# mcpstore
**Repository Path**: dragondjf/mcpstore
## Basic Information
- **Project Name**: mcpstore
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No
## Statistics
- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-09-28
- **Last Updated**: 2025-09-28
## Categories & Tags
**Categories**: Uncategorized
**Tags**: None
## README
# McpStore
一站式开源高质量MCP服务管理工具,让AI Agent轻松使用各种工具
      
[English](README.md) | 简体中文
🚀 [在线体验](https://mcpstore.wiki/web_demo/dashboard) | 📖 [详细文档](https://doc.mcpstore.wiki/) | 🎯 [快速开始](#快速使用)
## 快速开始
### 安装
```bash
pip install mcpstore
```
### 在线体验
开源的Vue前端界面,支持通过SDK或API方式直观管理MCP服务

快速启动后端服务:
```python
from mcpstore import MCPStore
prod_store = MCPStore.setup_store()
prod_store.start_api_server(host='0.0.0.0', port=18200)
```
## 直观使用
```python
store = MCPStore.setup_store()
store.for_store().add_service({"name":"mcpstore-wiki","url":"https://mcpstore.wiki/mcp"})
tools = store.for_store().list_tools()
# store.for_store().use_tool(tools[0].name, {"query":'hi!'})
```
## LangChain集成示例
将mcpstore工具简单的集成到langchain Agent中,这是一个可以直接运行的代码:
```python
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from mcpstore import MCPStore
# ===
store = MCPStore.setup_store()
store.for_store().add_service({"name":"mcpstore-wiki","url":"https://mcpstore.wiki/mcp"})
tools = store.for_store().for_langchain().list_tools()
# ===
llm = ChatOpenAI(
temperature=0, model="deepseek-chat",
openai_api_key="****",
openai_api_base="https://api.deepseek.com"
)
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个助手,回答的时候带上表情"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
])
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# ===
query = "北京的天气怎么样?"
print(f"\n 🤔: {query}")
response = agent_executor.invoke({"input": query})
print(f" 🤖 : {response['output']}")
```

## 链式调用设计
MCPStore采用链式调用设计,提供清晰的上下文隔离:
- `store.for_store()` - 全局store空间
- `store.for_agent("agent_id")` - 为指定Agent创建隔离空间
## 多 Agent 隔离
为不同职能的 Agent 分配 `专属的工具集`,积极支持A2A协议,支持快速生成agent card。
```python
# 初始化Store
store = MCPStore.setup_store()
# 为“知识管理Agent”分配专用的Wiki工具
# 该操作在"knowledge" agent的私有上下文中进行
agent_id1 = "my-knowledge-agent"
knowledge_agent_context = store.for_agent(agent_id1).add_service(
{"name": "mcpstore-wiki", "url": "http://mcpstore.wiki/mcp"}
)
# 为“开发支持Agent”分配专用的开发工具
# 该操作在"development" agent的私有上下文中进行
agent_id2 = "my-development-agent"
dev_agent_context = store.for_agent(agent_id2).add_service(
{"name": "mcpstore-demo", "url": "http://mcpstore.wiki/mcp"}
)
# 各Agent的工具集完全隔离,互不影响
knowledge_tools = store.for_agent(agent_id1).list_tools()
dev_tools = store.for_agent(agent_id2).list_tools()
```
很直观的,你可以通过 `store.for_store()` 和 `store.for_agent("agent_id")` 使用几乎所有的函数 ✨
## API接口
提供完整的RESTful API,一行命令启动Web服务:
```bash
pip install mcpstore
mcpstore run api
```
### 主要API接口
```bash
# 服务管理
POST /for_store/add_service # 添加服务
GET /for_store/list_services # 获取服务列表
POST /for_store/delete_service # 删除服务
# 工具操作
GET /for_store/list_tools # 获取工具列表
POST /for_store/use_tool # 执行工具
# 监控统计
GET /for_store/get_stats # 系统统计
GET /for_store/health # 健康检查
```
## 参与贡献
欢迎社区贡献:
- ⭐ 给项目点Star
- 🐛 提交Issues报告问题
- 🔧 提交Pull Requests贡献代码
- 💬 分享使用经验和最佳实践
## Star History
[](https://star-history.com/#whillhill/mcpstore&Date)
---
**McpStore是一个还在频繁的更新的项目,恳求大家给小星并来指点**