Mini Agent Mcp

npm version npm downloads GitHub license GitHub stars MCP Node.js

一个基于 FastMCP + OpenAI SDK 的 MCP 智能代理服务器
集成 ReAct Agent、DAG 工作流、深度研究、持久化记忆、技能学习、AnySearch 检索等能力
单二进制即可托管 / 本地部署 / 嵌入任意 MCP 客户端

---

一、这是什么

mini-agent-mcp 是一个遵循 Model Context Protocol (MCP) 的 stdio / SSE 服务器：

• 对外只暴露 1 个 MCP 工具：run_agent——用于没有子 Agent 的应用注入一个"子智能体"
• 对内托管一个 ReAct 推理代理，自主调用 14 个内部工具（6 个基础工具 + 4 个 AnySearch 工具 + 高级 pipeline 等）完成任务
• 内置 DAG 工作流与多阶段深度研究管线
• 通过 ToolManager 统一管理超时、并发、重试、门禁
• 通过 .memory/ 与 .skills/ 实现本地持久化记忆和技能学习

支持三种 LLM 通信模式（自动级联 fallback）：

1. MCP Sampling — 客户端模型，零配置
2. Direct HTTP — 通过 OpenAI SDK 直连任意兼容端点
3. Rule-based — 基于正则的模式匹配兜底

---

二、核心特性

模块	能力
🧮 基础工具	安全数学计算、文本统计、文本转换、单位换算、日期时间、随机生成
🤖 ReAct Agent	原生 Function Calling 多步推理，自动匹配历史技能，Hook 注入
🔗 DAG 工作流	有向无环图编排，并行执行无依赖节点，自动注入上游结果
🔍 深度研究	拆解子问题 → 并行检索 → 综合报告，三阶段管线
💾 记忆系统	4 类标签化持久记忆，按访问频次 LRU 检索
🎯 技能系统	完成任务后提取可复用技能，新任务自动匹配
🌐 AnySearch 集成	自动发现并接入检索工具，仅供 Agent 内部调用
🛡️ 工具门禁	输入长度上限、错误分类、智能重试、超时控制
🔌 三模式 LLM	Sampling → HTTP → Rule-based 透明级联 fallback
🪝 Hooks 扩展	在 LLM 调用前后注入自定义逻辑（Yao 模式）

---

三、架构总览

┌─────────────────────────────────────────────────────────────────────┐
│                       MCP 客户端 (Claude / ZCode)                   │
│              tools/list 只见 1 个工具: run_agent                    │
│              tools/call 仅可调 run_agent                            │
└─────────────────────────────┬───────────────────────────────────────┘
                              │ run_agent(task)
┌─────────────────────────────▼───────────────────────────────────────┐
│                         FastMCP Server                              │
│              run_agent — 唯一对外的 MCP 工具                          │
└─────────────────────────────┬───────────────────────────────────────┘
                              │
┌─────────────────────────────▼───────────────────────────────────────┐
│                       ToolManager (singleton)                       │
│   超时 / 并发上限 / 智能重试 / 输入门禁 / 调用历史                  │
│   14 个内部工具（外面看不见）                                       │
└─────────────────────────────┬───────────────────────────────────────┘
                              │
        ┌─────────────────────┼──────────────────────┐
        │                     │                      │
        ▼                     ▼                      ▼
   6 个本地工具       run_agent（唯一对外工具）     .memory / .skills
   (calculator, ...   + 内部高级 pipeline              (持久化)
                     仅 Agent 内部使用)
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────────┐
│                    ReAct Agent (src/agent/react.ts)                 │
│                                                                     │
│   LLM ←── CreateHook ── messages ──→ LLM ──→ NextHook → 响应校验    │
│    │                                                              │
│    │ tool_calls                                                    │
│    ▼                                                              │
│  buildToolList() = 6 本地工具 + AnySearch 4 个内部工具              │
│  (AnySearch 懒加载：首次 run_agent 调用时发现并缓存)                │
│                                                                     │
│   ┌─────────────────────────┐    ┌─────────────────────────┐       │
│   │   LLM 模式 (优先级)      │    │     Fallback 链          │       │
│   │   1. MCP Sampling        │ →  │   失败 → 降级到下一模式  │       │
│   │   2. Direct HTTP         │    │                         │       │
│   │   3. Rule-based          │    │                         │       │
│   └─────────────────────────┘    └─────────────────────────┘       │
└─────────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────────┐
│                    持久化层 (本地 JSON)                             │
│   .memory/memories.json   ── 4 类记忆 (fact/preference/task/conv)   │
│   .skills/skills.json     ── 标签评分技能库                         │
└─────────────────────────────────────────────────────────────────────┘

