AI导哈

分布式AI代理协调服务器

Mendicant MCP Server是一个高级概率编排智能系统，用于分布式AI代理协调，具有自适应贝叶斯推理、时间知识衰减和闭环学习等核心功能，适用于复杂AI代理系统的战略协调和优化。

  • by zhadyz
  • TypeScript
  • 本地部署
  • 更新于
在 GitHub 查看 zhadyz/mendicant-mcp-server

使用说明

Mendicant MCP服务器

分布式AI代理系统的高级概率编排智能。实现自适应贝叶斯推理、时间知识衰减和闭环学习，用于战略代理协调。

状态： 生产|v0.5.1|131/131测试通过

快速开始

安装

CLI安装（推荐）：

claude mcp add mendicant-mcp-server

手动配置：

添加到MCP配置文件：

  • 窗户： %APPDATA%\Claude\claude_desktop_config.json
  • macOS： ~/Library/Application Support/Claude/claude_desktop_config.json
{
  "mcpServers": {
    "mendicant": {
      "command": "npx",
      "args": ["-y", "mendicant-mcp-server"]
    }
  }
}

重新启动克劳德代码以激活。

基本命令

战略规划：

const plan = await mendicant_plan(
  "implement authentication system",
  { project_type: "nextjs", has_tests: false }
);

结果协调：

const synthesis = await mendicant_coordinate(
  "implement authentication system",
  agent_results,
  plan,
  project_context
);

健康分析：

const analysis = await mendicant_analyze({
  git_status: "...",
  test_results: {...},
  build_status: "failing"
});

故障恢复：

const failure_analysis = await mendicant_analyze_failure(
  objective,
  failed_agent_id,
  error_message,
  preceding_agents
);

const refined_plan = await mendicant_refine_plan(
  original_plan,
  failure_analysis,
  objective
);

模式发现：

const patterns = await mendicant_find_patterns(
  "implement real-time notifications",
  { project_type: "nextjs" }
);

仪表盘

该服务器包括一个实时网络仪表板，可在以下网址访问 http://localhost:3000 （默认情况下自动启动）。

特征：

  • 实时执行监控
  • 代理性能指标
  • Mahoraga学习可视化
  • 模式分析界面

配置：

{
  "env": {
    "DASHBOARD_PORT": "3000",
    "DASHBOARD_BRIDGE_PORT": "3001",
    "MENDICANT_AUTO_LAUNCH_DASHBOARD": "true"
  }
}

核心能力

自适应智能系统

  1. 贝叶斯置信度引擎 -等渗回归校准的概率推理
  2. 时间衰变引擎 -特定领域知识半衰期（45-730天）
  3. 反馈回路系统 -每次执行后的闭环学习
  4. 自适应执行器 -通过5种恢复策略实时修改计划
  5. 帕累托优化器 -多目标优化（准确性/成本/延迟）
  6. 预测冲突检测器 -主动冲突检测和解决
  7. 语义嵌入器 -多标签分类，便于客观理解
  8. Agent通信总线 -多代理协调基础设施

智能功能

语义代理匹配 -使用Mnemosyne BGE大型（本地、免费）或OpenAI嵌入（回退），基于向量嵌入的代理选择准确率为85-90%。

跨项目学习 -通过自动PII清理和作用域命名空间在项目之间进行隐私保护模式匹配。

混合实时同步 -关键操作在<500ms内完成，非关键更新采用优雅的异步回退。

建筑

User Request
    ↓
Claude Code
    ↓
mendicant_plan(objective, context)
    ├─ Semantic classification
    ├─ Temporal filtering
    ├─ Bayesian inference
    ├─ Conflict prediction
    └─ Pareto optimization
    ↓
Adaptive Executor
    ├─ Agent execution
    ├─ State monitoring
    ├─ Recovery strategies
    └─ Real-time replanning
    ↓
mendicant_coordinate(results)
    ├─ Output synthesis
    ├─ Conflict detection
    └─ Recommendations
    ↓
Feedback Loop
    ├─ Update Bayesian priors
    ├─ Calibrate embeddings
    ├─ Learn conflict patterns
    └─ Record to Mnemosyne

设计理念： MCP服务器中的自适应概率智能；Claude Code中的语义理解和执行。

文档

工具参考

规划与协调

mendicant_plan

使用贝叶斯推理和时间过滤从目标创建战略编排计划。

参数：

{
  objective: string;              // User's objective
  context?: {
    project_type?: string;        // "nextjs" | "python" | "rust"
    has_tests?: boolean;
    linear_issues?: any[];
    recent_errors?: any[];
  };
  constraints?: {
    max_agents?: number;
    prefer_parallel?: boolean;
    max_tokens?: number;
  };
  past_executions?: any[];        // Mnemosyne integration
}

