Add comprehensive documentation for MCPHub including deployment, configuration, and smart routing features (#142)

articals/smart-routing.md

@@ -0,0 +1,177 @@
+# 无限工具，智能路由：MCPHub 引领 AI 工具使用新范式
+
+## 概述
+
+在现代 AI 应用中，随着 MCP 服务器数量的快速增长和工具种类的不断丰富，如何从数百个可用工具中快速定位最适合当前任务的工具，成为开发者和 AI 助手面临的一项重要挑战。
+
+传统做法要么将所有工具暴露给 AI 助手处理，导致 token 消耗巨大、响应延迟严重；要么依赖开发者手动分组配置，灵活性和智能性不足。
+
+MCPHub 推出的智能路由功能，基于向量语义搜索技术，实现了自然语言驱动的工具发现与精准推荐。它让 AI 助手能够像人类专家一样，根据任务描述自动选择最优工具组合，大幅提升了系统效率和用户体验。
+
+## 什么是智能路由
+
+### 技术原理
+
+智能路由是 MCPHub 的核心功能之一。它将每个 MCP 工具的名称和描述嵌入为高维语义向量。当用户发起自然语言任务请求时，系统会将该请求也转换为向量，通过计算相似度，快速返回最相关的工具列表。
+
+这一过程摒弃了传统的关键词匹配，具备更强的语义理解能力，能够处理自然语言的模糊性和多样性。
+
+### 核心组件
+
+- **向量嵌入引擎**：支持如 `text-embedding-3-small`、`bge-m3` 等主流模型，将文本描述转为语义向量。
+- **PostgreSQL + pgvector**：使用开源向量数据库方案，支持高效的向量索引和搜索。
+- **两步工作流分离**：
+  - `search_tools`：负责语义工具发现
+  - `call_tool`：执行实际工具调用逻辑
+
+## 为什么需要智能路由
+
+### 1. 减少认知负荷
+
+- 当工具数量超过 100 个，AI 模型难以处理所有工具上下文。
+- 智能路由通过语义压缩，将候选工具缩小至 5～10 个，提高决策效率。
+
+### 2. 显著降低 token 消耗
+
+- 传统做法传入全量工具描述，可能消耗上千 token。
+- 使用智能路由，通常可将 token 使用降低 70～90%。
+
+### 3. 提升调用准确率
+
+- 理解任务语义：如“图片增强”→选择图像处理工具，而不是依赖命名关键词。
+- 上下文感知：考虑输入/输出格式和工具组合能力，匹配更合理的执行链路。
+
+## 智能路由配置指南
+
+### 1. 启动支持 `pgvector` 的 PostgreSQL 数据库
+
+```bash
+docker run --name mcphub-postgres \
+  -e POSTGRES_DB=mcphub \
+  -e POSTGRES_USER=mcphub \
+  -e POSTGRES_PASSWORD=your_password \
+  -p 5432:5432 \
+  -d pgvector/pgvector:pg17
+```
+
+如已部署 PostgreSQL，可直接创建数据库并启用 `pgvector` 扩展：
+
+```sql
+CREATE DATABASE mcphub;
+CREATE EXTENSION vector;
+```
+
+### 2. 获取 embedding 模型的 API Key
+
+前往 OpenAI 或其他提供商获取嵌入模型的 API Key。国内用户推荐使用硅基流动 `bge-m3` 免费模型，没有注册过的用户可以使用我的邀请链接：[https://cloud.siliconflow.cn/i/TQhVYBvA](https://cloud.siliconflow.cn/i/TQhVYBvA)。
+
+### 3. 控制台配置
+
+![配置](./assets/sr-conf.png)
+
+在 MCPHub 控制台中，进入「智能路由」配置页面，填写以下信息：
+
+- **数据库 URL**：`postgresql://mcphub:your_password@localhost:5432/mcphub`
+- **OpenAI API Key** ：填写你获取的嵌入模型 API Key
+- **OpenAI 基础 URL**：`https://api.siliconflow.cn/v1`
+- **嵌入模型**：推荐使用 `BAAI/bge-m3`
+
+开启「启用智能路由」后系统会自动：
+
+- 对所有工具生成向量嵌入
+- 构建向量索引
+- 自动监听新增工具，更新索引
+
+## 工具定义
+
+### search_tools - 工具搜索
+
+```ts
+{
+  "name": "search_tools",
+  "arguments": {
+    "query": "help me resize and convert images",
