เซิร์ฟเวอร์ PubChem MCP ที่ได้รับการปรับปรุงสำหรับผู้ช่วย AI

🧪 เซิร์ฟเวอร์ MCP ที่ล้ำหน้า แข็งแกร่ง และเน้นความเป็นส่วนตัว ซึ่งช่วยให้ผู้ช่วย AI สามารถค้นหาและเข้าถึงข้อมูลสารเคมีจาก PubChem ได้อย่างชาญฉลาด

เซิร์ฟเวอร์ PubChem MCP นี้ทำหน้าที่เป็นสะพานที่ทรงพลังระหว่างผู้ช่วย AI (เช่นใน AnythingLLM) และฐานข้อมูลสารเคมีขนาดใหญ่ของ PubChem โดยใช้ Model Context Protocol (MCP) เพื่อให้โมเดล AI สามารถค้นหาสารเคมีอย่างชาญฉลาดและยืดหยุ่น รวมทั้งเรียกดูคุณสมบัติต่าง ๆ ได้โดยอัตโนมัติ

---

✨ คุณสมบัติหลัก

นี่ไม่ใช่แค่ตัวห่อหุ้ม PubChem ทั่วไป เซิร์ฟเวอร์นี้ถูกสร้างขึ้นใหม่ทั้งหมดเพื่อให้มีความแข็งแกร่งและชาญฉลาดอย่างมาก:

• 🧠 การค้นหาแบบสำรองอัจฉริยะ: หากการค้นหาด้วยชื่อสามัญ (เช่น "Vitamin D") ล้มเหลว เซิร์ฟเวอร์จะทำการค้นหาเชิงลึกในฐานข้อมูลสาร PubChem Substance โดยอัตโนมัติ เพื่อค้นหาสารที่ถูกต้อง ซึ่งช่วยเพิ่มอัตราความสำเร็จสำหรับคำถามที่คลุมเครืออย่างมาก
• 🛡️ การจัดการข้อผิดพลาดและการลองใหม่ที่แข็งแกร่ง: เซิร์ฟเวอร์ถูกออกแบบให้รับมือกับข้อผิดพลาด API ได้อย่างราบรื่น หากพบข้อผิดพลาด "Server Busy" จาก PubChem จะรอและลองใหม่โดยอัตโนมัติ เพื่อให้แน่ใจว่าคำถามของคุณสำเร็จแม้ในช่วงที่มีการใช้งานสูง
• 🔒 รองรับพร็อกซี่ Tor แบบเลือกใช้: คุณสามารถควบคุมความเป็นส่วนตัวได้เต็มที่ ตั้งค่าในไฟล์ config.ini เพื่อส่งคำขอทั้งหมดผ่านเครือข่าย Tor (ผ่าน SOCKS5 หรือ HTTP proxy) เพื่อป้องกันไม่ให้ IP ของคุณถูกเปิดเผย เซิร์ฟเวอร์นี้ปลอดภัยโดยค่าเริ่มต้น และจะ ไม่เคย เปิดเผย IP ของคุณหากการเชื่อมต่อพร็อกซี่ล้มเหลว
• 🔎 ค้นหาสารเดี่ยวและหลายสาร: รองรับคำขอทั้งสำหรับสารเดียวหรือหลายสารในข้อความเดียวอย่างไร้รอยต่อ
• 🧪 ดึงข้อมูลคุณสมบัติอย่างละเอียด: เข้าถึงคุณสมบัติสำคัญ เช่น IUPAC Name, สูตรโมเลกุล, น้ำหนักโมเลกุล และที่สำคัญ Monoisotopic Mass

---

---

🚀 ไม่ต้องติดตั้ง: ทดลองใช้งานจริงบน Smithery.ai

สำหรับผู้ที่ยังใหม่กับเซิร์ฟเวอร์ MCP หรือเพียงแค่อยากทดสอบความสามารถของเครื่องมือนี้โดยไม่ต้องตั้งค่าใด ๆ มีเวอร์ชันออนไลน์ให้ใช้งานบน Smithery.ai คุณสามารถสนทนากับเอเจนต์ได้โดยตรงผ่านเบราว์เซอร์