**AnySearch 懒加载时序**：
1. 服务器启动 → 仅注册 `run_agent` 到 FastMCP + 6 个本地工具到内部 ToolManager
2. 客户端调用 `run_agent` → Agent 触发 `ensureAnySearchTools()`
3. 首次：HTTP 连接到 `api.anysearch.com/mcp` 发现工具，缓存 1 小时
4. 后续：命中缓存（除非 TTL 过期或调用 `resetAnySearchCache()`）

---

四、快速上手

4.1 MCP 客户端配置

stdio 模式（最常用）— 复制到客户端的 MCP 配置文件中：

{
  "mcpServers": {
    "mini-agent-mcp": {
      "type": "stdio",
      "command": "npx",
      "args": ["-y", "mini-agent-mcp"],
      "env": {
        "ANYSEARCH_API_KEY": "",
        "LLM_API_KEY": "sk-your-key",
        "LLM_BASE_URL": "https://api.longcat.chat/openai/v1",
        "LLM_MODEL": "LongCat-2.0",
        "LLM_MAX_TOKENS": "4096"
      }
    }
  }
}

也可直接使用 node dist/index.js 启动本地编译产物（见 §4.3）。

SSE 模式（可选）— 通过 node dist/index.js --sse 启用 httpStream 传输。

4.2 .env 配置（fallback）

服务器启动时按以下顺序查找 .env（第一个存在即生效）：

1. process.cwd()/.env — 启动时的工作目录
2. <dist 上一级>/.env — 即 npm install 后的项目根目录（dist/index.js 启动场景）
3. <dist 上两级>/.env — 项目根目录的父目录

⚠️ 通过 npx -y mini-agent-mcp 全局拉起时，process.cwd() 取决于 MCP 客户端的工作目录，不一定等于项目根。推荐同时在 MCP 配置文件的 env 块中显式注入变量（见 §4.1），以避免查找路径不一致带来的配置漂移。

cp .env.example .env

# AnySearch API Key（可选 — 不填则匿名访问，有较低速率限制）
ANYSEARCH_API_KEY=

# LLM 直接调用配置（仅 Direct HTTP 模式需要）
LLM_API_KEY=
LLM_BASE_URL=https://api.longcat.chat/openai/v1
LLM_MODEL=LongCat-2.0
LLM_MAX_TOKENS=4096

# 可选：多供应商切换（见 §9.2）
# LLM_PROVIDER=openai
# LLM_PROVIDERS_PATH=/abs/path/to/providers.json

# Agent 行为调优
AGENT_MAX_TURNS=5          # ReAct 推理步数上限（1-50）
AGENT_TOOL_RETRY=1         # 工具失败重试次数（0-3）

# ToolManager 调优
TOOL_MAX_CONCURRENT=10     # 并发执行上限
TOOL_RETRY_COUNT=2         # 瞬时错误重试（0-5）

4.3 本地开发

git clone https://github.com/Microbiosis/mini-agent-mcp.git
cd mini-agent-mcp
npm install
npm run build          # tsc 编译到 dist/
node dist/index.js           # 启动 MCP 服务器（stdio）
node dist/index.js --test    # 自检模式：调用全部 14 个工具
node dist/index.js --sse     # 启用 HTTP Stream 传输

--test 模式运行完成后会 process.exit(0)，适合做 CI 自检。

4.4 验证安装

echo '{"jsonrpc":"2.0","id":1,"method":"initialize","params":{"protocolVersion":"2024-11-05","capabilities":{},"clientInfo":{"name":"probe","version":"1"}}}' \
  | npx mini-agent-mcp

正常情况下会返回 14 个工具的 schema。

---

五、MCP 工具参考

5.1 唯一对外工具（外部 Agent 唯一可调）

工具	参数	用途	超时
run_agent	task: string mode?: 'auto'|'rule'	把任务委派给内置 ReAct Agent；Agent 自动选择并调用 14 个内部工具完成。rule 强制正则模式（无需 LLM）	120s

run_agent 返回结构：

Task: 计算 sqrt(15) + 8
Mode: LLM-powered (HTTP)
Steps: 2

--- Reasoning Trace ---
[Step 1]
  Thought: ...
  Action: calculator
  Observation: Expression: sqrt(15) + 8
Result: 11.872983346207417
[Step 2]
  Thought: ...
  Final Answer: 11.87