+    "limit": 10
+  }
+}
+```
+
+### call_tool - 工具执行
+
+```ts
+{
+  "name": "call_tool",
+  "arguments": {
+    "toolName": "image_resizer",
+    "arguments": {
+      "input_path": "/path/to/image.png",
+      "width": 800,
+      "height": 600
+    }
+  }
+}
+```
+
+## 演示
+
+下面我将通过几个示例来展示如何使用智能路由。
+
+首先，我们需要在 mcphub 添加几个不同类型的 MCP 服务器：`amap`、`time-map`、`fetch`。
+
+![添加服务器](./assets/sr-servers.png)
+
+然后我们需要选择一个支持 MCP 的客户端，这里选择国产的 DeepChat，聊天模型选择 `Qwen3-14B`。
+
+接着，在 DeepChat 中添加 mcphub 的智能路由端点：
+
+![添加智能路由](./assets/sr-dc.png)
+
+添加成功后，就可以在工具中看到 `search_tools` 和 `call_tool` 两个工具了：
+
+![工具列表](./assets/sr-tools.png)
+
+### 示例 1：地图导航
+
+输入：从北京如何导航到上海。
+
+结果：
+
+![地图导航](./assets/sr-map-result.png)
+
+可以看到，DeepChat 先调用了 `search_tools` 工具：
+
+![搜索工具](./assets/sr-map-search.png)
+
+然后再调用 `call_tool` 查询具体的导航信息：
+
+![调用工具](./assets/sr-map-call.png)
+
+### 示例 2：查询时间
+
+输入：使用工具查询美国现在的时间是几点
+
+结果：
+
+![查询时间](./assets/sr-time.png)
+
+需要说明的是，由于不同的模型对工具调用的支持程度不同，可能会出现一些差异。比如在这个例子中，为了提高准确性，我在输入中明确提到了“使用工具”。
+
+### 示例 3：查看网页
+
+输入：打开 baidu.com 看看有什么
+
+结果：
+
+![查看网页](./assets/sr-web.png)
+
+可以看到，DeepChat 成功调用了工具，不过由于百度的 robots.txt 限制，无法获取到具体内容。
+
+## 结语
+
+借助 MCPHub 的智能路由功能，AI 助手能够更高效地处理复杂任务，显著减少不必要的 token 消耗，同时提升工具调用的准确性与灵活性。作为面向未来的 AI 工具发现与调用基础设施，智能路由不仅使 AI 更聪明地选择和组合工具，还为多 Agent 协同提供了清晰、可控且可扩展的底层能力支撑。
+
+> MCPHub 只是我一时兴起开发的小项目，没想到收获了这么多关注，非常感谢大家的支持！目前 MCPHub 还有不少地方需要优化和完善，我也专门建了个交流群，感兴趣的可以添加下面的微信。
+
+![微信](../assets/wexin.png)
+
+> 同时，欢迎大家一起参与建设！项目地址为：[https://github.com/samanhappy/mcphub](https://github.com/samanhappy/mcphub)。

doc/smart-routing.md

@@ -1,271 +0,0 @@
-# 智能工具发现，精准调用：MCPHub 智能路由重新定义 AI 工具选择
-
-## 概述
-
-在现代 AI 应用中，随着 MCP 服务器数量的快速增长和工具种类的日益丰富，如何从数百个可用工具中快速找到最适合当前任务的工具，成为了一个日益突出的挑战。传统方式下，AI 助手要么被迫处理所有可用工具的庞大列表，导致 token 消耗激增和响应延迟，要么依赖开发者手动分组，缺乏灵活性和智能化。MCPHub 的智能路由功能基于向量语义搜索技术，实现了自然语言驱动的工具发现与精准推荐，让 AI 助手能够像人类专家一样，根据任务描述智能地选择最合适的工具组合，大幅提升工作效率和用户体验。
-
-## 智能路由是什么
-
-### 技术原理
-
-智能路由是 MCPHub 的核心创新功能，它基于现代向量语义搜索技术，将每个 MCP 工具的描述、参数和功能特征转换为高维向量表示。当用户提出任务需求时，系统将需求同样转换为向量，通过计算向量间的余弦相似度，快速定位最相关的工具集合。这种方法不依赖精确的关键词匹配，而是理解语义层面的相关性，能够处理自然语言的模糊性和多样性。
-
-### 核心组件
-
-**向量嵌入引擎**：支持 OpenAI text-embedding-3-small、BGE-M3 等多种主流嵌入模型，将工具描述转换为 1536 维或 1024 维向量表示，捕获工具功能的语义特征。
