MCP CLI 客户端

一个简单的命令行程序，用于运行大模型提示并实现 模型上下文协议 (MCP) 客户端。

您可以在终端中方便地使用任何 兼容 MCP 的服务器。

这可以作为 Claude Desktop 之外的替代客户端。此外，您还可以通过 llama 使用任何 LLM 提供商，如 OpenAI、Groq 或本地 LLM 模型。

设置

1. 通过 pip 安装：

   pip install mcp-client-cli
   

2. 创建 ~/.llm/config.json 文件以配置您的 LLM 和 MCP 服务器：

   {
     "systemPrompt": "你是一位帮助软件工程师的 AI 助手...",
     "llm": {
       "provider": "openai",
       "model": "gpt-4",
       "api_key": "your-openai-api-key",
       "temperature": 0.7,
       "base_url": "https://api.openai.com/v1"  // 可选，适用于 OpenRouter 或其他提供商
     },
     "mcpServers": {
       "fetch": {
         "command": "uvx",
         "args": ["mcp-server-fetch"],
         "requires_confirmation": ["fetch"],
         "enabled": true,  // 可选，默认为 true
         "exclude_tools": []  // 可选，需排除的工具名称列表
       },
       "brave-search": {
         "command": "npx",
         "args": ["-y", "@modelcontextprotocol/server-brave-search"],
         "env": {
           "BRAVE_API_KEY": "your-brave-api-key"
         },
         "requires_confirmation": ["brave_web_search"]
       },
       "youtube": {
         "command": "uvx",
         "args": ["--from", "git+https://github.com/adhikasp/mcp-youtube", "mcp-youtube"]
       }
     }
   }
   

   注意：

   • 请参阅 CONFIG.md 以获取配置格式的完整文档
   • 使用 requires_confirmation 来指定哪些工具在执行前需要用户确认
   • LLM API 密钥也可以通过环境变量 LLM_API_KEY 或 OPENAI_API_KEY 设置
   • 配置文件可以放在 ~/.llm/config.json 或 $PWD/.llm/config.json
   • 如果您想切换配置，可以用 // 在 JSON 配置文件中添加注释

3. 运行 CLI：

   llm "北苏门答腊的首都是哪里？"
   

使用方法

基本用法

$ llm 北苏门答腊的首都是哪里？
北苏门答腊的首都是棉兰。

您可以省略引号，但要注意 bash 特殊字符，如 &、|、;，这些可能会被您的 shell 解释。

您还可以从其他命令或文件中管道输入：

$ echo "北苏门答腊的首都是哪里？" | llm
北苏门答腊的首都是棉兰。

$ echo "给定一个地点，请告诉我它的首都是哪里。" > instructions.txt
$ cat instruction.txt | llm "西爪哇"
西爪哇的首都是万隆。

图像输入

您可以将图像文件通过管道传递，以便使用多模态 LLM 进行分析：

$ cat image.jpg | llm "这张图片里有什么？"
[LLM 将分析并描述图片]

$ cat screenshot.png | llm "这张截图里有没有错误？"
[LLM 将分析截图并指出任何错误]

使用提示模板

您可以使用预定义的提示模板，方法是使用 p 前缀，后跟模板名称及其参数：

# 列出可用的提示模板
$ llm --list-prompts

# 使用模板
$ llm p review  # 审查 git 更改
$ llm p commit  # 生成提交信息
$ llm p yt url=https://youtube.com/...  # 总结 YouTube 视频

触发工具

$ llm 今天 HackerNews 上的头条文章是什么？

================================== Ai 消息 ==================================
工具调用：
  brave_web_search (call_eXmFQizLUp8TKBgPtgFo71et)
 调用 ID：call_eXmFQizLUp8TKBgPtgFo71et
  参数：
    query：site:news.ycombinator.com
    count：1
Brave Search MCP 服务器正在 stdio 上运行

# 如果工具需要确认，系统会提示您：
确认调用工具吗？[y/n]：y

================================== Ai 消息 ==================================
工具调用：
  fetch (call_xH32S0QKqMfudgN1ZGV6vH1P)
 调用 ID：call_xH32S0QKqMfudgN1ZGV6vH1P
  参数：
    url：https://news.ycombinator.com/
================================= 工具消息 =================================
名称：fetch

[TextContent(type='text', text='内容 [已编辑]]
================================== Ai 消息 ==================================

今天 Hacker News 上的头条文章是：

### [为什么管道有时会“卡住”：缓冲机制](https://jvns.ca)
- **分数**：31
- **发布者**：tanelpoder
- **发布时间**：1 小时前

您可以在 [Hacker News](https://news.ycombinator.com/) 上查看完整的文章列表

要绕过工具确认要求，可以使用 --no-confirmations 标志：

$ llm --no-confirmations "今天 HackerNews 上的头条文章是什么？"

要在 bash 脚本中使用，添加 --no-intermediates 标志，这样就不会打印中间消息，只显示最终结论。

$ llm --no-intermediates "现在东京的时间是多少？"

继续对话

在您的消息前加上 c 前缀，即可继续上次的对话。

$ llm asldkfjasdfkl
看起来您的消息可能是一个拼写错误或失误。您能否澄清一下，或者提供更多关于您需要帮助的内容的信息呢？
$ llm c 我之前说了什么？
您之前输入了“asldkfjasdfkl”，这似乎是一串随机字符。如果您原本想问一些具体的问题，或者有疑问，请告诉我！

