TAAC Train MCP Server

一个面向 TAAC 参赛选手的本地 MCP Server，用于把训练平台中的训练任务、训练上下文和诊断信息提供给 Trae / AI Agent 调用。

项目目标不是自动分析趋势或自动提交模型，而是作为只读的数据上下文供应器，让参与模型训练的 AI 能快速了解当前训练状态。

当前能力

MCP Server 名称：TAAC Training Context MCP

已提供的工具：

Tool	用途
check_auth_status	检查 Cookie / 登录态是否有效
list_training_runs	获取训练任务列表
get_training_run_log	获取指定训练任务日志
get_training_run_raw	获取指定训练任务相关原始数据
get_training_context	一次性获取训练上下文包，推荐 AI 首先调用
get_latest_training_log	快速读取最新一次训练日志
summarize_training_runs	获取最近训练任务摘要
discover_training_data_sources	发现训练平台页面与 API 数据源，用于适配调试

目前已经定位到 TAAC 训练平台入口：

https://taiji.algo.qq.com/training

已识别的训练任务列表接口形态：

https://taiji.algo.qq.com/taskmanagement/api/v1/webtasks/external/task?pageNum=0&pageSize=10

安全边界

本项目应只用于读取当前参赛选手自己账号可见的信息。

不要用于：

• 高频轮询训练结果
• 抓取他人数据或批量抓排行榜
• 自动提交模型
• 自动点击比赛平台中的写操作按钮
• 绕过验证码、登录风控或平台限制
• 向远程服务暴露 Cookie / Token

config.yaml 中包含 Cookie，已经被 .gitignore 忽略，请不要提交。

环境要求

• Python 3.10+
• Windows / PowerShell 可用
• Chrome/Chromium 由 Playwright 安装

安装依赖

在项目根目录执行：

python -m pip install -r requirements.txt
python -m playwright install chromium

配置

复制示例配置：

Copy-Item config.example.yaml config.yaml

编辑 config.yaml：

base_url: "https://algo.qq.com"
track: "academic"
cookie: ""
headless: true
timeout_seconds: 30
max_log_chars: 12000
default_recent_runs: 5
include_raw_by_default: false
context_pages:
  - "https://taiji.algo.qq.com/training"
  - "/"
  - "/submissions"
  - "/submission"
  - "/records"
  - "/history"
  - "/tasks"
  - "/jobs"
  - "/profile"

最重要的是填写：

cookie: "从浏览器请求头中复制的 Cookie 字符串"

获取 Cookie

推荐从浏览器 Network 面板复制完整 Cookie：

1. 打开 https://algo.qq.com 并登录
2. 按 F12
3. 进入 Network / 网络
4. 刷新页面
5. 找到访问 TAAC / Taiji 平台的接口请求
6. 打开 Headers / Request Headers
7. 复制 Cookie: 后面的完整内容
8. 粘贴到 config.yaml 的 cookie 字段

不要把 Cookie 发给别人，也不要提交到 Git。

本地测试

1. MCP 协议基础测试

不访问 TAAC 真实数据，只验证 Server 能启动、MCP 协议可连接、工具已注册：

python scripts\mcp_probe.py

看到类似下面内容说明 MCP 协议层可用：

工具数量: 8
整体结果: 通过

2. 联网测试

会访问训练平台并调用 get_training_context：

python scripts\mcp_probe.py --call-network

如果 Cookie 有效，应看到：

{
  "ok": true,
  "data": {
    "authenticated": true
  }
}

如果训练任务已被识别，summarize_training_runs 或 get_training_context 中会出现：

{
  "recent_runs": [
    {
      "run_id": "...",
      "title": "...",
      "status": "..."
    }
  ]
}

3. 自动发现数据源

如果训练记录为空，可以运行：

python scripts\mcp_probe.py --call-network --auto-discover --json

它会额外调用 discover_training_data_sources，输出页面和 API 诊断信息。

Trae 中运行任务

项目已提供 .vscode/tasks.json，可在 Trae 中运行：

Task	作用
TAAC MCP Auto Test	基础 MCP 可用性测试
TAAC MCP Auto Test (network)	联网测试训练上下文
TAAC MCP Auto Test (discover)	联网并自动发现训练数据源
TAAC MCP Server	单独启动 MCP Server

Trae MCP 配置示例

在 Trae 的 MCP 配置中添加：

{
  "mcpServers": {
    "taac-training-context": {
      "command": "python",
      "args": [
        "d:\\Project\\Other\\ReasonMCP\\server.py"
      ],
      "cwd": "d:\\Project\\Other\\ReasonMCP"
    }
  }
}

配置后，建议让 AI 首先调用：

get_training_context

常用调用顺序：

1. check_auth_status
2. get_training_context
3. summarize_training_runs
4. get_latest_training_log
5. 必要时再调用 get_training_run_raw 或 discover_training_data_sources

项目结构

.
├── server.py
├── taac_mcp/
│   ├── client.py
│   ├── config.py
│   ├── errors.py
│   └── models.py
├── scripts/
│   └── mcp_probe.py
├── config.example.yaml
├── requirements.txt
├── pyproject.toml
├── .gitignore
└── .gitattributes

Git 注意事项

已忽略：

• config.yaml
• browser_data/
• __pycache__/
• .env / .env.*
• 日志、临时文件、虚拟环境目录

如果误把 config.yaml 加入暂存区，执行：

git rm --cached config.yaml

当前限制

• 训练任务列表已能从真实训练平台读取
• 任务详情日志接口仍需要继续适配
• discover_training_data_sources 仅建议调试时使用，不建议比赛期间频繁运行
• 不提供趋势分析、自动提交或策略建议