-
-**PostgreSQL + pgvector 数据库**：采用业界领先的向量数据库解决方案，支持高效的向量索引和相似度搜索，能够在毫秒级时间内从大量工具中找到最相关的候选。
-
-**动态阈值算法**：根据查询复杂度和具体程度自动调整相似度阈值，确保既不遗漏相关工具，也不引入无关噪声。简单查询使用较低阈值（0.2）获得更多样化结果，具体查询使用较高阈值（0.4）确保精确匹配。
-
-**两步工作流**：`search_tools` 负责工具发现，`call_tool` 负责工具执行，清晰分离发现和执行逻辑，提供更好的可控性和调试体验。
-
-## 为什么要使用智能路由
-
-### 1. 解决工具选择的认知负荷
-
-- **信息过载问题**：当 MCP 服务器数量超过 10 个、工具总数超过 100 个时，AI 助手面临严重的信息过载，难以在合理时间内做出最优选择。
-- **智能路由优势**：通过语义搜索将候选工具缩减到 5-10 个最相关的选项，让 AI 助手能够专注于理解和使用最合适的工具，而不是被迫处理庞大的工具清单。
-
-### 2. 大幅降低 Token 消耗
-
-- **传统方式的成本**：向 AI 模型传递完整的工具列表会消耗大量 token，特别是当工具描述详细时，单次请求可能消耗数千 token。
-- **智能路由的效益**：只传递最相关的工具信息，通常可以将工具相关的 token 消耗降低 70-90%，显著减少 API 调用成本，特别是在频繁交互的场景中。
-
-### 3. 提升工具使用的准确性
-
-- **语义理解能力**：智能路由能够理解"图片处理"、"数据分析"、"文档转换"等抽象概念，将其映射到具体的工具实现，避免了传统关键词匹配的局限性。
-- **上下文感知**：考虑工具的输入输出模式和使用场景，推荐最适合当前任务流程的工具组合。
-
-![智能路由工作原理](../assets/smart-routing-flow.png)
-
-## 如何使用智能路由
-
-### 配置智能路由
-
-#### 1. 数据库配置
-
-智能路由需要 PostgreSQL 数据库支持 pgvector 扩展：
-
-```bash
-# 使用 Docker 快速启动支持 pgvector 的 PostgreSQL
-docker run --name mcphub-postgres \
-  -e POSTGRES_DB=mcphub \
-  -e POSTGRES_USER=mcphub \
-  -e POSTGRES_PASSWORD=your_password \
-  -p 5432:5432 \
-  -d pgvector/pgvector:pg16
-```
-
-#### 2. 在 MCPHub 控制台配置智能路由
-
-访问 MCPHub 设置页面（http://localhost:3000/settings），在"智能路由配置"部分填写：
-
-- **数据库 URL**：`postgresql://mcphub:your_password@localhost:5432/mcphub`
-- **OpenAI API Key**：您的 OpenAI API 密钥
-- **API Base URL**：可选，默认为 `https://api.openai.com/v1`
-- **嵌入模型**：推荐使用 `text-embedding-3-small`（1536 维，性价比最佳）
-
-![智能路由配置界面](../assets/smart-routing-config.png)
-
-#### 3. 启用智能路由
-
-配置完成后，开启"启用智能路由"开关。系统将自动：
-
-- 为所有已连接的 MCP 服务器工具生成向量嵌入
-- 建立向量索引以支持快速搜索
-- 在后续新增工具时自动更新向量数据库
-
-### 智能工具发现的使用方式
-
-启用智能路由后，MCPHub 会自动提供两个核心工具：
-
-#### search_tools - 智能工具搜索
-
-```typescript
-// 使用示例
-{
-  "name": "search_tools",
-  "arguments": {
-    "query": "help me process images and resize them", // 自然语言查询
-    "limit": 10 // 返回结果数量
-  }
-}
-```
-
-**查询策略建议**：
-
-- **宽泛查询**：使用较高的 limit（20-30），如"数据处理工具"
-- **精确查询**：使用较低的 limit（5-10），如"将 PNG 图片转换为 WebP 格式"
-- **分步查询**：复杂任务可以分解为多个具体查询
-
-#### call_tool - 精准工具执行
-
-```typescript
-// 使用示例
-{
-  "name": "call_tool",
-  "arguments": {
