Interactive Feedback MCP
An MCP server for AI-assisted development tools like Cursor and Claude, supporting interactive feedback workflows with AI.
🗣️ Interactive Feedback MCP - 专业版
专为AI辅助开发设计的智能交互反馈系统
Interactive Feedback MCP 是一个高性能的 MCP Server，专为 Cursor、Claude Desktop 和 Windsurf 等AI开发工具设计。采用现代化三栏布局和毛玻璃效果UI，支持实时交互反馈、多媒体处理和智能项目分析。
✨ 核心特性
🎯 智能交互系统
- 🔄 实时双向对话 - AI助手可暂停并请求用户澄清，避免猜测性开发
- 🎯 预定义选项 - 快速选择常用操作，提升开发效率
- 📊 智能分析 - 自动分析用户意图、紧急程度和项目上下文
- ⚡ 性能优化 - 启动时间<2秒，UI响应<100ms，内存占用<100MB
🎨 现代化UI界面
- 🖼️ 三栏布局 - 消息内容(40%) + 智能推荐(40%) + 项目信息(20%)
- ✨ 毛玻璃效果 - 深色主题，强制模式，不受系统主题影响
- 🌏 中文优化 - 完美支持中文字体和UTF-8编码
- 📱 响应式设计 - 适配不同屏幕尺寸和DPI设置
🔧 技术架构
- 🏗️ MCP协议 - 基于FastMCP框架的标准化工具调用
- 🎯 PySide6 UI - 现代化Qt界面框架
- ⚡ 性能监控 - 内置性能跟踪和优化系统
- ⚙️ 配置管理 - 统一配置系统，支持主题切换和个性化设置
💡 解决的问题
AI开发工具的痛点
在 Cursor 等环境中：
- 每次提示消耗API额度，成本高昂
- 基于猜测的开发导致错误代码
- 单向交互，无法及时澄清需求
- 迭代效率低，调试时间长
我们的解决方案
Interactive Feedback MCP 通过工具调用暂停机制：
- 🔄 AI可在单次请求内多轮交互
- 💰 工具调用不计入API使用量
- ✅ 确认后再执行，减少错误
- 🚀 效率提升5倍以上
🚀 快速开始
系统要求
- Python: 3.10+
- 系统: Windows 10+, macOS 12+, Ubuntu 20.04+
- 内存: 建议4GB+
- 存储: 500MB可用空间
安装步骤
1. 安装 uv 包管理器
# macOS/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh
# Windows (PowerShell)
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
# 或者使用 pip
pip install uv
2. 克隆项目
git clone https://github.com/your-username/interactive-feedback-mcp.git
cd interactive-feedback-mcp
3. 验证安装
# 测试MCP服务器
uv run server.py
# 测试UI界面
uv run enhanced_feedback_ui.py --prompt "测试消息" --output-file test.json
⚙️ 配置指南
MCP客户端配置
Cursor 配置
在项目根目录或全局配置中创建 mcp.json：
{
"mcpServers": {
"interactive-feedback": {
"command": "uv",
"args": [
"--directory",
"/absolute/path/to/interactive-feedback-mcp",
"run",
"server.py"
],
"timeout": 600,
"autoApprove": ["interactive_feedback"]
}
}
}
Claude Desktop 配置
编辑 claude_desktop_config.json：
{
"mcpServers": {
"interactive-feedback": {
"command": "uv",
"args": [
"--directory",
"/absolute/path/to/interactive-feedback-mcp",
"run",
"server.py"
],
"timeout": 600
}
}
}
⚠️ 重要提醒：
- 使用绝对路径确保正确找到项目
- Windows用户请使用正斜杠
/或双反斜杠\\ - 配置后需要重启AI客户端
AI助手规则配置
在 Cursor Settings > Rules for AI 中添加：
# Interactive Feedback MCP 使用规则
## 强制交互协议
- 收到用户消息后，必须先调用 `interactive_feedback` 工具进行智能分析
- 提供预定义选项供用户快速选择
- 执行操作前必须获得用户确认
- 完成任务后询问是否需要进一步操作
## 使用场景
- 需求不明确时：询问澄清
- 有多种实现方案时：提供选项
- 重要操作前：请求确认
- 任务完成后：询问后续需求
## 格式示例
请使用 interactive_feedback 工具询问用户具体需求
性能配置
创建 ~/.interactive_feedback_mcp/config.json：
{
"ui": {
"theme": "enhanced_glassmorphism",