<-- ทดลองใช้งาน PubChem Agent สดบน Smithery.ai -->

วิธีเริ่มต้นใช้งาน:

• คลิกที่ลิงก์ด้านบนเพื่อไปยังหน้าของเซิร์ฟเวอร์
• ลงชื่อเข้าใช้ด้วยบัญชี GitHub หรือ Google ของคุณ
• คลิกปุ่ม "Explore capabilities" เพื่อเปิดอินเทอร์เฟซแชทและเริ่มทดสอบได้ทันที!

> ✅ โมเดลแนะนำสำหรับผลลัพธ์ที่ดีที่สุด >

เพื่อความแม่นยำสูงสุด โดยเฉพาะตัวเลขทศนิยมยาว ๆ ขอแนะนำให้ใช้โมเดลที่มีประสิทธิภาพสูง โดยโมเดลเหล่านี้ผ่านการทดสอบและทำงานได้ยอดเยี่ยมกับเครื่องมือนี้:

>

* Anthropic's Claude 3 Sonnet

* OpenAI's GPT-4 Turbo (หรือเวอร์ชันใหม่กว่า เช่น GPT-4o)

>

เราได้ยืนยันแล้วว่าทั้งสองโมเดลสามารถประมวลผลค่าทศนิยมที่ถูกต้องครบถ้วนตามที่เครื่องมือส่งคืน โดยไม่มีการปัดเศษแต่อย่างใด

---

🚀 เริ่มต้นอย่างรวดเร็ว & การติดตั้ง

เซิร์ฟเวอร์นี้ถูกออกแบบมาให้ใช้งานในเครื่องของคุณเอง ไม่ว่าจะเป็นบนเดสก์ท็อปหรือในสภาพแวดล้อม Docker ของ AnythingLLM

1. ข้อกำหนดเบื้องต้น

โปรเจกต์นี้ต้องใช้ไลบรารี Python บางตัว ตรวจสอบให้แน่ใจว่าติดตั้งไว้ในสภาพแวดล้อมของคุณแล้ว

สร้างไฟล์ requirements.txt โดยมีเนื้อหาดังต่อไปนี้:

requests
bs4 
mcp 
pubchempy
pandas
PySocks

ติดตั้งโดยใช้ uv หรือ pip:

uv venv
.venv\Scripts\activate
uv pip install -r requirements.txt

(หมายเหตุ: จำเป็นต้องใช้ PySocks เฉพาะกรณีที่คุณวางแผนจะใช้คุณสมบัติพร็อกซี Tor SOCKS5 เท่านั้น)

2. การกำหนดค่า

เซิร์ฟเวอร์จะถูกกำหนดค่าผ่านไฟล์ config.ini ซึ่งจะถูก สร้างขึ้นโดยอัตโนมัติ เมื่อคุณเรียกใช้งานครั้งแรก ไฟล์นี้จะปรากฏในไดเรกทอรีเดียวกับสคริปต์ pubchem_server.py

ไฟล์ config.ini ค่าเริ่มต้น:

[proxy]
Change 'use_proxy' to 'true' to route all requests through a proxy.
Essential for protecting your privacy if you use Tor.
use_proxy = false
Defines the proxy type. Options:
  socks5h  -> (Recommended for Tor) The native SOCKS proxy for Tor. More secure.
  http     -> An HTTP proxy. If using Tor, requires additional configuration.
proxy_type = socks5h
The proxy address. THIS IS A CRITICAL SETTING!
  - If you run this script on your DESKTOP, use: 127.0.0.1
  - If you run this script inside DOCKER, use: host.docker.internal
host = 127.0.0.1
The proxy port.
  9050 -> Default port for Tor's SOCKS proxy.
  8118 -> Default port for Tor's HTTP proxy (if enabled).
port = 9050

