以json-rpc响应发送给MCP客户端，MCP客户端接收响应并转发给Agent，Agent将结果返回给AI，AI根据工具结果生成最终回答，返回最终回答给用户。

调用链逻辑

本项目的核心调用链遵循 “语义检索 -> 智能决策 -> 协议执行” 的闭环逻辑：

1. 意图识别与工具发现：

   • 用户提问：用户提交自然语言指令。
   • 意图判定：AI 大模型（LLM）评估请求，若需外部能力支持，则触发工具检索流程。
   • RAG 语义筛选：Agent 接收请求并调用 RAG-MCP 模块。该模块通过向量相似度计算，从工具库中检索出最相关的 $K$ 个工具，并以 JSON Schema 格式向 LLM 返回工具定义。

2. 智能决策与指令下达：

   • 工具选择：LLM 结合上下文与工具定义，决策需调用的目标工具及参数。
   • 指令转发：Agent 捕获 LLM 的调用指令，通过 MCP 客户端 封装为标准的 JSON-RPC 2.0 请求。

3. 分布式执行与响应 (MCP 协议)：

   • 协议传输：客户端通过 STDIO 或 SSE 链路将请求发送至 MCP 服务器。
   • 路由与执行：服务器解析请求，通过插件加载器定位对应的 .so 插件并执行业务逻辑。
   • 结果回传：服务器将执行结果封装为 JSON-RPC 响应原路回传，经由客户端转发至 Agent 层。

4. 回答生成：

   • 结果聚合：AI 大模型解析工具返回的原始数据，结合初始问题进行逻辑汇总。
   • 最终回复：生成人类可读的最终回答并反馈给用户。