退货：

{
  agents: AgentSpec[];            // Ordered agent sequence
  execution_strategy: string;     // "sequential" | "parallel" | "phased"
  phases?: Phase[];               // Phased execution structure
  success_criteria: string;
  estimated_tokens: number;
  pattern_matched?: string;
}
mendicant_coordinate

通过结构化输出和冲突检测综合多个代理的结果。

参数：

{
  objective: string;
  agent_results: AgentResult[];
  plan?: object;                  // For Mahoraga learning
  project_context?: object;       // For Mahoraga learning
}

退货：

{
  synthesis: string;              // Structured summary
  conflicts: Conflict[];          // Detected conflicts
  gaps: string[];                 // Missing coverage
  recommendations: string[];
  verification_needed: boolean;
}
mendicant_analyze

分析项目健康状况并建议干预措施。

参数：

{
  context: {
    git_status?: string;
    test_results?: object;
    build_status?: string;
    linear_issues?: any[];
    recent_commits?: any[];
    recent_errors?: any[];
  }
}

退货：

{
  health_score: number;           // 0-100
  critical_issues: Issue[];
  recommendations: Recommendation[];
  suggested_agents: string[];
}

自适应学习（Mahoraga系统）

mendicant_record_feedback

记录代理执行反馈，用于被动学习。

参数：

{
  agent_id: string;
  success: boolean;
  tokens_used?: number;
  duration_ms?: number;
  error?: string;
}
mendicant_predict_agents

使用历史模式预测代理成功率。

参数：

{
  agent_ids: string[];
  objective: string;
  context?: object;
}

退货：

{
  predictions: {
    agent_id: string;
    predicted_success_rate: number;
    confidence: number;
    similar_executions: number;
  }[];
}
mendicant_analyze_failure

使用历史背景分析故障根本原因。

参数：

{
  objective: string;
  failed_agent_id: string;
  error: string;
  preceding_agents: string[];
  context?: object;
}

退货：

{
  failure_patterns: Pattern[];
  root_cause_hypothesis: string;
  avoidance_rules: string[];
  suggested_fixes: string[];
  alternative_agents: string[];
}
mendicant_refine_plan

使用Mahoraga模式分析优化失败的计划。

参数：

{
  original_plan: object;
  failure_context: object;        // From analyze_failure
  objective: string;
  project_context?: object;
}

退货：

{
  refined_plan: object;
  changes_made: Change[];
  reasoning: string;
  confidence: number;
}
mendicant_find_patterns

使用KD树相似性搜索查找类似的成功执行模式。

参数：

{
  objective: string;
  context?: object;
  limit?: number;                 // Default: 10
}

退货：

{
  patterns: {
    objective: string;
    agents_used: string[];
    similarity_score: number;
    success_rate: number;
  }[];
}
mendicant_discover_agents

在运行时注册新代理以进行动态代理发现。

参数：

{
  agent_ids: string[];
}
mendicant_list_learned_agents

列出所有具有性能统计信息的代理。

参数：

{
  ranked?: boolean;               // Sort by success rate
}

内置工作流模式

模式 关键字 代理序列 应用
脚手架 脚手架、设置、初始化 架构师→ 抄写员→ 空心眼→ loveless 项目初始化
固定测试 测试、失败、调试 无爱→ 空心眼→ 无爱 测试失败解决方案
SECURITY_FIX 安全、漏洞、CVE 无爱→ 空心眼→ 无爱→ scribe 安全补救
部署 部署、发布、CI/CD 哨兵→ 扎兹→ loveless 部署配置
功能实现 实现、特性、构建→ 建筑师→ 空心眼→ 无爱→ scribe 功能开发
BUG_FIX bug、问题、错误→ 空心眼→ 无爱 漏洞调查

