Micro-App MCP Server

micro-app-mcp 是一个面向 micro-app 微前端框架 的专用知识库 MCP Server。 它会自动 吃透 micro-app 仓库源码、爬取官方文档内容、用嵌入模型向量化后存入本地数据库，并通过 MCP 协议提供语义检索与可控更新能力。

特性亮点

• 源码级掌握 micro-app：从官方 GitHub 仓库拉取源码，结合文档做统一知识建模。
• 自动爬取官方文档：利用 Playwright 渲染 + 文档爬虫，从文档站点采集完整内容。
• 本地向量化知识库：基于嵌入模型将文本向量化，存入本地 ChromaDB，查询低延迟、可离线可缓存。
• 可控更新策略：支持按需更新、强制更新与状态查询，避免每次都重建知识库。
• 标准 MCP 接入：开箱即用接入 Trae AI Agent、VSCode 等支持 MCP 的智能体。

对话场景

在你的智能体里（如 Trae / VSCode MCP 插件）完成配置后，当用户输入 /micro 时，LLM 会先通过统一入口工具按问题类别（状态 / 更新 / 检索）识别意图后再回答问题，比如：

• 查询知识库状态：/micro 获取知识库状态
• 控制知识库更新：/micro 更新知识库 或 /micro 强制更新知识库 force=true
• 询问 API / 配置项：/micro micro-app 支持哪些沙箱隔离模式？
• 理解源码实现：/micro micro-app 子应用的加载流程怎么实现的？入口源码在哪？
• 看版本变更 / 升级注意：/micro 从 vX 到 vY 有哪些 breaking changes？

安装与运行（需要 Python 3.12+）

方式 A：源码运行（推荐，已内置 CPU 优化）

适合开发者。本项目已配置 uv 智能索引，在 Windows/Linux 下会自动安装轻量化 CPU 版 Torch。

# 克隆仓库
git clone https://github.com/didengren/micro-app-mcp.git
cd micro-app-mcp

# 1. 一键安装依赖（自动处理跨平台 Torch 索引）
uv sync --extra dev

# 2. 安装浏览器内核
uv run python -m playwright install chromium

# 3. 以 editable 方式安装本项目作为依赖模块，方便开发调试
uv run pip install -e .

# 4. 复制一份 .env 按需修改项目环境变量，如 GITHUB_TOKEN、DATA_DIR 等
cp .env.example .env

# 5. 运行
uv run micro-app-mcp

# 6. 测试
uv run pytest

方式 B：CLI 快速运行（uvx）

适合普通用户。需手动指定 CPU 源以减小体积：

# Linux/Windows 用户手动设置环境变量指定 CPU 源以减小体积并使用 unsafe-best-match 策略避开依赖冲突
UV_EXTRA_INDEX_URL="https://download.pytorch.org/whl/cpu" \
uvx --from micro-app-mcp --index-strategy unsafe-best-match micro-app-mcp

# macOS 用户（默认已支持 Metal/MPS GPU 加速且体积小，无需额外配置）
uvx --from micro-app-mcp micro-app-mcp

IDE / Agent 集成

在 Trae (config.json) 或 VSCode (mcp.json) 的 mcpServers 中添加：

{
  "mcpServers": {
    "micro-app-knowledge": {
      "command": "uvx",
      "args": ["--from", "micro-app-mcp", "--index-strategy", "unsafe-best-match", "micro-app-mcp"],
      "env": {
        "UV_EXTRA_INDEX_URL": "https://download.pytorch.org/whl/cpu",
        "DATA_DIR": "<您的数据目录>",
        "GITHUB_TOKEN": "<您的GITHUB_TOKEN>",
        "UPDATE_INTENT_ACTION_KEYWORDS": "强制更新,更新知识库,同步知识库,重建索引,force update,update knowledge base,rebuild index,sync knowledge base",
        "UPDATE_INTENT_TARGET_KEYWORDS": "知识库,索引,向量库,knowledge base,index,vector",
        "UPDATE_INTENT_SEARCH_ONLY_PATTERNS": "更新日志,changelog,release note,release notes,版本更新,最新更新"
      }
    }
  }
}