3. การบูรณาการกับ AnythingLLM

ทำตามเอกสารอย่างเป็นทางการเพื่อเพิ่มสิ่งนี้เป็นเซิร์ฟเวอร์ MCP ที่กำหนดเอง จุดสำคัญคือการชี้ไปที่ command ของคุณไปยังไฟล์ปฏิบัติการ Python และสคริปต์ pubchem_server.py

ตัวอย่างสำหรับ AnythingLLM Desktop (plugins/anythingllm_mcp_servers.json):

{
  "mcpServers": {
    "pubchem": {
      "name": "PubChem Server (Enhanced)",
      "transport": "stdio",
      "command": "\"C:\\path\\to\\your\\.venv\\Scripts\\python.exe\" \"C:\\path\\to\\your\\project\\pubchem_server.py\"",
      "cwd": "C:\\path\\to\\your\\project"
    }
  }
}

3.1 ตัวอย่างการใช้งานกับ AnythingLLM

นี่คือตัวอย่างวิธีการโต้ตอบกับเอเจนต์ การทดสอบเหล่านี้ดำเนินการโดยใช้ AnythingLLM Desktop ที่เชื่อมต่อกับโมเดลภาษาขนาดใหญ่หลายตัวผ่าน OpenRouter

ผลการทดสอบที่สำคัญคือการเลือกโมเดลที่ใช้งาน เรา ขอแนะนำอย่างยิ่งให้งดใช้โมเดลขนาดเล็กหรือโมเดลที่รันในเครื่อง สำหรับงานนี้ เนื่องจากโมเดลขนาดเล็กมักประสบปัญหาในการแยกวิเคราะห์ข้อมูลที่เครื่องมือส่งกลับมาอย่างถูกต้อง ส่งผลให้เกิดข้อผิดพลาด เช่น ค่าที่มโนขึ้นเอง รูปแบบข้อมูลผิด หรือที่สำคัญที่สุดคือ การปัดเศษตัวเลขทศนิยม ซึ่งขัดแย้งกับวัตถุประสงค์ของเครื่องมือความละเอียดสูงนี้

เพื่อรักษาความถูกต้องของผลลัพธ์ ขอแนะนำให้ตรวจสอบข้อมูลดิบที่ MCP ส่งกลับทุกครั้ง คุณสามารถเรียนรู้วิธีการได้ในหัวข้อถัดไป: 3.2 วิธีตรวจสอบผลลัพธ์ MCP ใน log

ในทางกลับกัน มีหลายโมเดลที่ให้ผลลัพธ์ยอดเยี่ยม เราได้ผลลัพธ์ที่โดดเด่นจาก Google's Gemini 2.5 Flash lite ซึ่งมีความแม่นยำสูงในการจัดการตัวเลขทศนิยมยาวและจัดรูปแบบตาราง Markdown ได้ถูกต้อง

Google gemini 2.5 flash lite ทั้งกรณีไม่ใส่ prompt และใส่ prompt ยังคงความแม่นยำของทศนิยม (ในตัวอย่างใช้ค่า temperature ที่ 0.6)

สำหรับงานนี้ โดยส่วนตัวผมชื่นชอบ Gemini 2.5 Flash lite เนื่องจากความแม่นยำและความน่าเชื่อถือที่สม่ำเสมอ

3.2 วิธีตรวจสอบผลลัพธ์ MCP ใน log

วิธีที่ดีที่สุดในการยืนยันว่าเอเจนต์ได้รับข้อมูลถูกต้องและ LLM ไม่ทำผิดพลาด คือการตรวจสอบไฟล์ debug log ที่สร้างโดยเซิร์ฟเวอร์ MCP

