ToolKit本地技能Agent

一个基于 MCP (Model Context Protocol) 协议的本地技能助手，支持计算器、天气查询等自定义技能，提供 Web 界面和 API 接口。

项目结构

..
├── .env                    # 大模型 API 配置
├── chat_history.db         # SQLite 对话历史数据库（自动生成）
├── index.html              # 前端 Web 界面
├── main.py                 # 主入口（命令行界面）
├── mcp_server.py          # MCP 服务端（核心）
├── server.py               # Flask 后端服务
├── requirements.txt        # 依赖清单
├── README.md               # 项目说明
├── tree.txt                # 目录结构
├── client/                 # 客户端目录
│   ├── doubao_mcp_client.py  # 豆包 API 客户端
│   └── __init__.py
├── config/                 # 配置目录
│   ├── settings.py         # 全局配置
│   └── __init__.py
└── skills/                 # 技能实现目录
    ├── calculator.py       # 计算器技能
    ├── weather.py          # 天气查询技能
    ├── web_search/         # 网络搜索技能目录
    │   └── web_search.py   # DuckDuckGo搜索实现
    |   └── SKILL.md  # skill描述
    |   └── _init_.py   
    └── __init__.py

技术栈

后端框架：Python + Flask 构建 Web 服务，提供 RESTful API 与 SSE 流式输出接口

AI 协议与模型调用：基于 OpenAI 兼容 SDK 对接大模型 API，支持豆包等 OpenAI 格式模型接入

核心协议：MCP（Model Context Protocol）实现工具调用标准化，统一技能注册与调度

异步架构：asyncio 异步处理 + 线程池隔离，解决 Flask 同步环境下异步调用阻塞问题

数据持久化：SQLite 实现多会话对话上下文存储，支持会话管理与历史加载

技能插件化：模块化技能系统，支持计算器、天气、网络搜索等可插拔工具扩展

前端：原生 HTML/JS 实现 Web 交互界面，支持 Markdown 渲染、流式打字效果、思维链展示

工程化 ：api变量配置（.env）、依赖管理（uv/pip）、错误重试与降级机制、工具调用缓存

核心功能

✅ 稳定的异步处理 - 修复了Flask路由中直接使用asyncio.run()的问题，使用线程池执行异步函数

✅ 对话历史持久化 - 使用 SQLite 存储对话历史，服务重启不丢失，支持多会话管理

✅ 工具调用容错 - 自动重试机制，工具调用失败时降级到模型直接回答

✅ MCP 工具缓存 - 首次获取工具列表后缓存，减少重复初始化开销

✅ 流式输出 - 实现了完整的SSE流式接口，支持逐字输出体验

✅ 工具调用提示 - 当调用技能时，会显示"【调用了工具：{工具名称}】"的提示信息

✅ 多端支持 - 提供Web界面和命令行界面两种交互方式

✅ 丰富的技能 - 内置计算器、天气查询和网络搜索技能

✅ 技能管理 - 前端可视化技能管理，可自由开关技能

✅ Markdown渲染 - 支持Markdown格式的回复，支持代码高亮、表格、列表、数学公式等

✅ 思维链展示 - 可折叠的AI思考过程展示，便于理解推理逻辑

✅ 多会话管理 - 支持创建多个独立对话，每个对话独立保存历史

✅ 历史对话加载 - 切换会话时自动加载历史对话，完整记录交互过程

环境要求

• Python 3.11+
• openaiSDK(api)
• uv 包管理工具（推荐）或 pip

安装

方法一：使用 uv 包管理工具（推荐）

1. 安装 uv

   # Windows
   Set-ExecutionPolicy RemoteSigned -Scope CurrentUser 
   irm https://astral.sh/uv/install.ps1 | iex
   
   # macOS / Linux
   curl -LsSf https://astral.sh/uv/install.sh | sh
   

2. 克隆项目

   git clone https://github.com/taffy123d/Doubao-MCP-agent
   cd <项目目录>
   

3. 创建虚拟环境

   uv venv
   

4. 安装依赖

   uv sync
   

方法二：使用 pip

1. 克隆项目

   git clone https://github.com/taffy123d/Doubao-MCP-agent
   cd <项目目录>
   

2. 创建虚拟环境

   python -m venv venv
   

3. 激活虚拟环境

   # Windows
   venv\Scripts\activate
   
   # macOS / Linux
   source venv/bin/activate
   

4. 安装依赖

   pip install -r requirements.txt
   

配置

• 在前端配置api密钥

• 或在 .env 文件中填写 API 密钥：

# OpenAI 兼容格式的 API 配置
OPENAI_API_KEY=你的API密钥
OPENAI_BASE_URL=https://ark.cn-beijing.volces.com/api/v3
OPENAI_MODEL=你的模型ID