-    "toolName": "image_resize", // 从 search_tools 结果中获取的工具名
-    "arguments": { // 根据工具的 inputSchema 提供参数
-      "input_path": "/path/to/image.png",
-      "width": 800,
-      "height": 600
-    }
-  }
-}
-```
-
-### 实际应用场景演示
-
-#### 场景 1：图像处理工作流
-
-```markdown
-用户请求：我需要批量处理一些产品图片，调整大小并转换格式
-
-AI 工作流：
-
-1. search_tools("image processing batch resize convert format")
-   → 返回：image_batch_processor, format_converter, image_optimizer
-2. call_tool("image_batch_processor", {...})
-   → 执行批量图像处理
-```
-
-#### 场景 2：数据分析任务
-
-```markdown
-用户请求：分析这个 CSV 文件的销售数据，生成可视化图表
-
-AI 工作流：
-
-1. search_tools("CSV data analysis visualization charts")
-   → 返回：csv_analyzer, chart_generator, statistics_calculator
-2. call_tool("csv_analyzer", {"file_path": "sales.csv"})
-3. call_tool("chart_generator", {"data": analysis_result})
-```
-
-#### 场景 3：文档处理流水线
-
-```markdown
-用户请求：将 Word 文档转换为 PDF，然后提取其中的文本内容
-
-AI 工作流：
-
-1. search_tools("document conversion Word to PDF")
-   → 返回：doc_converter, pdf_generator
-2. call_tool("doc_converter", {"input": "document.docx", "output_format": "pdf"})
-3. search_tools("PDF text extraction")
-   → 返回：pdf_text_extractor, ocr_processor
-4. call_tool("pdf_text_extractor", {"pdf_path": "document.pdf"})
-```
-
-### 高级配置选项
-
-#### 多模型支持
-
-智能路由支持多种嵌入模型，可根据需求选择：
-
-```json
-{
-  "embeddingModel": "text-embedding-3-small", // OpenAI，1536维，平衡性能和成本
-  "embeddingModel": "text-embedding-3-large", // OpenAI，3072维，最高精度
-  "embeddingModel": "bge-m3" // 开源模型，1024维，支持多语言
-}
-```
-
-#### 自定义 API 端点
-
-支持使用自建的嵌入服务或其他 OpenAI 兼容的 API：
-
-```json
-{
-  "openaiApiBaseUrl": "https://your-api-endpoint.com/v1",
-  "openaiApiKey": "your-custom-api-key"
-}
-```
-
-## 性能优化与最佳实践
-
-### 查询优化策略
-
-**分层查询**：对于复杂任务，使用从宽泛到具体的查询策略：
-
-```
-1. 宽泛查询："文档处理工具" (limit: 20)
-2. 具体查询："PDF 转 Word 转换器" (limit: 5)
-```
-
-**上下文相关性**：在查询中包含任务上下文信息：
-
-```
-好：search_tools("为电商网站批量压缩产品图片")
-较好：search_tools("图片压缩工具")
-```
-
-**动态调整**：根据返回结果质量动态调整查询词和限制数量。
-
-### 数据库性能调优
-
-**索引优化**：智能路由自动创建最优的向量索引：
-
-```sql
-CREATE INDEX idx_vector_embeddings_embedding
-ON vector_embeddings USING ivfflat (embedding vector_cosine_ops)
-WITH (lists = 100);
-```
-
-**内存配置**：对于大规模部署，建议增加 PostgreSQL 内存配置：
-
-```
-shared_buffers = 256MB
