ConsultingAgents MCP 服务器

一个模型上下文协议 (MCP) 服务器，允许 Claude Code 咨询额外的 AI 代理进行代码和问题分析。该服务器提供对 Darren (OpenAI)、Sonny (Anthropic)、Sergey (OpenAI，带网络搜索) 和 Gemma (Google Gemini，带存储库分析) 的访问，作为专家顾问，从而实现对编码问题的多模型视角。

特性

• Darren: 由 o3-mini 模型驱动的 OpenAI 专家编码顾问，具有高推理能力
• Sonny: 由 Claude 3.7 Sonnet 驱动的 Anthropic 专家编码顾问，具有增强的思考能力（注意：现在 Claude Code 具有原生扩展思考模式，因此有些冗余）
• Sergey: 由 GPT-4o 驱动的 OpenAI 网络搜索专家，用于查找相关文档和示例（注意：现在 Claude Code 具有原生网络搜索功能，因此有些冗余）
• Gemma: 由 gemini-2.5-pro-exp-03-25 驱动的 Google Gemini 专家，具有 100 万 token 上下文，用于全面的存储库分析
• MCP 集成: 通过 MCP 协议与 Claude Code 无缝集成
• 多种传输选项: 支持 stdio（用于直接 Claude Code 集成）和 HTTP/SSE 传输

前提条件

• Python 3.8+
• OpenAI API 密钥
• Anthropic API 密钥
• Google API 密钥
• Claude Code CLI (用于集成)

快速开始

1. 克隆存储库:

   git clone https://github.com/yourusername/consulting-agents-mcp.git
   cd consulting-agents-mcp
   

2. 创建并激活虚拟环境:

   python -m venv mcp_venv
   source mcp_venv/bin/activate  # 在 Windows 上: mcp_venv\Scripts\activate
   

3. 安装依赖项:

   pip install -r requirements.txt
   

4. 设置 API 密钥: 在项目根目录中创建一个 .env 文件:

   OPENAI_API_KEY=your_openai_api_key_here
   ANTHROPIC_API_KEY=your_anthropic_api_key_here
   GOOGLE_API_KEY=your_google_api_key_here
   

5. 启动服务器:

   chmod +x start_mcp_server.sh
   ./start_mcp_server.sh
   

与 Claude Code 集成

1. 使用 Claude Code 注册 MCP 服务器:

   claude mcp add ConsultingAgents /absolute/path/to/consulting-agents-mcp/start_mcp_server.sh
   

2. 启动 Claude Code 并启用 MCP 集成:

   claude --mcp-debug
   

3. 在 Claude Code 中使用工具:

   现在你可以在 Claude Code 中使用 consult_with_darren, consult_with_sonny, consult_with_sergey, 和 consult_with_gemma 函数。
   

可用工具

MCP 服务器提供四个咨询工具:

consult_with_darren

使用 OpenAI 的 o3-mini 模型，具有高推理能力，可以分析代码并提供建议。

参数:

• consultation_context: 问题描述 (必需)
• source_code: 可选的要分析的代码

consult_with_sonny

使用 Claude 3.7 Sonnet，具有增强的思考能力，可以提供深入的代码分析。

参数:

• consultation_context: 问题描述 (必需)
• source_code: 可选的要分析的代码

注意: 现在 Claude Code 具有原生扩展思考模式，此代理有些冗余，但仍然可以用于获得第二种意见或来自另一个 Claude 模型的不同方法。

consult_with_sergey

使用 GPT-4o，具有网络搜索功能，可以查找相关文档和示例。

参数:

• consultation_context: 你需要什么信息或文档的描述 (必需)
• search_query: 可选的要使用的特定搜索查询
• source_code: 可选的上下文代码

注意: 现在 Claude Code 具有原生网络搜索功能，此代理有些冗余，但仍然可以用于比较 GPT-4o 和 Claude 之间的搜索结果，或获得不同的视角。

consult_with_gemma

使用 Google 的 Gemini 2.5 Pro 模型，具有 100 万 token 上下文窗口，可以分析整个存储库并提供全面的开发计划。

参数:

• consultation_context: 要实现的任务或功能的描述 (必需)
• repo_url: 要分析的 GitHub 存储库 URL (必需) - 重要提示：始终指定完整且正确的 GitHub URL（例如，“https://github.com/username/repo”）
• feature_description: 要实现的功能的详细描述 (必需)