版本历史记录

v0.5.1（2025-01-07）

  • npm包中捆绑的仪表板
  • 用于生产部署的静态文件
  • 端口配置修复
  • 零构建安装

v0.4.0-Mnemosyne BGE大型集成（2025-01-06）

  • 用Mnemosyne BGE big替换OpenAI嵌入
  • 三层缓存架构（内存/磁盘/持久）
  • 智能提供商自动检测
  • 每月运营成本为0美元
  • 100%测试覆盖率（131/131次测试）

v0.3.0-高级学习增强功能（2025-01-06）

  • 多维误差分类（4D分类）
  • 基于时间相关性的故障链检测
  • 预测性冲突检测
  • KD树模式匹配（O（log n）性能）
  • 具有聚合统计信息的滚动窗口内存
  • 100%测试覆盖率（45/45测试）

v0.2.0-高级自适应智能（2025-01-05）

  • 8个新的情报系统（4657行）
  • 贝叶斯概率推理
  • 实时自适应执行
  • 时间知识衰减
  • 多目标帕累托优化
  • 闭环学习基础设施

v0.1.1-初始版本（2025-01-04）

  • 核心编排规划
  • 带有性能跟踪的代理注册表
  • 基础Mahoraga自适应学习
  • 工作流模式模板

配置

语义匹配：

{
  "features": {
    "semanticMatching": {
      "enabled": true,
      "weight": 0.30,
      "fallbackToKeywords": true
    }
  },
  "embeddings": {
    "provider": "mnemosyne",
    "model": "bge-large-en-v1.5",
    "dimensions": 1024,
    "cache": {
      "l1Size": 100,
      "l2TTL": 86400,
      "l3TTL": 7776000
    }
  }
}

跨项目学习：

{
  "crossProjectLearning": {
    "enabled": true,
    "scope": {
      "level": "project",
      "identifier": "my-app",
      "canShare": false,
      "sensitivity": "internal"
    }
  }
}

混合同步：

{
  "hybridSync": {
    "enabled": true,
    "realtimeTimeout": 500,
    "batchInterval": 30000
  }
}

集成示例

指挥系统集成：

# .claude/commands/autonomous.md

Embody the mendicant_bias orchestration pattern.

1. Assess: mendicant_analyze({ test_results, git_status })
2. Plan: mendicant_plan(objective_from_analysis)
3. Execute: Task tool for each agent
4. Learn: mendicant_record_feedback({ agent_id, success })
5. Synthesize: mendicant_coordinate(results)

Mnemosyne集成：

将执行历史存储在Mnemosyne知识图中，以便跨会话进行持续学习。通过 past_executions 到 mendicant_plan 为了机构记忆。

性能特征

语义匹配（Mnemosyne BGE大）：

度量 冷启动 热缓存（95%）
延迟 150-200ms 55-90ms
准确度 85-90% 85-90%
费用 免费 免费

自适应执行：

  • 恢复成功率：95%+
  • 计划适应延迟：<500ms
  • 冲突预测准确率：~70%

学习系统：

  • 贝叶斯校准：Brier分数跟踪
  • 时间衰减：45-730天半衰期
  • 模式匹配：O（log n）KD树

发展

构建：

npm install
npm run build

观看模式：

npm run watch

测试：

npm test                # Run all tests
npm run test:watch      # Watch mode

调试日志记录：

  • 窗户： %TEMP%\mendicant-debug.log
  • Unix： /tmp/mendicant-debug.log

地方发展：

{
  "mcpServers": {
    "mendicant": {
      "command": "node",
      "args": ["<absolute-path>/mendicant-mcp-server/dist/index.js"]
    }
  }
}

局限性

服务器功能：

  • ✅ 概率代理选择（贝叶斯推理）
  • ✅ 实时自适应执行
  • ✅ 时间知识衰减
  • ✅ 多目标优化
  • ✅ 预测性冲突检测
  • ✅ 语义目标分类
  • ✅ 闭环学习
  • ✅ 基于模式的规划

建筑边界：

  • ❌ 深入的语义理解（需要LLM-由Claude Code提供）
  • ❌ 特定于代码库的分析（必须提供上下文）
  • ❌ 代码合成（仅协调）
  • ❌ 直接文件系统操作（Claude Code处理此操作）

设计原理： MCP中的自适应概率智能；Claude Code中的语义理解和执行。

技术规格

依赖关系：

  • @modelcontextprotocol/sdk ^1.0.4
  • openai ^4.104.0（可选）

运行时间要求：

  • Node.js 16+
  • TypeScript 5.7.2

包装尺寸： 692.5 kB（310个文件）

测试覆盖范围： 131/131通过（100%）

参考文献

存储库： https://github.com/zhadyz/mendicant-mcp-server 问题： https://github.com/zhadyz/mendicant-mcp-server/issues Mnemosyne MCP： https://github.com/zhadyz/mnemosyne-mcp npm包： https://www.npmjs.com/package/mendicant-mcp-server

附加文件：

作者 扎兹 许可证： 麻省理工学院

注： Mahoraga系统通过贝叶斯推理、时间感知和持续学习展示了真正的自适应智能。这个名字反映了它的适应性。

相关 MCP