--- Final Answer ---
11.87

5.2 内部工具（仅 Agent 可见，外部 tools/list 不可见）

下面 14 个工具不通过 MCP tools/list 暴露——只能由 run_agent 内的 ReAct 循环自动调用。客户端 Agent 通过 run_agent(task) 委派任务，Agent 在内部根据需要挑选并执行这些工具。

基础工具（6 个 — 同步、确定性）

内部工具	参数	用途
calculator	expression: string	安全数学求值（递归下降解析器，无 eval()）。支持 + - * / % ^、括号、函数 sqrt abs sin cos tan asin acos atan log ln exp floor ceil round、常量 pi e
text_stats	text: string	字符数、词数、句数、段数、平均词长、Top 5 高频词
text_transform	text: string operation (9 种) pattern?: string replacement?: string	uppercase/lowercase/titlecase/reverse/trim/remove_duplicates/sort_lines/count_substring/replace
unit_convert	value: number from: string to: string	长度/重量/温度/数据单位换算
datetime_info	operation: 'now'|'format'|'diff' + 配套参数	当前时间、格式转换、日期差
random_gen	operation: 'number'|'uuid'|'password'|'pick'|'shuffle' + 配套参数	随机整数/UUID/密码/采样/洗牌

高级 pipeline（3 个）

内部工具	用途
run_workflow	DAG 工作流编排（多个 Agent 任务按依赖执行）
deep_research	三阶段深度研究：拆解 → 检索 → 综合
(复合)	多阶段研究任务的串联入口

记忆工具（3 个 — 持久化到 .memory/memories.json）

内部工具	用途
remember	存储一条记忆（fact/preference/task/conversation）
recall	按标签检索 Top 5 记忆
memory_stats	返回记忆统计

技能工具（2 个 — 持久化到 .skills/skills.json）

内部工具	用途
extract_skill	提取一个可复用技能
list_skills	列出所有技能

AnySearch 工具（4 个 — 懒加载）

anysearch_search / anysearch_batch_search / anysearch_extract / anysearch_get_sub_domains（详见 §6）

💡 设计意图：本服务的核心定位是为没有子智能体的 Agent 应用注入"子智能体"能力。外部工具集保持极简（仅 run_agent），全部内部工具由 Agent 自治调度，避免暴露过多工具面干扰主 Agent 的选择。

---

六、AnySearch 内部工具

懒加载：AnySearch 工具不在启动时连接，而是等到首次调用 run_agent（或 deep_research）时，由 Agent 通过 ensureAnySearchTools() 触发发现 + 注册。这样：

• 服务器冷启动不受 AnySearch 网络影响
• 不使用 Agent 功能的客户端完全跳过 AnySearch
• 工具列表缓存 1 小时（可用 ANYSEARCH_CACHE_TTL_MS 覆盖）

发现后会注册到内部 ToolManager 的工具：

内部名称	功能
anysearch_search	通用搜索（支持金融、学术、法律等垂直领域）
anysearch_batch_search	1-5 个独立查询的并行搜索
anysearch_extract	URL 网页内容提取（最多 50,000 字符 Markdown）
anysearch_get_sub_domains	查询垂直领域目录

⚠️ 这些工具仅注册到内部 ToolManager，供 ReAct Agent 在推理循环中自主调用，不 通过 MCP tools/list 暴露给外部客户端——MCP tools/list 始终只返回 1 个工具：run_agent。

匿名可用：不设 ANYSEARCH_API_KEY 也能连接，只是有较低的速率限制；高级使用场景可填 Key 提升配额。

缓存策略：

• 默认 TTL：1 小时（环境变量 ANYSEARCH_CACHE_TTL_MS，设为 0 每次过期都重发现）
• 瞬时失败时：保留旧缓存（serving stale cache）—— 可用工具优先于无工具
• 手动刷新：调用 resetAnySearchCache()（来自 mini-agent-mcp/agent 或内部 API）

容错：MCPRuntime 状态机（idle → connecting → connected → degraded/error/disabled）自动处理瞬时错误（重试）和硬错误（401/403/DNS → 禁用），AnySearch 不可达不会阻塞 Agent 启动。

