MCP-Nest
MCP-Nest 是一个专为 NestJS 框架设计的模块,旨在帮助开发者轻松构建基于模型上下文协议(MCP)的服务器。它的核心目标是让现有的 NestJS 应用能够无缝地向 AI 系统暴露工具、资源和提示词模板,从而打通传统后端服务与大语言模型之间的连接壁垒。
对于正在使用 NestJS 构建企业级应用的开发者而言,MCP-Nest 解决了将业务逻辑转化为 AI 可调用的标准化接口的难题。你无需重写代码或学习全新的架构模式,只需通过熟悉的装饰器和依赖注入机制,即可将现有的 Service 方法快速封装为 MCP 工具。这不仅降低了开发门槛,还确保了代码的可维护性和复用性。
在技术特性上,MCP-Nest 展现了强大的灵活性与安全性。它支持 HTTP+SSE、Streamable HTTP 和 STDIO 多种传输协议,适应不同的部署环境。借助 Zod 库,它能自动处理参数验证,并支持细粒度的权限控制及 OAuth 认证,甚至集成了内置或外部的授权服务器以保障数据安全。此外,它还允许开发者访问完整的请求上下文,实现更复杂的交互逻辑。
MCP-Nest 非常适合后端工程师、全栈开发者以及希望将现有业务系统接入 AI Agent 生态的技术团队。如果你正计划开发支持 ChatGPT 插件的应用,或希望构建安全、规范的企业级 AI 中间件,MCP-Nest 提供了一个成熟且高效的解决方案,让你能专注于业务创新,而非底层协议的实现细节。
使用场景
某电商企业的后端团队正致力于将现有的 NestJS 订单管理系统升级为支持 AI 助手调用的智能服务,以便让客服 AI 能够实时查询订单状态并处理退款请求。
没有 MCP-Nest 时
- 重复开发成本高:团队需要手动搭建独立的 MCP Server,重新编写 API 接口层来暴露业务逻辑,导致与现有 NestJS 代码严重割裂,维护两套相似逻辑。
- 安全鉴权复杂:难以复用现有的 Guard 鉴权机制,必须为 MCP 协议单独实现 OAuth 或 Token 验证流程,增加了安全漏洞风险及开发工作量。
- 参数校验繁琐:缺乏自动化的类型检查,开发者需手动解析和验证 AI 传入的参数,容易因格式错误导致服务崩溃,且无法利用 Zod 进行高效校验。
- 依赖注入失效:无法直接使用 NestJS 强大的依赖注入(DI)系统,调用数据库服务或外部 API 时需重新实例化类,破坏了原有的架构优雅性。
使用 MCP-Nest 后
- 无缝集成现有代码:只需在现有的 Service 或 Controller 上添加
@Tool装饰器,即可直接将业务方法暴露为 MCP 工具,无需重写任何底层逻辑。 - 原生安全支持:直接复用 NestJS 的 Guard 机制实现细粒度的工具级授权,支持 OAuth 及内置/外部认证服务器,确保只有合法请求能访问敏感数据。
- 自动化参数处理:结合 Zod schema 自动完成参数定义与校验,AI 传入的数据会自动映射为 TypeScript 类型,大幅减少运行时错误。
- 充分利用 DI 系统:在 MCP 工具中直接注入 Repository 或其他 Service,像编写普通 NestJS 代码一样处理业务,保持了架构的一致性和可测试性。
MCP-Nest 的核心价值在于让开发者无需离开熟悉的 NestJS 生态,即可通过声明式方式快速构建企业级、安全且标准的 AI 交互接口,极大降低了 AI 集成的门槛与维护成本。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
NestJS MCP 服务器模块
一个 NestJS 模块,用于通过 模型上下文协议 (MCP),轻松地从您的 NestJS 应用程序中公开 AI 工具、资源和提示。
借助 @rekog/mcp-nest,您可以以 NestJS 熟悉的方式定义工具、资源和提示,并充分利用依赖注入的强大功能,将您现有的代码库应用于构建复杂的、企业级的 MCP 服务器。
特性
- 🚀 多传输支持:HTTP+SSE、流式 HTTP 和 STDIO
- 🔧 工具:将 NestJS 方法作为 MCP 工具公开,具备自动发现和 Zod 验证功能
- 📁 资源:通过 MCP 资源系统提供内容和数据
- 📚 资源模板:使用参数化 URI 的动态资源
- 💬 提示:定义可重用的 AI 交互提示模板
- 🔐 基于守卫的身份验证:基于守卫的安全机制,支持 OAuth
- 🏠 内置授权服务器 — 使用内置授权服务器进行简单部署。(测试版)
- 🌐 外部授权服务器 — 使用外部授权服务器(Keycloak、Auth0 等)保护您的 MCP 服务器。
- 💉 依赖注入:在整个 MCP 组件中利用 NestJS 的依赖注入系统
- 🔍 服务器变更与监控 — 修改底层 MCP 服务器以实现自定义逻辑或监控目的。
您是否有兴趣构建 ChatGPT 小部件(使用 OpenAI SDK)或 MCP 应用程序?
