MCP 服务器

mcp-swarm

A multi-model agent swarm coordinator that automatically selects the most suitable LLM based on task content and role requirements. It provides tools for automated model selection, direct model interaction, and task analysis across a variety of specialized AI models.

README

mcp-swarm

MCP 服务：多模型 Agent Swarm 协同。根据任务内容自动选择模型并调用你的 API，与 .cursor/rules/multi-model-swarm.mdc 规则一致。MiniMax-M2.5 已并入蜂群（创意专家），可配置独立 API（SWARM_MINIMAX_*），与统一 API 并行使用。

支持的模型

模型	角色
qwen3.5-plus	通用助手
qwen3-max-2026-01-23	推理分析师
qwen3-coder-next	主力代码专家
qwen3-coder-plus	代码工程师
MiniMax-M2.5	创意专家
glm-5	中文专家
glm-4.7	平衡助手
kimi-k2.5	文档专家

安装与运行

cd mcp-swarm
npm install
cp .env.example .env
# 编辑 .env 填写 SWARM_API_BASE_URL 和（如需要）SWARM_API_KEY
npm run build
npm start

开发时可直接用：

npm run dev

环境变量

变量	必填	说明
SWARM_API_BASE_URL	否	统一 API 基础地址，默认 `http://localhost:3000`
SWARM_CHAT_PATH	否	统一 API 聊天路径，默认 `/api/chat`
SWARM_API_KEY	否	统一 API 密钥，会作为 `Authorization: Bearer <key>` 发送
SWARM_MINIMAX_API_BASE_URL	否	MiniMax 独立 API 基础地址（如 `https://api.minimaxi.com/v1`），配置后蜂群中创意任务与指定 MiniMax-M2.5 时走此地址
SWARM_MINIMAX_API_KEY	否	MiniMax API 密钥
SWARM_MINIMAX_CHAT_PATH	否	MiniMax 聊天路径，建议 `chat/completions`（base 已含 `/v1` 时）

API 约定

服务会向 {SWARM_API_BASE_URL}{SWARM_CHAT_PATH} 发送 POST 请求，期望 OpenAI 兼容 的请求体：

{
  "model": "qwen3-coder-next",
  "messages": [{"role": "user", "content": "..."}],
  "temperature": 0.5,
  "max_tokens": 4096
}

响应需包含回复内容，例如：

response.choices[0].message.content，或
response.content

若你的 API 格式不同，可修改 src/api-client.ts 适配。

在 Cursor 中配置 MCP

方式一：项目级配置（推荐，仅本工作区可用）

本仓库已在 工作区 配置好 MCP，路径为：

e:\\app\\.cursor\\mcp.json

内容为：

{
  "mcpServers": {
    "mcp-swarm": {
      "command": "node",
      "args": ["mcp-swarm/dist/index.js"]
    }
  }
}

用 Cursor 打开 e:\\app 时，MCP 会按上述配置启动，无需改全局设置。
环境变量从 mcp-swarm/.env 读取（复制 .env.example 为 .env 并填写 SWARM_API_BASE_URL、SWARM_API_KEY 等）。
可将 .cursor/mcp.json 提交到 Git，团队拉取后即可使用。

方式二：全局配置（所有项目可用）

在用户目录的 Cursor 配置里添加（如 C:\\Users\\你的用户名\\.cursor\\mcp.json）：

{
  "mcpServers": {
    "mcp-swarm": {
      "command": "node",
      "args": ["E:\\app\\mcp-swarm\\dist\\index.js"],
      "env": {
        "SWARM_API_BASE_URL": "https://your-api.example.com",
        "SWARM_API_KEY": "your-api-key"
      }
    }
  }
}

重启 Cursor 或重新加载 MCP 后，在对话中可让 AI 使用 mcp-swarm 提供的工具：
- swarm_chat：自动选模型并对话
- swarm_chat_with_model：指定模型对话
- swarm_analyze_task：仅分析任务类型与推荐模型

提供的 MCP 工具

工具	说明
`swarm_chat`	根据 `message` 自动识别任务类型、选择模型并调用 API，失败时按规则降级
`swarm_chat_with_model`	使用指定 `model` 调用 API
`swarm_analyze_task`	仅分析 `message` 对应的任务类型与推荐/备选模型，不发起请求

测试脚本与 QPS/超时优化

完整流程测试 test-mcp-full.mjs 已做并行批处理，在固定 QPS 下缩短总耗时、避免超时：

思路：多轮 API 调用不再全串行，而是每批并发 BATCH_SIZE 个请求，批与批顺序执行；总耗时 ≈ 批数 × 单次响应时间。
环境变量：
- BATCH_SIZE=4（默认）：每批 4 个并发。API 若 QPS 较低（如 2），可改为 BATCH_SIZE=2 或 1（串行）。
- QUICK=1：只测 4 个指定模型，进一步缩短时间。

# 完整测试（约 1.5 分钟内完成，BATCH_SIZE=4）
node test-mcp-full.mjs

# 控制并发以适配 API QPS
BATCH_SIZE=2 node test-mcp-full.mjs

# 快速测试（约 50 秒）
QUICK=1 node test-mcp-full.mjs

PowerShell 设置环境变量示例：$env:BATCH_SIZE="2"; node test-mcp-full.mjs