配置说明

在源码运行方式项目级 .env 或 CLI 运行方式终端进程级的环境中可以配置以下变量：

• EMBEDDING_MODEL: 向量化模型类型，目前只支持 local
• EMBEDDING_MODEL_NAME: 本地向量化模型名称，默认 BAAI/bge-small-zh-v1.5
• EMBEDDING_LAZY_LOAD: 是否启用懒加载，默认 true（推荐开启，可减少启动内存占用）
• GITHUB_TOKEN: GitHub API Token，强烈建议配置（否则更新知识库时易触发限流）
• GITHUB_HTTP_TIMEOUT_SECONDS: GitHub 请求超时时间（秒），默认 15
• GITHUB_RETRY_TOTAL: GitHub 请求重试次数，默认 0（避免限流后长时间退避阻塞）
• DATA_DIR: 数据存储路径
• FALLBACK_DATA_DIR: 当 DATA_DIR 不可写时自动回退目录，默认 /tmp/micro_app_mcp（若仍不可写会自动降级到系统临时目录）
• CACHE_DURATION_HOURS: 智能缓存配置，默认 24 小时
• SEARCH_TIMEOUT_SECONDS: 检索超时秒数，默认 30 秒（超时会返回“请稍后重试”提示）
• UPDATE_MAX_DURATION_SECONDS: 单次更新最大持续时间（秒），默认 3600（超时自动失败）
• CHROMA_ANONYMIZED_TELEMETRY: Chroma 匿名遥测开关，默认 false（关闭）
• UPDATE_INTENT_ACTION_KEYWORDS: /micro 更新动作关键词（逗号分隔）
• UPDATE_INTENT_TARGET_KEYWORDS: /micro 更新目标关键词（逗号分隔）
• UPDATE_INTENT_SEARCH_ONLY_PATTERNS: /micro 检索优先短语（命中后不触发更新）
• HF_ENDPOINT: 国内环境拉取嵌入模型可配置成 HuggingFace 镜像地址，比如 https://hf-mirror.com
• UV_EXTRA_INDEX_URL: (可选) PyTorch 官方 CPU 仓库地址，Linux/Windows 用户配置为 https://download.pytorch.org/whl/cpu 可大幅减小安装体积（源码运行模式下无需配置，会自动处理）

最简配置建议： 只体验功能时，优先设置 DATA_DIR 和 GITHUB_TOKEN，其它可保持默认。

项目结构

micro-app-mcp/
├── .github/workflows/release-pypi.yml  # Tag 自动发布 TestPyPI/PyPI
├── .githooks/pre-commit                # 版本变更时自动更新 CHANGELOG
├── pyproject.toml                      # 项目配置
├── uv.lock                             # 依赖锁文件
├── README.md                           # 项目说明
├── CHANGELOG.md                        # 版本变更记录
├── scripts/
│   ├── generate_changelog.py           # 基于 git diff 生成 changelog
│   ├── version_change_detector.py      # 检测版本变更
│   └── install_hooks.sh                # 安装本地 git hooks
├── src/micro_app_mcp/
│   ├── main.py                         # FastMCP 入口
│   ├── config.py                       # 配置管理
│   ├── app/
│   │   ├── server.py                   # MCP Server 定义
│   │   └── tools.py                    # MCP 工具实现
│   ├── knowledge/
│   │   ├── github_loader.py            # micro-app 仓库源码采集
│   │   ├── docs_loader.py              # 官方文档采集（Playwright）
│   │   ├── text_splitter.py            # 文本切分
│   │   └── vectorizer.py               # 嵌入与向量存储
│   ├── storage/
│   │   ├── vector_store.py             # ChromaDB 封装
│   │   └── metadata.py                 # 元数据管理
│   └── utils/logger.py                 # 日志工具
├── tests/
│   ├── test_tools.py
│   └── test_knowledge.py
└── .env.example                        # 环境变量示例

常见问题 (FAQ)

1. 网络与限流

• 模型下载/GitHub 采集失败：请检查代理配置（HTTP_PROXY）或使用 HF_ENDPOINT 镜像。
• 更新报错：确保配置了 GITHUB_TOKEN。

2. PyTorch 跨平台安装与依赖差异

由于 PyTorch 的分发策略差异，不同系统的安装方式略有不同：

• macOS：官方源下载的即为 支持 Metal (MPS) GPU 加速 的版本。因其无需捆绑 CUDA 库，体积依然很小，开箱即用。
• Windows / Linux：官方源默认会下载带 CUDA 的 NVIDIA GPU 版（体积巨大、易缺 DLL）。
• 源码模式：本项目已配置 uv 锁定 CPU 源，直接 uv sync 即可。
• CLI 模式：需手动指定 UV_EXTRA_INDEX_URL="https://download.pytorch.org/whl/cpu"。
• 依赖冲突：若遇 requests 等库版本冲突，请添加 --index-strategy unsafe-best-match 参数。

3. Windows 常见报错 (DLL 1114/126)

通常因误装 GPU 版且环境缺失驱动导致。

• 方案 A：安装 VC++ Redistributable 并重启。
• 方案 B（推荐）：强制重装为 CPU 版本（参考上条 CLI 模式配置），彻底规避显卡驱动依赖。

贡献

欢迎提交 Issue 和 Pull Request，一起把 micro-app 生态的知识体验做得更好。

许可证

MIT