请参阅此仓库 MCP-Nest-Samples,了解如何使用 @rekog/MCP-Nest 实现这一目标。
[!TIP] 您可以使用 Context7 中的
chat选项卡轻松了解本包。更好的是,连接 Context7 MCP 服务器,让您的 AI 代理能够访问文档并为您实现 MCP-Nest。
安装
npm install @rekog/mcp-nest @modelcontextprotocol/sdk zod@^4
可选依赖项
如果您使用内置授权服务器和 TypeORM 存储,请安装以下可选的对等依赖项:
npm install @nestjs/typeorm typeorm
快速入门
// app.module.ts
import { Module } from '@nestjs/common';
import { McpModule } from '@rekog/mcp-nest';
import { GreetingTool } from './greeting.tool';
@Module({
imports: [
McpModule.forRoot({
name: 'my-mcp-server',
version: '1.0.0',
}),
],
providers: [GreetingTool],
})
export class AppModule {}
// greeting.tool.ts
import { Injectable } from '@nestjs/common';
import { Tool, Context } from '@rekog/mcp-nest';
import { z } from 'zod';
@Injectable()
export class GreetingTool {
@Tool({
name: 'greeting-tool',
description: '返回带有进度更新的问候语',
parameters: z.object({
name: z.string().default('World'),
}),
})
async sayHello({ name }, context: Context) {
await context.reportProgress({ progress: 50, total: 100 });
return `Hello, ${name}!`;
}
}
文档
- 工具指南 — 定义并公开 NestJS 方法作为 MCP 工具
- 工具发现与注册 — 工具的自动发现与手动注册
- 动态能力指南 — 在运行时以编程方式注册工具、资源和提示
- 资源指南 — 提供静态和动态内容
- 资源模板指南 — 创建参数化的资源
- 提示指南 — 构建可重用的提示模板
- 内置授权服务器 — 使用内置 OAuth 保护您的 MCP 服务器
- 外部授权服务器 — 使用外部授权服务器(Keycloak、Auth0 等)保护您的 MCP 服务器
- 服务器示例 — 包括流式 HTTP、HTTP 和 STDIO 示例,以及对 Fastify 的支持
演示环境
playground 目录包含所有功能的可运行示例。
有关详细信息,请参阅 playground/README.md。
版本历史
v1.9.92026/03/29v1.9.82026/03/19v1.9.72026/03/11v1.9.62026/02/26v1.9.52026/02/26v1.9.42026/02/18v1.9.32026/02/01v1.9.3-alpha.32026/01/18v1.9.02026/01/11v1.8.32025/09/13v1.8.12025/08/16v1.8.02025/08/10v1.7.12025/07/29v1.7.02025/07/27v1.6.32025/07/17v1.6.02025/06/15v1.5.22025/05/12v1.5.12025/05/03v1.5.02025/04/26v1.4.02025/04/17常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。