使用说明
产卵
分析AI代理日志，提取可重用的工作流模式，并生成生产就绪的MCP/FastMCP服务器。
标语： 构建MCP服务器的MCP服务器。
30秒演示
输入：具有重复工作流的AI代理会话日志。
spawn可以：
- 解析日志，
- 提取重复的工作流模式，
- 对哪些值得自动化进行评分，
- 生成完整的MCP/FastMCP服务器，
- 验证所生成的结构，
- 从构建成果中学习。
结果：一个可重用的MCP服务器，而不是一个困在聊天历史中的有用模式。
之前->之后
之前
重复的代理工作流只存在于会话记录中：
Read issue text -> classify issue -> create checklist -> write report
之后
spawn将该模式转换为可重用的MCP/FastMCP服务器，具有：
- 工具，
- 测验，
pyproject.toml,- 自述文件，
- MCP元数据。
看 examples/generated-mcp/ 以获得紧凑的生成输出样本。
这是给谁的
spawn适用于从混乱的现实世界代理会话中构建人工智能代理系统、MCP生态系统、内部自动化或可重复工具工作流的人。
当工作流不断出现在代理跟踪中，并且应该成为一个明确的、可测试的工具边界时，它尤其有用。
什么卵不是
spawn不是一个通用的编码代理。
它不会取代调用AI的语义判断。它提供了将重复代理工作流转换为可重用服务器所需的MCP工具、评分、模板、验证和内存挂钩。
什么是spawn？
spawn是一个元MCP服务器，它分析AI代理会话日志中的模式，对其可构建性进行评分，并根据这些模式生成完整的MCP服务器实现。
它关闭了循环：你的AI代理发现了一个有用的工作流->spawn提取模式->spawn生成一个可工作的MCP服务器，对其进行编码。
设计原则： AI不可知论者。spawn提供数据和实用程序。调用AI（任何兼容MCP的模型）提供语义理解。没有供应商锁定。
为什么重要
每个AI代理会话都会产生模式：重复的工具序列、多步骤工作流、特定领域的约定。这些模式很有价值，但很短暂——它们只存在于会话日志和内存中。
产卵使它们永久存在。它
- 从会话日志中提取重复模式
- 对他们的自动化潜力进行评分
- 根据评分模式生成生产就绪的MCP服务器
- 从构建结果中学习，以提高未来的得分
运作原理
Session logs / transcripts
|
v
PARSE (log_parser)
Extract tool calls, AI actions, user requests
|
v
EXTRACT (pattern_extractor)
Identify recurring sequences and themes
|
v
SCORE (scoring_engine)
Rate patterns for buildability (frequency, complexity, feasibility)
|
v
GENERATE (generator_engine)
Produce complete MCP server: server.py, tools, tests, pyproject.toml
|
v
VALIDATE (validator)
Verify generated code structure and imports
|
v
LEARN (learning_engine)
Record outcomes, refine scoring weights
17 MCP工具
主要工具（人工智能驱动的工作流程）
| 工具 | 它做什么 |
|---|---|
get_log_content |
解析会话日志，返回结构化数据进行AI分析 |
find_recurring_themes |
表面电位模式的频率分析 |
define_pattern |
AI定义了它从内容中识别出的模式 |
score_patterns |
可建造性评分模式（0-100） |
generate_preview |
提交前预览生成的代码 |
generate_mcp |
根据评分模式生成完整的MCP服务器 |
validate_mcp |
验证生成的服务器结构 |
库工具
| 工具 | 它做什么 |
|---|---|
list_patterns |
列出会话中定义的所有模式 |
get_pattern |
获取单个图案的详细信息 |
store_pattern |
将模式保存到持久库 |
search_patterns |
按关键字或标签搜索模式库 |
suggest_similar |
查找类似的现有模式 |
learn_outcome |
记录构建成功/失败，以优化评分 |
管道工具
| 工具 | 它做什么 |
|---|---|
run_pipeline |
完整的端到端：分析->评分->生成 |
compare_existing |
将模式与现有MCP服务器进行比较 |
batch_analyze |
批量处理多个日志文件 |
快速开始
# Install
pip install -e ".[dev]"
# Run as MCP server
python -m mcp_builder_mcp.server
# Add to .mcp.json
{
"spawn": {
"command": "bash",
"args": ["-c", "cd /path/to/spawn && .venv/bin/python -m mcp_builder_mcp.server"]
}
}
示例用法
User: "Analyze my last session log for patterns"
AI: calls get_log_content with the log file
AI: calls find_recurring_themes to identify candidates
AI: calls define_pattern for each promising pattern
AI: calls score_patterns to rank them
AI: calls generate_mcp for the top-scoring pattern
-> Complete MCP server generated: server.py, tests, pyproject.toml, README
建筑
spawn/
├── src/mcp_builder_mcp/
│ ├── server.py # FastMCP server (17 tools)
│ ├── parser/ # Log parsing (multi-format)
│ │ └── log_parser.py
│ ├── extractor/ # Pattern extraction
│ │ └── pattern_extractor.py
│ ├── scorer/ # Buildability scoring
│ │ └── scoring_engine.py
│ ├── generator/ # Code generation
│ │ ├── generator_engine.py
│ │ ├── validator.py
│ │ └── templates/ # Jinja2 templates for generated code
│ ├── store/ # Persistence
│ │ ├── pattern_store.py # JSON-backed pattern library
│ │ ├── learning.py # Outcome tracking + weight refinement
│ │ └── minna_sync.py # Optional memory integration
│ └── models/ # Data models
│ ├── pattern.py
│ └── score.py
└── tests/ # 156 tests (unit + integration + e2e)
评分模型
图案在5个维度上评分（可配置权重）：
| 尺寸 | 默认重量 | 测量内容 |
|---|---|---|
| 频率 | 0.3 | 模式出现的频率 |
| 复杂性 | 0.2 | 复杂到足以证明自动化的合理性吗？ |
| 可行性 | 0.2 | 可作为MCP服务器实现吗？ |
| 影响 | 0.2 | 自动化此模式的价值 |
| 新颖性 | 0.1 | 现有工具已经提供了吗？ |
生成的输出
对于每种模式，spawn都会生成：
server.py-使用工具实现完整的FastMCP服务器pyproject.toml-构建配置tests/test_*.py-试验脚手架README.md-文件MCP_INFO.md-MCP元数据
所有生成的代码都使用Jinja2模板（可在 generator/templates/).
有关生成的输出契约的简洁说明，请参见 examples/generated-mcp/.
测试
python -m pytest tests/ -v # All 156 tests
python -m pytest tests/unit/ -v # Unit tests
python -m pytest tests/integration/ -v
python -m pytest tests/e2e/ -v
展示
请参阅 产卵展示网站 用于演示和文档。
许可证
麻省理工学院
