项目简介

MCP Agentify 是一个基于 Node.js/TypeScript 构建的 AI 驱动的 Model Context Protocol (MCP) 网关。它作为一个 MCP 服务器运行，主要通过标准输入输出 (stdio) 与客户端（如 IDE）通信。其核心功能是接收客户端的任务请求，利用 AI (如 OpenAI) 来理解请求意图，智能地选择合适的后端 MCP 工具来执行任务，并将结果返回给客户端。它负责动态管理与这些后端工具的连接。

主要功能点

统一MCP接口: 为 LLM 客户端提供一个单一的 MCP 服务器连接点。
智能任务编排: 利用大型语言模型 (LLM) 分析用户输入的自然语言查询和上下文，智能选择和调用配置好的后台 MCP 工具。
动态后端管理: 根据客户端在初始化时提供的配置，动态启动和管理多个基于 stdio 通信的后台 MCP 服务器进程（例如文件系统工具、网页浏览器工具等）。
简化客户端逻辑: 将复杂的工具选择和参数组织逻辑集中在网关侧处理。
Stdio 通讯: 设计为通过标准输入输出进行通信，便于与 IDE 和其他工具集成。
可选前端界面: 提供一个简单的 Web 界面，用于监控网关状态、查看实时日志和 MCP 通讯追踪。

安装步骤

要使用 MCP Agentify，您需要在您的系统上安装 Node.js。

如果您想在项目中将其作为依赖使用或从本地克隆运行：打开终端，导航到您的项目目录或克隆的 'mcp-agentify' 仓库目录，然后运行：
```
npm install mcp-agentify
# 或使用 yarn
yarn add mcp-agentify
```
如果您从 GitHub 克隆，请先在仓库目录中运行 'npm install' 安装依赖。
如果您想使用 'npx' 临时运行（假设已发布到 npm）：
```
npx mcp-agentify
```

服务器配置

MCP Agentify 网关通过环境变量和连接的 MCP 客户端在 'initialize' 握手时发送的 'initializationOptions' 进行配置。

MCP 客户端（通常是您的 IDE 或 LLM 应用）需要配置如何启动 'mcp-agentify' 进程，以及启动后需要发送哪些初始化参数。

启动网关进程的配置 (由客户端工具配置): 客户端工具需要知道执行什么命令来启动 MCP Agentify 网关进程。这通常在客户端的 MCP 服务器配置部分设置。
- 命令 (command): 用于启动网关的命令，例如 'npx' 或 'node path/to/cli.js'。
- 参数 (args): 传递给命令的参数，例如 'mcp-agentify'。
- 环境变量 (env): 为网关进程设置的环境变量。重要的环境变量包括:
  - 'OPENAI_API_KEY': 您的 OpenAI API 密钥，这是 AI 编排功能所必需的。网关优先读取此环境变量。
  - 'LOG_LEVEL': 网关的日志级别（例如 'info', 'debug', 'trace'）。
  - 'FRONTEND_PORT': 如果设置为一个端口号（例如 '3030'），将启动调试 Web 界面；设置为 '"disabled"' 则禁用。
  - 'AGENTS': 可选，逗号分隔的 '"Vendor/ModelName"' 列表（例如 '"OpenAI/gpt-4.1,OpenAI/o3"'），用于启用直接与指定模型聊天的动态 MCP 方法（如 'agentify/agent_OpenAI_gpt_4_1'）。
客户端工具的配置示例概念（非实际代码，描述其作用）： 客户端会有一个配置入口，指定启动 MCP 服务器的方式：
```
指定服务器类型为 stdio
指定启动命令: /path/to/node
指定命令参数: /path/to/mcp-agentify/dist/cli.js
设置环境变量:
  OPENAI_API_KEY=sk-YOUR-ACTUAL-KEY
  LOG_LEVEL=debug
  FRONTEND_PORT=3030
```

客户端发送的初始化选项 ('initializationOptions' - JSON 格式): 在客户端与网关建立 stdio 连接后，客户端会发送一个包含初始化参数的 JSON-RPC 请求 ('initialize' 方法)。这些参数告诉网关如何配置其托管的后端工具。

这是一个 JSON 对象，主要包含以下字段：
- 'backends': **（必需）**一个数组，每个元素定义一个网关将管理的后台 MCP 服务器。
  - 每个后台配置对象包含：
    - 'id': **（必需）**后台的唯一标识符（例如 '"filesystem"', '"mcpBrowserbase"'），将用作 LLM 工具名称。
    - 'displayName': （可选）后台的易读名称。
    - 'type': **（必需）**目前必须是 '"stdio"'，表示通过 stdio 与后台通信。
    - 'command': **（必需）**用于启动此后台进程的命令（例如 '"npx"', '"node"'）。
    - 'args': （可选）传递给此后台启动命令的参数。
    - 'env': （可选）为此特定后台进程设置的环境变量。
- 'logLevel': （可选）客户端建议的日志级别，网关会优先使用其自身环境变量的设置。
- 'OPENAI_API_KEY', 'FRONTEND_PORT': （可选）客户端提供的这些参数会被网关自身的环境变量覆盖，仅作为备用。

客户端发送的初始化选项示例概念（非实际代码，描述其结构）： 客户端发送的 JSON 看起来像这样：

{
  "logLevel": "debug", // 可能被环境变量覆盖
  "OPENAI_API_KEY": "sk-fallback-key", // 可能被环境变量覆盖
  "backends": [
    {
      "id": "filesystem",
      "displayName": "本地文件访问",
      "type": "stdio",
      "command": "npx",
      "args": ["@modelcontextprotocol/server-filesystem", "/path/to/project"]
    },
    {
      "id": "mcpBrowserbase",
      "displayName": "云浏览器工具",
      "type": "stdio",
      "command": "npx",
      "args": ["@smithery/cli@latest", "run", "@browserbasehq/mcp-browserbase"],
      "env": {"BROWSERBASE_API_KEY": "bb-your-key"}
    }
  ]
}

总结：用户主要通过配置其 MCP 客户端工具来设置 'mcp-agentify' 的启动命令（含环境变量）和 'initializationOptions'（含后端列表）。

基本使用方法

按照客户端工具（如兼容 MCP 的 IDE）的文档，配置其启动 MCP Agentify 网关（指定命令、参数和必要的环境变量，尤其是 'OPENAI_API_KEY' 和 'FRONTEND_PORT'）。
配置客户端在连接网关时发送的 'initializationOptions'，列出希望网关管理的后端 MCP 工具（例如配置 '@modelcontextprotocol/server-filesystem' 或 '@browserbasehq/mcp-browserbase' 作为后台）。
启动您的客户端工具。客户端会自动启动并连接到 MCP Agentify。
在客户端中通过自然语言或特定功能触发需要 LLM 编排的任务。客户端会将请求发送给网关的 'agentify/orchestrateTask' 方法。
网关接收请求，调用 OpenAI API 确定最佳后台工具和方法，然后代理请求给相应的后台进程。
后台进程执行任务并将结果返回给网关，网关再将结果返回给客户端。
如果启用了调试 Web 界面（通过设置 'FRONTEND_PORT' 环境变量），您可以在浏览器中访问 'http://localhost:<PORT>' 查看日志和追踪，监控网关和后台的活动。
如果设置了 'AGENTS' 环境变量，客户端可能可以通过网关暴露的动态方法直接与指定的 LLM 模型进行聊天交互。

关键词

信息