剪贴板支持

您可以使用剪贴板中的内容，方法是使用 cb 命令：

# 复制文本到剪贴板后
$ llm cb
[LLM 将处理剪贴板中的文本]

$ llm cb "这段代码是用什么语言写的？"
[LLM 将结合您的问题分析剪贴板中的文本]

# 复制图像到剪贴板后
$ llm cb "你在这张图片里看到了什么？"
[LLM 将分析剪贴板中的图像]

# 您还可以将其与继续对话结合使用
$ llm cb c "再跟我说说你看到的内容吧"
[LLM 将继续围绕剪贴板内容展开对话]

剪贴板功能适用于以下环境：

• 原生 Windows/macOS/Linux 系统
  • Windows：使用 PowerShell
  • macOS：使用 pbpaste 处理文本，使用 pngpaste 处理图像（可选）
  • Linux：使用 xclip（必须安装才能支持剪贴板功能）
• Windows Subsystem for Linux (WSL)
  • 通过 PowerShell 访问 Windows 剪贴板
  • 同时支持文本和图像
  • 请确保您可以从 WSL 访问 powershell.exe

支持剪贴板功能所需的工具：

• Windows：PowerShell（内置）
• macOS：
  • pbpaste（内置）用于文本
  • pngpaste（可选）用于图像：brew install pngpaste
• Linux：
  • xclip：sudo apt install xclip 或等效工具

CLI 会自动检测剪贴板内容是文本还是图像，并进行相应处理。

其他选项

$ llm --list-tools                # 列出所有可用工具
$ llm --list-prompts              # 列出可用的提示模板
$ llm --no-tools                  # 不使用任何工具运行
$ llm --force-refresh             # 强制刷新工具能力缓存
$ llm --text-only                 # 输出纯文本，不带 Markdown 格式
$ llm --show-memories             # 显示用户记忆
$ llm --model gpt-4               # 覆盖配置中指定的模型

参与贡献

欢迎提交问题和拉取请求，以改进功能或修复 bug。

mcp-client-cli 快速上手指南

mcp-client-cli 是一个简单的命令行工具，用于运行大语言模型（LLM）提示并实现模型上下文协议（MCP）客户端。它允许你在终端中直接使用各种 MCP 兼容的服务端工具，支持 OpenAI、Groq 或本地 LLM（如 llama.cpp）。

环境准备

系统要求

• 操作系统：Windows、macOS 或 Linux（包括 WSL）
• Python 环境：需安装 Python 3.8+ 及 pip

前置依赖

根据你是否需要使用剪贴板功能，可能需要安装以下工具：

• Linux: xclip (文本剪贴板支持)

  sudo apt install xclip
  

• macOS:
  • 文本：内置 pbpaste
  • 图片（可选）：pngpaste

    brew install pngpaste
    

• Windows: 内置 PowerShell (无需额外安装)

安装步骤

1. 通过 pip 安装工具

   pip install mcp-client-cli
   

   提示：国内用户若遇到下载慢的问题，可使用清华源加速：

   pip install mcp-client-cli -i https://pypi.tuna.tsinghua.edu.cn/simple
   

2. 配置 LLM 与 MCP 服务端

   创建配置文件 ~/.llm/config.json（或在当前目录创建 .llm/config.json），填入你的 LLM API 密钥及需要启用的 MCP 服务。

   示例配置：

   {
     "systemPrompt": "You are an AI assistant helping a software engineer...",
     "llm": {
       "provider": "openai",
       "model": "gpt-4",
       "api_key": "your-openai-api-key",
       "temperature": 0.7
     },
     "mcpServers": {
       "fetch": {
         "command": "uvx",
         "args": ["mcp-server-fetch"],
         "requires_confirmation": ["fetch"],
         "enabled": true
       },
       "brave-search": {
         "command": "npx",
         "args": ["-y", "@modelcontextprotocol/server-brave-search"],
         "env": {
           "BRAVE_API_KEY": "your-brave-api-key"
         },
         "requires_confirmation": ["brave_web_search"]
       }
     }
   }
   

   注意：

   • api_key 也可以直接通过环境变量 LLM_API_KEY 或 OPENAI_API_KEY 设置，无需写入文件。
   • 配置文件支持使用 // 进行注释。
   • 详细配置项请参考项目自带的 CONFIG.md。

基本使用

安装配置完成后，即可在终端通过 llm 命令与大模型交互。

1. 简单问答

直接跟随提示词提问（若提示词包含特殊字符如 &, |，建议加上引号）：

llm "What is the capital city of North Sumatra?"

或者省略引号（适用于简单句子）：

llm What is the capital city of North Sumatra?

2. 管道输入

可以从其他命令或文件读取输入：

echo "What is the capital city of North Sumatra?" | llm

cat instructions.txt | llm "West Java"

3. 图片分析

支持将图片文件管道传输给多模态模型进行分析：

cat image.jpg | llm "What do you see in this image?"

4. 调用工具与确认

当模型决定调用 MCP 工具（如搜索、抓取网页）时，如果配置了 requires_confirmation，系统会暂停并询问：

Confirm tool call? [y/n]: y

若需在脚本中自动执行而不进行人工确认，可添加 --no-confirmations 标志：

llm --no-confirmations "What is the top article on hackernews today?"

5. 常用辅助命令

• 查看可用工具：

  llm --list-tools
  

• 查看预设提示词模板：

  llm --list-prompts
  

• 使用模板（例如生成 commit 信息）：

  llm p commit
  

• 延续上一轮对话（在消息前加 c ）：

  llm c "what did i say previously?"
  

• 读取剪贴板内容（使用 cb）：

  llm cb "What language is this code written in?"