Agent 与自动化综合合集

Building MCP Server and Client：从零构建 MCP 服务器与客户端的实战示例合集

ashumishra2104/Building_MCP_Server_and_Client · A hands-on collection of MCP (Model Context Protocol) servers built from scratch — designed for AI Product Management students and developers who want to give Claude real-world superpowers.

GitHub原文发布未知首次收录 2026-09-20上架 2026-09-20 07:02

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

该仓库是面向 AI 产品管理学生与开发者的 MCP（Model Context Protocol）动手实践合集，包含 MCP 理论文档、入门终端 MCP 服务器、基于 React 与 Electron 的 MCP 客户端、天气 MCP 服务器，以及结合简历分析与职位搜索的 AI 求职推荐应用等五个递进式项目，用于学习如何让 Claude 等 AI 模型连接外部工具与数据。

# AI 智能体 # 学习与研究 # React # Claude # 工具调用

核心能力与快速开始

★ 0 · Python

能做什么: 提供 MCP 协议理论总结与五个递进式示例项目：第一，MCP 理论文档讲解 MCP 是什么、为什么存在以及如何工作；第二，入门终端 MCP 服务器，让 Claude 可以执行真实终端命令；第三，基于 React 与 Electron 的 MCP 客户端，为任意 MCP 服务器提供 Web 与桌面界面；第四，天气 MCP 服务器，把实时天气数据作为 Claude 工具；第五，AI 求职推荐应用，包含 PDF 简历解析、基于 GPT-4o-mini 的简历分析与技能差距/职业路线生成、通过 Apify 抓取 LinkedIn 与 Naukri 实时职位、用 GPT-4o 按职位描述定制简历、通过 WeasyPrint 导出 PDF、使用 Supabase 并将 SQLite 作为本地回退进行职位缓存，以及通过 FastMCP 将职位搜索暴露为 MCP 工具。
适用场景: 适合 AI 产品管理学生和开发者按推荐学习路径依次学习 MCP：先理解协议理论，再构建首个终端 MCP 服务器，随后添加真实数据源（天气），接着搭建可对接任意 MCP 服务器的 Web/桌面客户端，最后完成一个包含简历分析、职位抓取与简历定制的全栈 AI 应用。也可作为构建自定义 MCP 服务器和客户端的学习参考。
项目形态: 资料合集
部署方式: 仓库说明项目兼容 Mac 与 Windows；其中 AI 求职推荐应用可通过 Streamlit Cloud 部署。其余项目的具体部署方式未说明。
主要依赖: 通用要求为 Python 3.11+、Claude Desktop、VS Code 或 Cursor、Git 以及 uv 包管理器。AI 求职推荐应用涉及 OpenAI API、Apify、Supabase、Streamlit Cloud 等外部服务，需要相应 API Key 或账号。
使用限制: 仓库未提供开源许可证信息。外部依赖服务（OpenAI API、Apify、Supabase）的费用、额度与限制未说明。各项目具体运行条件与硬件要求未说明。未说明项目是否经过实际运行验证。
许可证: 未说明
最近推送: 2026-09-18 20:54

官方入门核对 README 依据 ↗

资料检查：2026-09-20 07:00 · 卡片整理：2026-09-20 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容

职业应用

程序员

作为从零构建 MCP 服务器与客户端的实战示例合集，供开发者学习如何让 Claude 等 AI 模型连接外部工具与数据，包含终端 MCP 服务器、React/Electron 客户端、天气 MCP 服务器等递进式项目代码与分步指南。

查看内容依据

A hands-on collection of MCP (Model Context Protocol) servers, clients, and AI-powered applications — built from scratch for AI Product Management students and developers who want to give AI models real-world superpowers.

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

产品经理

面向 AI 产品管理学生的动手实践材料，包含 MCP 理论文档与递进式项目，可用于理解如何将 AI 模型接入外部工具与数据，并参考 AI 求职推荐应用的完整产品实现。

查看内容依据

designed for AI Product Management students and developers who want to give Claude real-world superpowers.

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

decisions-judge-mcp：为 AI Agent 提供结构化决策判断的 MCP 工具

decisions-judge-mcp 是一个 MCP 服务器，让 AI Agent 通过单次快速请求对任意 JSON 应用状态做出类型化判断：yes/no 概率（noul）、多选项选择（choice）以及有序等级评分（score）。问题与答案均按 schema 校验，失败时返回 {fallback: true, error} 而不阻塞，便于嵌入 Agent 工作流。当前由 TypeSafe System One 模型（Jev）通过 @typesafe-ai/sdk 提供支持。

learn-from-materials：把 PDF、书籍和论文转化为可追溯的交互式学习网页

learn-from-materials 是一个基于开放 Agent Skills 规范构建的跨代理学习技能，可将 PDF、EPUB、MOBI/AZW、DOCX、PPTX、HTML、Markdown、TXT、RTF 及多文件材料集转化为可追溯的知识库、自包含的交互式学习 HTML 页面和同步 Markdown。它支持「快速概览」和「系统学习」两种学习深度，提供页码/幻灯片/章节级来源映射、覆盖率审计、来源哈希与增量更新校验，并明确区分材料事实、模型补充内容和外部验证内容。该技能默认离线运行、不自动安装依赖，笔记与学习者档案仅保存在浏览器本地存储中，需在具备文件读取和 Python 执行能力的代理环境中使用。

fde-interview-fieldbook：面向前向部署工程师面试的生产实践手册

该项目是一个以可溯源资料和实际生产为导向的前向部署工程师（FDE）面试手册，提供角色画像、面试流程与评分说明、发现与拆解方法、系统设计与生产 AI（RAG、Agent、MCP、评估、可观测性、安全、持久执行等）内容、案例集与评分卡、模拟面试和练习工作流，并附有带来源和检查日期的更新流程与版本化研究数据。手册明确声明为独立教育材料，不代表任何雇主官方流程。

skilldrop：面向知识工作交付物的可移植 AI Agent 技能集

skilldrop 提供 57 个可移植的 AI Agent 技能，用于生成知识工作中实际需要交付的产物，例如架构决策记录（ADR）、设计文档、PRD、运行手册、演示文稿、威胁模型和对抗性代码审查，并附带 3 个 reviewer 子代理、6 个角色包和 7 类成果。技能采用 Agent Skills 开放标准，每个技能是一个普通 SKILL.md 文件夹，可通过 CLI 以复制方式安装到 Claude Code、Cursor、Codex、GitHub Copilot、Kiro、Antigravity 等支持自定义指令的 AI 工具中。项目提供工作流门禁、文档批评、输出卫生检查、容量成本模型、业务案例、需求访谈、测试计划、发布说明、迁移计划、PRFAQ、战略分析和 OKR 级联等技能，强调将原始输入转化为经过评审的、可供利益相关者使用的工件。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。