在数字化时代，个人数据如日历事件、邮件往来和文件内容已成为日常决策的核心。然而，云端 AI 助手往往涉及数据上传，引发隐私泄露风险。DeepChat 作为一个开源的多模型 AI 聊天平台，通过其 Model Context Protocol (MCP) 支持工具调用机制，能够无缝集成本地 API，实现隐私优先的个人 AI 助手。本文将聚焦于使用 TypeScript 开发此类集成，强调数据查询和响应生成的工程化实践，避免不必要的云端依赖，确保用户数据始终本地处理。
DeepChat 的核心优势在于其对 MCP 协议的完整支持，该协议定义了 Resources、Prompts 和 Tools 三种核心能力。其中，Tools 允许 AI 模型在对话中动态调用外部函数，实现智能数据交互。根据 DeepChat 的官方文档，MCP 支持 StreamableHTTP、SSE 和 Stdio 等传输协议，并内置 Node.js 运行时环境，这为 TypeScript 开发者提供了低门槛的扩展路径。例如，在构建个人 AI 时，我们可以定义工具函数来访问本地日历（如 iCalendar 格式）、邮件服务器（IMAP/SMTP）和文件系统（Node.js fs 模块），让 LLM 如 Ollama 本地模型直接查询这些数据源，而无需将敏感信息发送至远程服务器。这种设计不仅提升了响应速度，还符合 GDPR 等隐私法规要求。
要实现这一集成，首先需设置 DeepChat 的开发环境。克隆仓库后，使用 pnpm 安装依赖：pnpm install 后运行 pnpm run installRuntime。DeepChat 基于 Electron 和 Vue 构建，支持 Windows、macOS 和 Linux 平台。开发模式下，通过 pnpm run dev 启动应用。在 TypeScript 配置中，确保 tsconfig.json 启用严格模式（"strict": true），并安装必要的类型定义如 @types/node 和 @types/nodemailer。MCP 工具的注册发生在 src/main/mcp 目录下，我们可以扩展 services 文件夹，添加自定义工具服务。
考虑文件 API 的集成，作为最基础的数据源。文件系统查询常用于 AI 助手检索文档、生成摘要或提取关键词。使用 Node.js 的 fs 模块，在 TypeScript 中定义一个工具函数：
import fs from 'fs/promises';
import path from 'path';
interface FileQueryParams {
directory: string;
query: string;
maxResults: number;
}
async function queryFiles(params: FileQueryParams): Promise<string[]> {
const { directory, query, maxResults = 10 } = params;
try {
const files = await fs.readdir(directory, { withFileTypes: true });
const results: string[] = [];
for (const file of files) {
if (file.isFile() && file.name.toLowerCase().includes(query.toLowerCase())) {
const filePath = path.join(directory, file.name);
const content = await fs.readFile(filePath, 'utf-8');
if (content.length > 0) {
results.push(`${file.name}: ${content.substring(0, 500)}...`);
if (results.length >= maxResults) break;
}
}
}
return results;
} catch (error) {
throw new Error(`文件查询失败: ${error.message}`);
}
}
此函数接受目录路径、搜索关键词和结果上限参数，返回匹配文件的摘要。在 MCP 服务中注册此工具：
import { Tool } from 'mcp-protocol';
const fileTool: Tool = {
name: 'query_local_files',
description: '查询本地文件系统中的文档，支持关键词搜索',
parameters: {
type: 'object',
properties: {
directory: { type: 'string', description: '文件目录路径' },
query: { type: 'string', description: '搜索关键词' },
maxResults: { type: 'number', description: '最大结果数，默认10' }
},
required: ['directory', 'query']
},
execute: queryFiles
};
mcpService.registerTool(fileTool);
落地参数建议：directory 默认为用户文档路径（如 process.env.HOME + '/Documents'），maxResults 设为 5-20 以平衡性能；监控点包括文件读取超时（设为 5 秒），使用 Node.js 的 AbortController 实现。风险控制：仅允许读取用户指定目录，避免系统文件访问；集成加密，如使用 crypto 模块对敏感文件内容进行 AES 加密传输。
接下来是邮件 API 集成。邮件数据涉及隐私敏感信息，如联系人或附件，因此需优先使用本地存储的 IMAP 客户端。推荐使用 node-imap 和 simple-parser 库，在 TypeScript 中封装：
import Imap from 'imap';
import { simpleParser } from 'mailparser';
interface EmailQueryParams {
host: string;
port: number;
user: string;
password: string;
searchCriteria: string;
limit: number;
}
async function queryEmails(params: EmailQueryParams): Promise<any[]> {