เซิร์ฟเวอร์นี้ถูกตั้งค่าให้สร้างไฟล์ log อัตโนมัติในโฟลเดอร์ย่อยภายในไดเรกทอรีโปรเจ็กต์ของคุณ ตำแหน่งไฟล์จะเป็น:

your-project-folder/
└── logs_mcp/
    └── mcp_debug.log

ภายในไฟล์ mcp_debug.log คุณจะพบข้อมูล JSON ที่เครื่องมือส่งกลับไปยัง LLM ก่อน ที่โมเดลจะประมวลผลข้อมูล คุณสามารถตรวจสอบ JSON นี้ด้วยตัวเองเพื่อยืนยันค่าต่างๆ โดยเฉพาะตัวเลขทศนิยมยาวๆ จากพร็อพเพอร์ตี้อย่าง monoisotopic_mass เพื่อให้แน่ใจว่า LLM ไม่ได้ทำให้เกิดข้อผิดพลาดจากการปัดเศษหรือจินตนาการข้อมูลในคำตอบสุดท้าย

---

📊 การใช้งาน

เมื่อเชื่อมต่อแล้ว ผู้ช่วย AI ของคุณจะใช้เครื่องมือนี้โดยอัตโนมัติเมื่อถูกถามเกี่ยวกับข้อมูลทางเคมี เครื่องมือหลักที่เปิดให้ใช้งานคือ search_compounds_by_name

ตัวอย่างคำสั่ง

คำสั่งนี้แสดงความสามารถของเครื่องมือในการจัดการรายชื่อสารประกอบที่มีประเภทชื่อแตกต่างกัน และดึงข้อมูลพร็อพเพอร์ตี้หลายรายการออกมา

@agent
Please use your PubChem tool to find information on the following compounds:
Thiamine (Vitamin B1)
Riboflavin (Vitamin B2)
Folic Acid
Hydroxocobalamin
For each compound found, please retrieve the IUPAC Name, Molecular Formula, and Monoisotopic Mass.
Present all the results in a single Markdown table.

ตัวแทนจะเรียกใช้เครื่องมือ search_compounds_by_name ซึ่งจะค้นหาสารประกอบแต่ละตัวอย่างชาญฉลาด ดึงข้อมูลและส่งกลับไปยัง LLM เพื่อจัดรูปแบบ

---

🛠 เครื่องมือ MCP ที่เปิดเผย

search_compounds_by_name

ค้นหาสารประกอบหลายรายการตามชื่อทีละรายการ โดยใช้กลยุทธ์สำรองอัจฉริยะพร้อมการหยุดพักและลองใหม่เพื่อความน่าเชื่อถือสูงสุด

พารามิเตอร์:

• names (List[str]): รายชื่อสารประกอบ เช่น ["Aspirin", "Ibuprofen"]

ผลลัพธ์: รายการพจนานุกรม โดยแต่ละพจนานุกรมจะมีข้อมูลของสารประกอบที่พบหรือข้อความแสดงข้อผิดพลาดที่อธิบายเหตุผลที่การค้นหาสำหรับสารประกอบนั้นล้มเหลว

---

🙏 คำขอบคุณ

โปรเจกต์นี้ได้รับแรงบันดาลใจและสร้างขึ้นบนพื้นฐานของ PubChem-MCP-Server ต้นฉบับโดย JackKuo666

แม้ว่าคลังนี้จะไม่ใช่การ fork โดยตรง แต่โปรเจกต์ต้นฉบับเป็นจุดเริ่มต้นที่สำคัญ รุ่นนี้พัฒนาคอนเซปต์เดิมให้แข็งแกร่งขึ้น เน้นกลยุทธ์การค้นหาอัจฉริยะ และความเป็นส่วนตัวของผู้ใช้ผ่านการเชื่อมต่อ Tor แบบเลือกได้ 🧅

ขอขอบคุณผู้เขียนต้นฉบับสำหรับผลงานอันยอดเยี่ยมและการแบ่งปันแก่ชุมชน

---

⚠️ ข้อจำกัดความรับผิดชอบ

เครื่องมือนี้มีไว้เพื่อการวิจัยและการศึกษาเท่านั้น โปรดเคารพข้อกำหนดการใช้งานของ PubChem และใช้งานเครื่องมือนี้อย่างรับผิดชอบ

--- Tranlated By Open Ai Tx | Last indexed: 2025-08-27 ---