-effective_cache_size = 1GB
-work_mem = 64MB
-```
-
-### 监控与调试
-
-**相似度阈值监控**：观察搜索结果的相似度分数，调整阈值以获得最佳效果。
-
-**查询效果分析**：定期检查常用查询的返回结果，优化工具描述以提高搜索准确性。
-
-## 智能路由的技术优势
-
-### 语义理解能力
-
-与传统的关键词匹配相比，智能路由能够理解：
-
-- **同义词和近义词**："图片"和"图像"、"转换"和"变换"
-- **上下层级概念**："数据可视化"包含"图表生成"、"统计图绘制"等
-- **任务意图推理**："我要做一个数据报告"自动关联数据分析、图表生成、文档创建等工具
-
-### 多语言支持
-
-智能路由支持中英文混合查询，能够处理：
-
-```
-search_tools("图片 resize 和 format conversion")
-search_tools("将文档转换为 PDF 格式")
-search_tools("image processing and 格式转换")
-```
-
-### 容错能力
-
-具备一定的容错能力，能够处理：
-
-- 拼写错误：自动纠正常见拼写错误
-- 模糊描述：从不完整的描述中推导完整意图
-- 领域术语：理解特定领域的专业术语
-
-## 结语
-
-MCPHub 的智能路由功能代表着 MCP 生态系统向智能化方向发展的重要一步。通过引入向量语义搜索技术，它不仅解决了工具数量激增带来的选择困难，更为 AI 助手提供了类似人类专家的工具发现和选择能力。
-
-随着 MCP 服务器生态的不断丰富，智能路由将成为连接用户需求与丰富工具资源的关键桥梁。它让开发者无需担心工具管理的复杂性，让用户享受到更加智能和高效的 AI 助手体验。
-
-未来，我们还将继续优化智能路由的算法，引入更多先进的 AI 技术，如基于强化学习的工具推荐、多模态工具理解等，为 MCP 生态系统注入更强的智能化动力。
-
-智能路由不仅仅是一个技术功能，更是 MCPHub 对于"让 AI 工具使用变得简单而智能"这一愿景的具体实现。在这个工具爆炸的时代，智能路由让我们重新定义了 AI 与工具的交互方式。
-
-项目地址：https://github.com/samanhappy/mcphub
-
-![智能路由架构图](../assets/smart-routing-architecture.png)

frontend/src/locales/en.json

@@ -283,7 +283,7 @@
     "systemConfigUpdated": "System configuration updated successfully",
     "enableSmartRouting": "Enable Smart Routing",
     "enableSmartRoutingDescription": "Enable smart routing feature to search the most suitable tool based on input (using $smart group name)",
-    "dbUrl": "PostgreSQL URL (with pgvector support)",
+    "dbUrl": "PostgreSQL URL (requires pgvector support)",
     "dbUrlPlaceholder": "e.g. postgresql://user:password@localhost:5432/dbname",
     "openaiApiBaseUrl": "OpenAI API Base URL",
     "openaiApiBaseUrlPlaceholder": "https://api.openai.com/v1",

frontend/src/locales/zh.json

@@ -284,7 +284,7 @@
     "systemConfigUpdated": "系统配置更新成功",
     "enableSmartRouting": "启用智能路由",
     "enableSmartRoutingDescription": "开启智能路由功能，根据输入自动搜索最合适的工具（使用 $smart 分组）",
-    "dbUrl": "PostgreSQL 连接地址（支持 pgvector）",
+    "dbUrl": "PostgreSQL 连接地址（必须支持 pgvector）",
     "dbUrlPlaceholder": "例如: postgresql://user:password@localhost:5432/dbname",
     "openaiApiBaseUrl": "OpenAI API 基础地址",
     "openaiApiBaseUrlPlaceholder": "https://api.openai.com/v1",