运行

方法一：完整启动（推荐）

uv run server.py
#或者
python server.py

• 前端访问：http://localhost:5000
• API 接口：http://localhost:5000/api/*

方法二：命令行界面

uv run main.py
#或者
python main.py

• 直接在终端中进行对话
• 支持多轮对话和历史记录
• 输入 clear 或 清除历史 可以清除对话历史
• 输入 exit、quit 或 退出 可以退出程序

API 接口

API 请求示例

聊天接口

curl -X POST http://localhost:5000/api/chat \
  -H "Content-Type: application/json" \
  -d '{
    "api_key": "你的API密钥",
    "model": "你的模型ID",
    "base_url": "https://ark.cn-beijing.volces.com/api/v3",
    "message": "北京天气",
    "session_id": "default"
  }'

流式聊天接口

curl -X POST http://localhost:5000/api/chat/stream \
  -H "Content-Type: application/json" \
  -d '{
    "api_key": "你的API密钥",
    "model": "你的模型ID",
    "base_url": "https://ark.cn-beijing.volces.com/api/v3",
    "message": "北京天气",
    "session_id": "default"
  }'

清除历史接口

curl -X POST http://localhost:5000/api/chat/clear \
  -H "Content-Type: application/json" \
  -d '{
    "session_id": "default"
  }'

如何使用

Web 界面

1. 配置 API

   • 在左侧配置面板填写 API Key 和 Endpoint ID
   • 点击「测试」按钮验证连接

2. 聊天

   • 在输入框中输入问题
   • 支持的技能：
     • 计算器：计算 123+456
     • 天气查询：北京天气
     • 网络搜索：搜索 最新AI新闻

3. 技能管理

   • 点击左侧「🔧 技能管理」展开面板
   • 查看所有可用技能及其描述
   • 点击开关按钮启用/禁用技能
   • 只有启用的技能才会被调用

4. 多会话管理

   • 点击左侧「💬 对话管理」展开面板
   • 点击「➕ 新建对话」创建新会话
   • 点击会话列表项切换到对应对话
   • 点击🗑️删除不需要的对话
   • 每个会话独立保存历史记录

5. 查看结果

   • 系统会自动调用相应的技能并返回结果
   • 支持Markdown格式的回复（代码高亮、表格、列表等）
   • 可点击「🧠 思考过程」查看AI的推理逻辑
   • 支持多轮对话

命令行界面

1. 运行程序

   python main.py
   

2. 输入问题

   • 直接在终端中输入你的问题
   • 支持的技能：
     • 计算器：计算 123+456
     • 天气查询：北京天气

3. 查看结果

   • 系统会自动调用相应的技能并返回结果
   • 支持多轮对话
   • 输入 clear 或 清除历史 可以清除对话历史

如何增加新技能

步骤 1：创建技能文件

在 skills/ 目录下创建新的技能文件，例如 my_skill.py：

"""我的自定义技能"""
from mcp.server.fastmcp import FastMCP

def register_my_skill(mcp: FastMCP):
    """注册技能到 MCP 服务"""
    
    @mcp.tool()
    def my_skill(param1: str, param2: int = 1) -> str:
        """
        我的自定义技能描述
        示例：my_skill(param1="值", param2=2)
        
        Args:
            param1: 参数1描述
            param2: 参数2描述（默认值）
        Returns:
            技能执行结果
        """
        try:
            # 技能逻辑实现
            result = f"处理结果: {param1} - {param2}"
            return result
        except Exception as e:
            return f"处理失败: {str(e)}"

步骤 2：注册技能

编辑 skills/__init__.py，添加新技能的注册函数：

from .calculator import register_calculator_tool
from .weather import register_weather_tool
from .my_skill import register_my_skill