const { host, port = 993, user, password, searchCriteria, limit = 10 } = params;
return new Promise((resolve, reject) => {
const imap = new Imap({
user,
password,
host,
port,
tls: true,
tlsOptions: { rejectUnauthorized: false }
});
function openInbox(cb: (err: Error | null, box: any) => void) {
imap.openBox('INBOX', true, cb);
}
imap.once('ready', () => {
openInbox((err, box) => {
if (err) return reject(err);
imap.search([searchCriteria], (err, results) => {
if (err) return reject(err);
const fetch = imap.fetch(results.slice(0, limit), { bodies: '' });
const emails: any[] = [];
fetch.on('message', (msg, seqno) => {
msg.on('body', (stream) => {
simpleParser(stream, (err, parsed) => {
if (!err && parsed) emails.push({ subject: parsed.subject, from: parsed.from?.text, text: parsed.text });
});
});
});
fetch.once('end', () => {
imap.end();
resolve(emails);
});
});
});
});
imap.once('error', reject);
imap.connect();
});
}
注册为 MCP 工具类似上述，parameters 中 host/port/user/password 需用户预配置（存储在加密的本地数据库，如 electron-store）。参数优化：port 默认 993 (IMAP over SSL)，limit 5-15；安全清单：使用环境变量存储凭证，支持 OAuth2 替代明文密码；监控包括连接超时（10 秒）和错误日志记录到本地文件。引用 DeepChat 文档：“MCP 支持内置 Node.js 运行时，工具调用无需额外配置。” 此机制确保邮件查询仅在本地执行，AI 仅接收过滤后的摘要。
对于日历 API，本地集成可使用 ical 库解析 .ics 文件，或集成系统 API 如 macOS 的 CalendarKit（通过 Electron 的 native 模块）。TypeScript 示例聚焦 iCal：
import ical from 'ical-generator';
import fs from 'fs/promises';
interface CalendarQueryParams {
filePath: string;
dateRange: { start: string; end: string };
eventType: string;
}
async function queryCalendar(params: CalendarQueryParams): Promise<any[]> {
const { filePath, dateRange, eventType = 'all' } = params;
try {
const content = await fs.readFile(filePath, 'utf-8');
const calendar = ical.parseICS(content);
const events = calendar.events().filter(event => {
const eventDate = event.start();
return eventDate >= new Date(dateRange.start) && eventDate <= new Date(dateRange.end) &&
(eventType === 'all' || event.summary().toLowerCase().includes(eventType));
});
return events.map(event => ({
summary: event.summary(),
start: event.start().toISOString(),
description: event.description()
}));
} catch (error) {
throw new Error(`日历查询失败: ${error.message}`);
}
}
MCP 注册同上，parameters 包括 filePath（默认 ~/Calendar.ics）、dateRange (ISO 格式，如 "2025-10-19T00:00:00Z" 到 "2025-10-26T23:59:59Z"）。落地清单：定期同步日历文件（cron 任务，每小时）；阈值：事件上限 20 条，避免 token 溢出；回滚策略：若查询失败，fallback 到缓存数据（使用 localForage 存储上周事件）。隐私参数：描述字段脱敏，移除个人信息如电话。
集成完成后，在 DeepChat 的聊天界面，AI 可根据用户查询如“今天有什么会议？”自动调用 queryCalendar 工具，生成响应：“根据您的日历，下午 2 点有团队会议，地点：会议室 A。” 类似地，文件和邮件查询支持复杂任务，如“总结最近邮件中的项目更新”或“查找报告文件”。
工程化要点包括：1) 授权机制：使用 Electron 的 ipcRenderer 向主进程请求用户确认敏感操作；2) 性能监控：集成 perf_hooks 追踪工具调用时长，阈值 >2 秒 则优化或缓存；3) 错误处理：统一 try-catch，返回标准化错误码；4) 测试清单：单元测试工具函数（Jest），端到端测试 MCP 调用（模拟 LLM 请求）。风险限制：避免工具滥用，通过 rate limiting（每分钟 5 次调用）；数据加密使用 AES-256，密钥由用户管理。
通过上述 TypeScript 集成，DeepChat 转型为高度个性化的隐私 AI 助手，支持无缝数据驱动对话。未来，可扩展至更多本地源如浏览器历史或笔记 app，进一步增强实用性。开发者可从 GitHub 仓库起步，快速原型化此类应用，确保 AI 赋能而不牺牲隐私。
（字数约 1250）