"language": "zh_CN",
"font_family": "PingFang SC",
"font_size": 14,
"window_width": 1400,
"window_height": 1200,
"panel_ratios": [40, 40, 20]
},
"performance": {
"max_startup_time": 2.0,
"max_response_time": 100.0,
"max_memory_usage": 100.0,
"enable_monitoring": true
}
}
📄 日志系统
🔍 日志功能
本项目现已集成完整的日志系统，支持：
- 📊 多级别日志记录 (DEBUG, INFO, WARNING, ERROR, CRITICAL)
- 🔄 文件轮转和大小控制 (默认10MB轮转，保留5个备份)
- ⚡ 性能监控 (记录操作耗时，识别慢操作)
- 📋 项目上下文记录 (自动记录项目信息和Git状态)
- 🐛 错误详情追踪 (包含堆栈信息和上下文)
- 👁️ 实时日志监控
📁 日志文件位置
logs/
├── interactive_feedback_mcp.log # 主日志文件
├── errors.log # 错误日志
├── performance.log # 性能日志
└── project_context.log # 项目上下文日志
🛠️ 日志管理工具
使用 manage_logs.py 脚本管理日志：
# 查看日志摘要
python manage_logs.py summary
# 查看最近50行主日志
python manage_logs.py view --type main --lines 50
# 查看错误日志
python manage_logs.py view --type error
# 搜索日志内容
python manage_logs.py search "错误关键词" --type all
# 分析错误统计
python manage_logs.py analyze
# 实时监控日志
python manage_logs.py monitor
# 清理30天前的日志
python manage_logs.py cleanup --days 30
# 导出日志文件
python manage_logs.py export --output logs_backup.zip
# 配置日志级别
python manage_logs.py config --level DEBUG
⚙️ 日志配置
日志配置文件 logging_config.json 允许自定义：
- 📝 日志级别和格式
- 📦 文件大小和轮转设置
- 🖥️ 控制台输出控制
- ⏱️ 性能监控阈值
- 🧹 自动清理策略
🚨 排查问题
使用日志系统排查问题：
-
查看错误日志
python manage_logs.py view --type error -
分析性能问题
python manage_logs.py view --type performance -
检查项目上下文
python manage_logs.py view --type context -
搜索特定错误
python manage_logs.py search "UI启动失败" --type all
📖 使用指南
基础用法
1. 智能交互反馈
请使用 interactive_feedback 询问我想要什么类型的API设计
2. 项目分析和建议
分析当前项目状态并提供改进建议
3. 代码审查和优化
请审查这段代码并提供优化建议：[代码内容]
高级功能
1. 文件引用系统
请分析 @server.py 文件的架构设计
2. 批量操作
请批量处理以下文件的格式化：@ui/components/*.py
3. 性能监控
检查当前应用的性能指标并提供优化建议
UI界面说明
三栏布局
- 左栏(40%)：消息内容和用户输入
- 中栏(40%)：AI智能推荐和选项
- 右栏(20%)：项目信息和Git状态
快捷键
Ctrl+Enter：提交反馈Escape：取消操作Ctrl+1-5：快速选择预定义选项Ctrl+/：显示帮助信息
🛠️ 开发指南
项目结构
interactive-feedback-mcp/
├── server.py # MCP服务器入口
├── enhanced_feedback_ui.py # UI主程序
├── rules.md # 开发规范文档
├── pyproject.toml # 项目配置
├── ui/ # UI组件模块
│ ├── components/ # 核心组件
│ │ ├── three_column_layout.py # 三栏布局
│ │ ├── enhanced_markdown_renderer.py # 渲染引擎
│ │ └── main_window.py # 主窗口
│ ├── styles/ # 样式主题
│ │ └── enhanced_glassmorphism.py # 毛玻璃主题
│ ├── utils/ # 工具模块
│ │ ├── performance.py # 性能监控
│ │ └── config_manager.py # 配置管理
│ └── widgets/ # 自定义控件
└── tests/ # 测试文件
开发环境设置
# 安装开发依赖
uv sync --dev
# 运行测试
uv run python -m pytest tests/
# 代码格式化
uv run python -m black .