__all__ = [
    "register_calculator_tool", 
    "register_weather_tool",
    "register_my_skill"
]

步骤 3：更新 MCP 服务

编辑 mcp_server.py，添加新技能的注册：

from skills import register_calculator_tool, register_weather_tool, register_my_skill

# 注册所有技能工具
register_calculator_tool(mcp)
register_weather_tool(mcp)
register_my_skill(mcp)  # 添加这一行

步骤 4：重启服务

重新启动 MCP 服务和后端服务，新技能即可使用。

技能开发规范

1. 文件命名：使用小写字母和下划线
2. 函数命名：register_xxx_tool 格式
3. 工具装饰器：使用 @mcp.tool() 装饰
4. 文档字符串：包含功能描述、示例和参数说明
5. 错误处理：捕获异常并返回友好提示
6. 参数类型：使用类型注解

如何创建复杂 Skill（带 SKILL.md）

对于功能较复杂的技能，建议创建独立的 skill 目录，包含技能实现和 SKILL.md 描述文件。

目录结构

skills/
└── my_complex_skill/          # skill 目录
    ├── __init__.py            # 导出配置（必选）
    ├── my_skill.py            # 技能实现（必选）
    └── SKILL.md               # skill 描述文档（必选）

步骤 1：创建 skill 目录和实现文件

在 skills/ 目录下创建新的 skill 目录，例如 skills/my_complex_skill/

1.1 创建技能实现文件 my_skill.py

"""我的复杂技能实现"""
from mcp.server.fastmcp import FastMCP
from duckduckgo_search import AsyncDuckDuckGoSearcher  # 示例依赖

def register_my_complex_skill(mcp: FastMCP):
    """注册复杂技能到 MCP 服务"""
    
    @mcp.tool()
    async def my_complex_skill(query: str, limit: int = 5) -> str:
        """
        我的复杂技能描述
        
        Args:
            query: 查询关键词
            limit: 返回结果数量，默认5
        
        Returns:
            格式化的搜索结果
        """
        try:
            async with AsyncDuckDuckGoSearcher() as searcher:
                results = await searcher.atext(query, max_results=limit)
                # 处理并返回结果
                return f"找到 {len(results)} 条结果..."
        except Exception as e:
            return f"搜索失败: {str(e)}"

1.2 创建 __init__.py 导出配置

"""my_complex_skill - 我的复杂技能"""
from .my_skill import register_my_complex_skill

__all__ = ["register_my_complex_skill"]

1.3 创建 SKILL.md 描述文档

# 我的复杂技能

## 功能描述
一句话描述技能功能...

## 使用场景
### ✅ 适用场景
- 场景1
- 场景2

## 参数说明
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|------|------|------|--------|------|
| query | string | 是 | - | 查询关键词 |

## 使用示例
```python
# 示例1
my_complex_skill(query="关键词")

返回结果格式

• 结果1：xxx
• 结果2：xxx

异常处理

注意事项

1. 注意事项1
2. 注意事项2

### 步骤 2：更新 skills/__init__.py

```python
from .calculator import register_calculator_tool
from .weather import register_weather_tool
from .web_search import register_web_search_tool
from .my_complex_skill import register_my_complex_skill  # 新增

__all__ = [
    "register_calculator_tool", 
    "register_weather_tool",
    "register_web_search_tool",
    "register_my_complex_skill"  # 新增
]

步骤 3：更新 mcp_server.py

from skills import (
    register_calculator_tool, 
    register_weather_tool, 
    register_web_search_tool,
    register_my_complex_skill  # 新增
)

# 注册所有技能工具
register_calculator_tool(mcp)
register_weather_tool(mcp)
register_web_search_tool(mcp)
register_my_complex_skill(mcp)  # 新增

步骤 4：安装额外依赖（如需要）

如果新 skill 需要额外的 Python 包，在使用 uv add 导入或requirements.txt 中添加：

uv add 包名称
或
包名称 >=版本号 #requirements.txt

然后运行：

uv sync
# 或
pip install 包名称

步骤 5：重启服务

重新启动服务，新技能即可使用。

SKILL.md 规范

示例技能

计算器技能

• 功能：支持加减乘除、括号、幂运算
• 调用：计算 (10+5)*2

天气查询技能

• 功能：查询城市天气和预报
• 调用：上海天气 或 北京天气 3天

网络搜索技能

• 功能：使用DuckDuckGo搜索最新资讯
• 调用：搜索 Python最新版本 或 搜索 今天科技新闻
• 依赖：ddgs 库（pip install duckduckgo-search）

