使用说明

node-red-contrib-mcp

The bridge between Node-RED and AI agents

Install · Quick Start · Nodes · AI Agent · Examples

Multi-phase OEE analysis agent built with MCP tool nodes in Node-RED

主控程序（模型上下文协议）是Anthropic为将人工智能连接到外部工具和数据而制定的开放标准。 此包将MCP带到Node-RED --全球最受欢迎的工业自动化和物联网低代码平台。

4M+节点RED安装 遇见 10000多台MCP服务器。 直观地构建AI代理。无需代码。

特性

任何MCP服务器 --可流式传输HTTP和SSE，带可选身份验证
任何 LLM -OpenAI、Anthropic、Ollama、vLLM、Azure、Gemini或任何与OpenAI兼容的API
AI代理节点 --全代理循环（工具发现→ LLM推理→ 工具执行→ 重复）
零锁定 --Apache-2.0许可证，无云依赖，完全本地运行
生产就绪 --错误处理、状态指示器、可配置超时
节点RED原生 --配置节点、消息传递、调试面板集成

建筑

┌─────────────────────────────────────────────────────────────────┐
│  Node-RED                                                       │
│                                                                 │
│  [inject] → [mcp tool] → [llm call] → [mcp tool] → [debug]   │
│                                                                 │
│  [inject] → [ai agent] → [debug]    ← autonomous agent loop   │
│                                                                 │
└──────────┬──────────────────────────────────────┬───────────────┘
           │                                      │
           ▼                                      ▼
    ┌──────────────┐                      ┌──────────────┐
    │  MCP Server  │                      │   LLM API    │
    │  (any tool)  │                      │  (any model) │
    └──────────────┘                      └──────────────┘

安装

cd ~/.node-red
npm install node-red-contrib-mcp

或搜索 node-red-contrib-mcp 在调色板管理器中：

Menu → 管理调色板→ 安装→ node-red-contrib-mcp

节点

节点	描述
MCP服务器	配置 -MCP服务器连接（URL、传输、API密钥）
llm配置	配置 -LLM提供程序（基本URL、模型、API密钥）
mcp工具	调用任何MCP工具。将参数传递为 `msg.payload`，配置中的工具名称或 `msg.topic`
mcp工具	列出MCP服务器上的所有可用工具。非常适合发现和调试
mcp资源	读取MCP服务器公开的资源
llm呼叫	调用任何与OpenAI兼容的LLM。支持系统提示、JSON模式、多回合聊天
AI代理	自主代理 --LLM+MCP工具处于推理循环中，直到得到答案

快速开始

1.调用MCP工具

[inject {"machine": "CNC-001"}] → [mcp tool "get_oee"] → [debug]

2.LLM+MCP管道

[inject] → [mcp tool "get_data"] → [llm call "Summarize this"] → [debug]

3.AI Agent（魔法节点）

[inject "Why did OEE drop on machine 9014?"] → [ai agent] → [debug]

代理人 自主地 发现工具、调用原因，执行它们，并综合最终答案。与ChatGPT或Claude的模式相同，但具有可视性、可审计性和Node-RED。

AI 代理

这 ai agent node运行一个完整的代理推理循环：

User: "Why did OEE drop on machine 9014 last week?"

  ┌─── Agent Loop ──────────────────────────────────────────┐
  │                                                         │
  │  Step 1: LLM sees 91 tools, picks get_oee              │
  │          → calls MCP server → gets OEE data             │
  │                                                         │
  │  Step 2: LLM analyzes, picks get_downtime_events        │
  │          → calls MCP server → gets 3 events             │
  │                                                         │
  │  Step 3: LLM synthesizes final answer                   │
  │                                                         │
  └─────────────────────────────────────────────────────────┘

Agent: "OEE dropped from 85% to 62% due to 3 unplanned stops:
        bearing failure (47min), tool change delay (23min),
        and material shortage (18min)."

  msg.agentLog = [{tool: "get_oee", ...}, {tool: "get_downtime_events", ...}]
  msg.iterations = 3

代理设置

设置	默认值	说明
MCP服务器	--	工具使用哪个MCP服务器
LLM	--	哪个LLM提供推理
系统提示	--	代理个性和说明
最大循环次数	10	最大LLM↔ 工具迭代
温度	0.3	LLM创造力（0=专注，1=创造力）

例子

导入此流

复制下面的JSON，然后在Node-RED中： Menu → 导入→ Paste

Example: MCP Tool Call

[
  {
    "id": "mcp-demo-inject",
    "type": "inject",
    "name": "Trigger",
    "props": [{ "p": "payload" }],
    "payload": "{\"machine_id\": \"CNC-001\"}",
    "payloadType": "json",
    "wires": [["mcp-demo-tool"]],
    "x": 150,
    "y": 100
  },
  {
    "id": "mcp-demo-tool",
    "type": "mcp-tool-call",
    "name": "Get OEE",
    "server": "mcp-demo-server",
    "toolName": "get_oee",
    "wires": [["mcp-demo-debug"]],
    "x": 350,
    "y": 100
  },
  {
    "id": "mcp-demo-debug",
    "type": "debug",
    "name": "Result",
    "active": true,
    "x": 550,
    "y": 100
  },
  {
    "id": "mcp-demo-server",
    "type": "mcp-server-config",
    "name": "My MCP Server",
    "url": "http://localhost:8021/mcp",
    "transportType": "http"
  }
]

