项目简介

Multi-Agent Docker AI环境是一个多容器Docker环境，专为AI代理设计。它利用Model Context Protocol (MCP) 协议协调本地命令行工具和外部图形用户界面 (GUI) 应用程序，支持先进的AI驱动开发工作流程。此环境提供Python、Node.js、Rust和Deno等多语言运行时，并配备了AI/ML、3D图形、EDA、文档处理和网络分析等领域的广泛工具。

主要功能点

双容器架构：将核心AI逻辑和CLI工具与资源密集型GUI应用程序（如Blender、QGIS）分离。
灵活的MCP连接：支持WebSocket (3002端口) 和高性能TCP (9500端口) 进行MCP通信。
全面的AI工具集：包含PyTorch、TensorFlow、CUDA Toolkit以及主流AI模型（Gemini、OpenAI Codex、Anthropic Claude）的CLI工具。
MCP编排：通过MCP协议实现AI代理与各类专业工具之间的无缝交互。
外部应用桥接：使用基于TCP的桥接与独立容器中运行的外部GUI应用进行稳健通信。
自动化与定制化：提供方便的脚本用于环境初始化，并支持用户自定义配置。

安装步骤

克隆仓库：

git clone https://github.com/DreamLab-AI/multi-agent-docker.git
cd multi-agent-docker

构建并启动环境：
```
./multi-agent.sh build
./multi-agent.sh start
```
这将构建Docker镜像并启动服务。'multi-agent.sh start'命令会自动将您带入'multi-agent-container'的shell。
初始化工作区 (在容器内部执行)：
```
/app/setup-workspace.sh
```
此脚本会准备环境，包括复制MCP工具、设置权限、安装'claude-flow'等。
验证设置 (在容器内部执行)：
```
./mcp-helper.sh test-all
```
确保所有MCP工具都能正常响应。

服务器配置 (MCP客户端使用)

该MCP服务器通过 'claude-flow' 实现核心功能，并通过 'mcp-ws-relay.js' 提供 WebSocket 接口，以及 'mcp-tcp-server.js' 提供 TCP 接口。MCP客户端可以连接到这些接口与服务器通信。

以下是MCP客户端连接到此服务器的典型配置（JSON格式，包含关键连接信息和注释）：

[
  {
    "name": "MultiAgent_MCP_WebSocket",
    "protocol": "WebSocket",
    "command": ["/usr/bin/claude-flow", "mcp", "start", "--stdio", "--file", "/workspace/.mcp.json"],
    "args": [],
    "options": {
      "cwd": "/workspace",
      "env": {
        "CLAUDE_FLOW_DIRECT_MODE": "true",
        "CLAUDE_FLOW_GLOBAL": "true",
        "CLAUDE_FLOW_DATABASE": "/workspace/.swarm/memory.db"
      }
    },
    "description": "连接到Multi-Agent Docker环境的MCP WebSocket接口，LLM客户端通过此接口调用工具和访问资源。需要通过mcp-ws-relay.js桥接。",
    "notes": "此配置是当MCP客户端在Docker外部，且mcp-ws-relay.js已在端口3002上运行时的连接方式。"
  },
  {
    "name": "MultiAgent_MCP_TCP",
    "protocol": "TCP",
    "command": ["/usr/bin/claude-flow", "mcp", "start", "--stdio"],
    "args": [],
    "options": {
      "cwd": "/workspace",
      "env": {
        "CLAUDE_FLOW_GLOBAL": "/usr/bin/claude-flow",
        "CLAUDE_FLOW_DIRECT_MODE": "true"
      }
    },
    "description": "连接到Multi-Agent Docker环境的MCP TCP接口，提供高性能、低延迟通信，适合容器间或性能敏感的应用。需要通过mcp-tcp-server.js桥接。",
    "notes": "此配置是当MCP客户端在Docker外部，且mcp-tcp-server.js已在端口9500上运行时的连接方式。"
  }
]

重要提示:
- 上述 'command' 和 'args' 是 MCP 服务器的实际启动命令和参数，通常由 Docker 环境内部的 'mcp-ws-relay.js' 或 'mcp-tcp-server.js' 脚本调用。
- MCP客户端连接时，通常只需要配置 'protocol', 'host', 'port'。例如，如果您的MCP客户端在Docker外部，并且 'mcp-ws-relay.js' 正在 'localhost:3002' 运行，客户端配置应为：
```
{
  "name": "MyClient_to_MultiAgent_WS",
  "protocol": "WebSocket",
  "host": "localhost",
  "port": 3002
}
```
- 'host': 在本地运行Docker时通常为 'localhost'。如果您的MCP客户端在另一个Docker容器内，可能需要根据Docker网络配置调整为相应的服务名称或IP地址。
- 'port': 分别对应WebSocket和TCP接口的默认端口。
- MCP客户端连接成功后，即可通过这些接口发送JSON-RPC请求（如 'tools/list', 'tools/call', 'resources/list', 'resources/read'）与服务器交互。

基本使用方法

一旦环境启动并通过测试，您就可以通过MCP工具与AI代理进行交互。例如，在'multi-agent-container'的shell中：

列出所有可用工具:

./mcp-helper.sh list-tools

调用ImageMagick工具创建图片:

./mcp-helper.sh run-tool imagemagick-mcp '{"method": "create", "params": {"width": 200, "height": 200, "color": "gold", "output": "gold_square.png"}}'

调用PBR生成器创建纹理:

./mcp-helper.sh run-tool pbr-generator-mcp '{"tool": "generate_material", "params": {"material": "brushed_metal", "resolution": "1024x1024", "output": "./pbr_textures"}}'

使用Blender工具执行Python代码 (例如创建立方体):

./mcp-helper.sh run-tool blender-mcp '{"tool": "execute_code", "params": {"code": "import bpy; bpy.ops.mesh.primitive_cube_add()"}}'

您可以通过VNC客户端连接到 'localhost:5901' 查看Blender GUI中创建的立方体。

关键词

项目简介

主要功能点

安装步骤

服务器配置 (MCP客户端使用)

基本使用方法

信息