注意: 此代理特别有用，因为 Claude Code 本身不具备在单个上下文中分析整个存储库的能力。

重要的 URL 规范: 使用 Gemma 时，始终提供准确且完整的 GitHub 存储库 URL。 Claude Code 可能会从你的本地目录路径错误地推断存储库 URL，这可能会导致存储库访问错误。 URL 应采用 https://github.com/username/repository 格式，并具有正确的大小写敏感性。

高级配置

环境变量

• MCP_TRANSPORT: 传输协议 (默认: "stdio", 备选项: "http", "sse")
• HOST: 使用 HTTP/SSE 传输时的服务器主机 (默认: "127.0.0.1")
• PORT: 使用 HTTP/SSE 传输时的服务器端口 (默认: 5000)

HTTP API (当使用 HTTP 传输时)

当使用 HTTP 传输运行时，服务器提供以下端点:

健康检查

GET /health

返回服务器状态和可用代理。

模型咨询

POST /consult

Darren 或 Sonny 的请求体:

{
  "agent": "Darren",
  "consultation_context": "我的代码中有一个 bug，其中...",
  "source_code": "def example():\n    return 'hello'"
}

Sergey 的请求体:

{
  "agent": "Sergey",
  "consultation_context": "如何在 Express 中实现 JWT 身份验证？",
  "search_query": "express.js JWT auth implementation"
}

Gemma 的请求体:

{
  "agent": "Gemma",
  "consultation_context": "向 API 添加用户身份验证",
  "repo_url": "https://github.com/username/repo",
  "feature_description": "为 API 访问实现基本的用户名/密码身份验证"
}

重要提示: 始终在 repo_url 字段中提供准确且完整的 GitHub 存储库 URL。 不要依赖 Claude Code 从你的本地目录路径推断此信息。

故障排除

• MCP 服务器未找到: 验证你的 claude mcp add 命令中的绝对路径
• API 身份验证错误: 检查你的 API 密钥是否在 .env 文件中正确设置
• 连接问题: 确保在启动 Claude Code 之前 MCP 服务器正在运行
• 调试日志: 检查运行 MCP 服务器的终端以获取详细日志

更新到新版本

更新到 consulting-agents-mcp 的新版本时，请按照以下步骤操作：

1. 更新存储库代码（拉取最新更改）
2. 重启 MCP 服务器:

   ./start_mcp_server.sh
   

3. 从 Claude Code 中删除现有的 MCP 服务器:

   claude mcp remove ConsultingAgents
   

4. 使用绝对路径将 MCP 服务器重新添加到 Claude Code:

   claude mcp add ConsultingAgents /absolute/path/to/consulting-agents-mcp/start_mcp_server.sh
   

此过程确保 Claude Code 使用更新版本的 MCP 服务器以及任何新模型或功能。

开发

在开发模式下运行

1. 使用调试输出启动服务器:

   DEBUG=true ./start_mcp_server.sh
   

2. 测试 HTTP 端点 (当使用 HTTP 传输时):

   # 测试 Darren
   curl -X POST http://localhost:5000/consult \
     -H "Content-Type: application/json" \
     -d '{"agent":"Darren","consultation_context":"Test message"}'
   
   # 测试 Sonny
   curl -X POST http://localhost:5000/consult \
     -H "Content-Type: application/json" \
     -d '{"agent":"Sonny","consultation_context":"Test message"}'
   
   # 测试 Sergey
   curl -X POST http://localhost:5000/consult \
     -H "Content-Type: application/json" \
     -d '{"agent":"Sergey","consultation_context":"Test message","search_query":"example"}'
   
   # 测试 Gemma
   curl -X POST http://localhost:5000/consult \
     -H "Content-Type: application/json" \
     -d '{"agent":"Gemma","consultation_context":"Add user authentication","repo_url":"https://github.com/username/repo","feature_description":"Implement basic username/password authentication for API access"}'
   

项目结构

• mcp_consul_server.py: 主要 MCP 服务器实现
• start_mcp_server.sh: 使用适当的环境启动服务器的脚本
• requirements.txt: Python 依赖项

许可证

MIT

贡献

欢迎贡献！ 请随时提交 Pull Request。