Berry Classic MCP 服务器

关键词

LLM 集成证据管理证据工具会话管理运行/跨度追踪

使用说明

  • 项目简介
    • Berry 提供一个可本地运行的 Classic MCP 服务器实现，面向 LLM 客户端（如 Cursor、Claude Code、Codex、Gemini CLI 等）提供上下文信息、工具执行能力以及提示模板渲染等核心能力。
    • 经典表面（Classic）包含核心验证工具、跑步（Run）/证据跨度（Span）管理等最小集，避免开放式的广泛工具集合。
  • 主要功能点
    • 核心工具集：start_run、load_run、get_deliverable、add_span、add_file_span、list_spans、get_span、search_spans、distill_span、以及用于证据管理和运行控制的接口。
    • 证据与运行存储：将 runs、spans、deliverables 等状态持久化到磁盘，支持重启后继续工作。
    • 资源与提示：暴露促发器（prompts）用于工作流（如 verify、plan 与验证等），并通过工具执行的方式让 LLM 调用实现。
    • 安全与策略：通过配置和权限模型进行基本的只读/写控制、基础的环境注入、以及对敏感信息的处理（审计日志、脱敏等）。
    • 与 K8s 服务的互通：核心验证工具通过 K8s 服务进行集中化预算与验证（可选的远程执行路径）。
  • 安装步骤
    • 使用开发环境直接运行（推荐开发时）：在仓库根目录执行安装并运行。
    • 运行方式示例（在仓库内直接启动 Classic MCP surface）：
      • 通过 Python 模块运行：python -m berry.mcp_server --transport stdio --project-root <你的项目根目录>
      • 运行后，Berry 将以 Classic Surface 对外提供一组工具，客户端可以通过 MCP 连接并调用。
  • 服务器配置（给 MCP 客户端的配置示例，说明用途和字段）
    • 服务器名称（server name）: berry
    • 启动命令（command）: berry
    • 参数（args）: ["mcp", "--server", "classic"]
    • 环境变量（env: 可选）: 由 load_mcp_env() 组合而来，通常包含用于 OpenAI/ verifier 的键值对（如 OPENAI_API_KEY、OPENAI_BASE_URL、BERRY_SERVICE_URL 等），具体由运行环境的 mcp_env.json 和环境变量共同决定。
    • 该配置信息以 json 形式呈现，示例说明如下（请注意以下为描述性文本，实际客户端配置通常以 json 文件形式呈现）： { "serverName": "berry", "command": "berry", "args": ["mcp", "--server", "classic"], "env": { "OPENAI_API_KEY": "你的 OpenAI API Key（若使用 OpenAI 后端才需要）", "OPENAI_BASE_URL": "若使用自定义基础地址，请设置；否则可省略", "BERRY_SERVICE_URL": "Berry 验证/预算中间件服务地址（如 http://52.191.234.157:8000）" } } 注释说明
    • serverName 对应 MCP 客户端在服务端注册的标识，Berry 的实现默认使用 berry 作为名称。
    • command/args 指定了启动 MCP 服务的可执行入口和启动参数，客户端据此建立连接并通过 JSON-RPC 调用服务。
    • env 字段用于注入客户端启动时需要的环境变量，尤其是验证与预算中间件的访问所需密钥与 URL。
  • 基本使用方法
    • 启动后，客户端应以 JSON-RPC 的方式向 Berry Classic 表面发起请求，进行资源查询、工具调用、以及提示模板的获取等操作。
    • 客户端需要在本地配置好服务器名称、启动命令和参数，以便在 MCP 客户端中建立连接并执行相应请求。
    • 运行过程中，Berry 会管理会话、记录运行、以及为后续复现提供持久化数据。

服务器信息

访问项目