Example: AI Agent

[
  {
    "id": "agent-demo-inject",
    "type": "inject",
    "name": "Ask question",
    "props": [{ "p": "payload" }],
    "payload": "What is the current OEE of machine CNC-001 and what are the main loss factors?",
    "payloadType": "str",
    "wires": [["agent-demo-agent"]],
    "x": 170,
    "y": 100
  },
  {
    "id": "agent-demo-agent",
    "type": "ai-agent",
    "name": "Factory Agent",
    "server": "agent-demo-mcp",
    "llmConfig": "agent-demo-llm",
    "systemPrompt": "You are a manufacturing AI assistant. Use the available MCP tools to answer questions about factory operations. Be precise and cite specific numbers.",
    "maxIterations": 10,
    "temperature": 0.3,
    "maxTokens": 4096,
    "wires": [["agent-demo-debug"]],
    "x": 400,
    "y": 100
  },
  {
    "id": "agent-demo-debug",
    "type": "debug",
    "name": "Agent Response",
    "active": true,
    "x": 620,
    "y": 100
  },
  {
    "id": "agent-demo-mcp",
    "type": "mcp-server-config",
    "name": "Factory MCP",
    "url": "http://localhost:8024/mcp",
    "transportType": "http"
  },
  {
    "id": "agent-demo-llm",
    "type": "llm-config",
    "name": "OpenAI",
    "baseUrl": "https://api.openai.com/v1",
    "model": "gpt-4o"
  }
]

Example: MQTT → AI Agent → MQTT (IIoT)

[
  {
    "id": "mqtt-in",
    "type": "mqtt in",
    "name": "machine/alerts",
    "topic": "machine/+/alert",
    "broker": "mqtt-broker",
    "wires": [["mqtt-agent"]],
    "x": 150,
    "y": 100
  },
  {
    "id": "mqtt-agent",
    "type": "ai-agent",
    "name": "Alert Agent",
    "server": "mqtt-mcp-server",
    "llmConfig": "mqtt-llm",
    "systemPrompt": "You are an industrial AI agent. When you receive a machine alert, investigate using MCP tools and recommend an action. Be concise.",
    "maxIterations": 5,
    "wires": [["mqtt-out"]],
    "x": 380,
    "y": 100
  },
  {
    "id": "mqtt-out",
    "type": "mqtt out",
    "name": "machine/actions",
    "topic": "machine/actions",
    "broker": "mqtt-broker",
    "x": 600,
    "y": 100
  }
]

MQTT警报进入→ AI代理通过MCP工具进行调查→ 操作通过MQTT发出。

兼容

MCP服务器

使用 任何MCP服务器 支持流式HTTP或SSE传输：

OpenShopFloor --111种制造MCP工具（ERP、OEE、QMS、TMS、UNS、KG）
Anthropic MCP服务器 --文件系统、GitHub、PostgreSQL、Slack、谷歌云端硬盘。..
您构建的任何自定义MCP服务器

大语言模型提供商

使用 任何与OpenAI兼容的API:

提供者	基本URL
OpenAI	`https://api.openai.com/v1`
Ollama（当地）	`http://localhost:11434/v1`
Azure OpenAI	`https://YOUR.openai.azure.com/openai/deployments/YOUR_DEPLOYMENT/v1`
vLLM	`http://localhost:8000/v1`
文学硕士	`http://localhost:4000/v1`
LM工作室	`http://localhost:1234/v1`
Anthropic	通过LiteLLM代理

msg参考

mcp工具调用

方向	属性	类型	描述
输入	`msg.payload`	object	工具参数
输入	`msg.topic`	string	工具名称（如果未在配置中设置）
输出	`msg.payload`	任意	工具结果（自动解析的JSON）
输出	`msg.mcpResult`	object	原始MCP响应

人工智能代理

方向	属性	类型	描述
输入	`msg.payload`	string	用户问题或任务
输出	`msg.payload`	string	代理的最终答案
输出	`msg.agentLog`	阵列	`[{tool, args, result}]` 每次通话
输出	`msg.iterations`	number	LLM推理步骤总数

llm呼叫

方向	属性	类型	描述
输入	`msg.payload`	string	用户消息
输入	`msg.messages`	array	上一次对话（多回合）
输入	`msg.tools`	array	OpenAI格式工具定义
输出	`msg.payload`	string	LLM响应文本
输出	`msg.toolCalls`	array	工具调用（如果有）
输出	`msg.usage`	object	令牌使用统计信息

配置

MCP服务器（配置节点）

字段	描述	示例
统一资源定位符	MCP服务器端点	`http://localhost:3001/mcp`
运输	协议变体	`Streamable HTTP` （默认）或 `SSE`
API密钥	可选不记名代币	`sk-...`

LLM提供程序（配置节点）

字段	描述	示例
基础URL	OpenAI兼容端点	`https://api.openai.com/v1`
模型	型号标识符	`gpt-4o`
API密钥	您的API密钥	`sk-...`

用例

域名	您可以构建什么
制造	OEE监控、容量规划、预测性维护、质量根本原因分析
工业物联网	MQTT→ AI 代理→ MQTT管道、传感器数据分析、异常检测
楼宇自动化	智能能源管理，BACnet/Modbus+AI推理
IT/DevOps	数据库代理、日志分析、自动事件响应
原型设计	实现代理人工智能原型的最快方法——Node-RED中的可视化调试

需求

节点红色>=3.0.0
Node.js>=18.0.0
要连接的MCP服务器
LLM API密钥（用于 llm-call 和 ai-agent 节点）

贡献

问题和PR欢迎！ github/巴伐利亚分析/节点审查控制mcp

许可证

阿帕奇-2.0 --无论在商业上还是非商业上，都可以在任何地方使用它。

Built by OpenShopFloor — the open-source AI platform for factory operations

Live Demo · GitHub · Node-RED Flow Library