技术亮点

1. 异步处理优化 - 使用线程池执行异步函数，避免了每次请求创建新事件循环的问题
2. 对话历史持久化 - 基于 SQLite 的持久化存储，服务重启不丢失，支持多会话隔离
3. 工具调用容错 - 失败自动重试 2 次，降级到模型直接回答，提升鲁棒性
4. MCP 工具缓存 - 减少重复初始化开销，提升响应速度
5. 流式输出实现 - 完整的 SSE 流式接口，提供更好的用户体验
6. 工具调用提示 - 清晰的工具调用提示，提升用户体验
7. 多端支持 - 同时提供 Web 界面和命令行界面
8. 技能管理系统 - 前端可视化技能管理，支持灵活开关
9. Markdown渲染 - 完整的Markdown支持，包括代码高亮、表格等
10. 思维链展示 - 可折叠的AI推理过程展示
11. 多会话管理 - 完整的会话创建、切换、删除功能
12. 历史对话加载 - 自动加载和展示会话历史

注意事项

1. API 密钥安全：不要将 API 密钥提交到版本控制
2. 技能安全性：避免在技能中执行危险操作
3. 性能优化：对于耗时操作，考虑使用异步处理
4. 错误处理：确保技能能优雅处理异常情况

故障排除

• 连接失败：检查 API 密钥和网络连接
• 技能不响应：检查 MCP 服务是否正常运行
• 前端不显示：检查浏览器控制台是否有错误
• 流式接口问题：确保网络连接稳定，避免中途断开
• 数据库错误：检查 chat_history.db 文件权限，确保可读写

数据存储

项目使用 SQLite 数据库持久化对话历史：

• 数据库文件：chat_history.db（项目根目录，首次运行自动生成）
• 表结构：

  CREATE TABLE messages (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    session_id TEXT NOT NULL,    -- 会话ID，支持多会话隔离
    role TEXT NOT NULL,           -- 角色（user/assistant/tool）
    content TEXT NOT NULL,        -- 消息内容
    timestamp DATETIME DEFAULT CURRENT_TIMESTAMP
  )
  

• 查询历史：使用 SQLite 工具或命令行查看

  sqlite3 chat_history.db "SELECT * FROM messages ORDER BY timestamp DESC LIMIT 10;"
  

扩展建议

1. 更多技能：添加翻译、股票查询、新闻等技能
2. 多语言支持：添加多语言界面
3. 部署优化：使用 Docker 容器化部署
4. 技能市场：创建技能市场，支持用户分享和下载技能
5. 模型切换：支持切换不同的大语言模型

更新日志

2026-03-29 重大更新

API 调用方式升级

• httpx → OpenAI SDK：所有 API 调用从 httpx 直接 HTTP 请求改为 openai>=1.0.0 SDK 方式
• 配置字段重命名：
  • DOUBAO_API_KEY → OPENAI_API_KEY
  • DOUBAO_ENDPOINT_ID → OPENAI_MODEL
  • DOUBAO_BASE_URL → OPENAI_BASE_URL（去掉了 /chat/completions 后缀）

工具调用优化

• Schema 清理：自动移除 title、default 等豆包 API 不支持的字段
• Description 清理：压缩多余空白字符，优化格式
• 消息转换：添加 _msg_to_dict() 函数，正确处理 OpenAI SDK 返回的 ChatCompletionMessage 对象
• 第二次调用：修复工具调用后二次请求的消息格式问题

Bug 修复

• ✅ 修复 "Object of type ChatCompletionMessage is not JSON serializable" 错误
• ✅ 修复消息历史保存时的类型转换问题
• ✅ 添加详细的异常堆栈跟踪，便于调试

架构改进

• 添加 _msg_to_dict() 辅助函数，统一消息格式转换
• 添加 API 类型检测（讯飞 API 自动跳过 tools 参数）
• 优化 chat() 路由的异常处理和日志输出