# 类型检查
uv run python -m mypy .
性能要求
- 启动时间: < 2秒
- UI响应: < 100毫秒
- 内存使用: < 100MB (空闲状态)
- CPU占用: < 5% (空闲状态)
🔧 故障排除
常见问题
1. 中文显示乱码
# 检查编码设置
python -c "import locale; print(locale.getpreferredencoding())"
# 强制UTF-8
export PYTHONIOENCODING=utf-8
2. UI界面异常
# 重置配置
rm ~/.interactive_feedback_mcp/config.json
# 重新启动应用
uv run enhanced_feedback_ui.py --prompt "测试" --output-file test.json
3. 性能问题
# 检查性能指标
uv run python -c "
from ui.utils.performance import global_performance_monitor
monitor = global_performance_monitor
monitor.start_monitoring()
print(monitor.get_current_metrics())
"
4. MCP连接失败
- 检查路径配置是否正确
- 确认uv命令可用
- 查看客户端日志错误信息
- 验证server.py可正常运行
📈 路线图
当前版本 (v2.0)
- ✅ 三栏布局UI
- ✅ 毛玻璃主题
- ✅ 性能监控
- ✅ 配置管理
下一版本 (v2.1)
- 🔄 视频内容分析
- 🔄 图片OCR识别
- 🔄 多语言支持
- 🔄 插件系统
未来计划 (v3.0)
- 🔮 AI代理集成
- 🔮 云端同步
- 🔮 团队协作
- 🔮 API扩展
🤝 贡献指南
开发流程
- Fork 项目
- 创建功能分支：
git checkout -b feature/new-feature - 遵循 开发规范
- 编写测试用例
- 提交PR
代码规范
- 遵循 rules.md 中的开发规则
- 使用Black进行代码格式化
- 保持测试覆盖率 > 80%
- 编写清晰的提交消息
📄 许可证
本项目基于 MIT License 开源协议。
🙏 致谢
📞 联系方式
- 问题反馈：GitHub Issues
- 功能建议：GitHub Discussions
⭐ 如果这个项目对您有帮助，请给我们一个Star！
Related Servers
SCAST
Analyzes source code to generate UML and flow diagrams with AI-powered explanations.
WordPress Standalone
Integrates AI assistants with WordPress sites using the WordPress REST API.
Website Generator MCP
An example MCP server designed for deployment on Cloudflare Workers, supporting both remote and local setups.
Codesys-mcp-toolkit
A Model Context Protocol (MCP) server for CODESYS V3 programming environments.
Remote MCP Server (Authless)
An example of a remote MCP server deployable on Cloudflare Workers, without authentication.
Rails MCP Server
An MCP server for Rails projects, allowing LLMs to interact with your application.
NPM Sentinel MCP
An AI-powered MCP server for analyzing NPM package security, dependencies, and performance.
Shallow Research Code Assistant
A multi-agent AI-powered research and code assistant. Requires external API keys for LLM providers, web search, and secure code execution.
Codebase Context Dumper
Easily provide codebase context to Large Language Models (LLMs).
mcprouter
A proxy for routing requests to remote MCP servers.