---

七、LLM 三模式 + Fallback

run_agent 启动时按优先级选择 LLM 调用方式，失败时自动降级：

┌─────────────────────────────────────────────────────────┐
│  runAgent(task)                                         │
│    ↓                                                    │
│  getLLMMode()                                           │
│    ├─► "sampling" (MCP 客户端支持时)                      │
│    │     ├─ 成功 → 返回                                  │
│    │     └─ 失败 → 检查 Direct HTTP 配置                 │
│    ├─► "http" (设置了 LLM_API_KEY + BASE_URL + MODEL)    │
│    │     ├─ 成功 → 返回                                  │
│    │     └─ 失败 → Fallback                              │
│    └─► "none" (Rule-based 兜底)                          │
│          └─ 永远可执行                                   │
└─────────────────────────────────────────────────────────┘

模式	触发条件	优点	限制
MCP Sampling	MCP 客户端注册了 sampling capability	零配置、客户端 LLM	依赖客户端支持
Direct HTTP	设置了 LLM_API_KEY + LLM_BASE_URL + LLM_MODEL	与客户端解耦、可托管	需要 API Key
Rule-based	上述都失败 / 显式 mode='rule'	无 LLM 也能跑	仅限 §5.1 基础工具能直接覆盖的任务（数学、单位换、时间、密码、UUID、文本统计、日期差）

关键 API：

• getLLMMode(): 'sampling' | 'http' | 'none' — 检查当前可用模式
• getLLMConfig() — 返回 Direct HTTP 配置（如有）

---

八、Hooks 系统（Yao 模式）

src/agent/react.ts 暴露两个 Hook 点，可在不修改 Agent 内核的前提下注入自定义行为：

import { addCreateHook, addNextHook, clearHooks } from "mini-agent-mcp";

addCreateHook(async (ctx, messages) => {
  // LLM 调用前，可注入 / 修改 / 取消消息
  // ctx: { task, step, maxSteps }
  // 返回 null → 取消本次 LLM 调用
  // 返回 messages 数组 → 替换为新消息
  if (ctx.step === 0) {
    messages.push({ role: "user", content: "[System] 请使用中文回答。" });
  }
  return messages;
});

addNextHook(async (ctx, response) => {
  // LLM 响应后，可校验 / 拦截
  // 返回 "stop" → 立即终止 Agent
  // 返回 "continue" 或 null → 正常继续
  if (response.content?.includes("ERROR")) return "stop";
  return null;
});

// 清空所有 Hook
clearHooks();

典型用途：

• 注入系统级提示词 / 安全约束
• 添加审计日志、调用统计
• 限制工具调用范围（前置门禁）
• 在响应出现危险模式时紧急停止

---

九、持久化层

9.1 Memory（.memory/memories.json）

interface Memory {
  id: string;               // mem_<timestamp>_<rand>
  type: "fact" | "preference" | "task" | "conversation";
  content: string;
  tags: string[];           // 用于检索
  timestamp: number;        // 创建时间（epoch ms）
  accessCount: number;      // recall 时递增，影响排序
}

检索算法：

1. 标签完全匹配 → 直接召回
2. 按 accessCount + recency 排序
3. 默认返回 Top 5（recall(tags, limit=5)）

9.2 Skill（.skills/skills.json）

interface Skill {
  id: string;                  // skill_<timestamp>
  name: string;
  description: string;
  exampleTask: string;
  steps: string[];             // 步骤描述（注入到消息历史）
  tags: string[];              // 匹配关键词
  useCount: number;            // 累计被自动应用次数
  createdAt: number;           // 首次创建时间（永不更新）
  lastUsedAt?: number;         // 最近一次被 matchSkill 匹配并 useSkill() 的时间
  lastUpdatedAt?: number;      // 最近一次 extractSkill() 覆盖内容的时间
}

匹配评分（matchSkill(task)）：

• 每个匹配 tag：+10
• 每个 step 前 20 字符出现在 task 中：+5
• 仅返回 score > 0 的最佳匹配

自动应用：每次 runAgent 启动前都会调用 matchSkill()，若命中则把步骤作为 hint 注入 LLM 消息，并 useSkill() 增加计数 — 这就是"自我学习"的机制。

---

十、DAG 工作流

run_workflow 接受一个 JSON 数组，按有向无环图执行：

[
  {"id": "fetch", "label": "抓取",  "task": "用 search 工具查询 MCP 协议", "timeout": 60},
  {"id": "sum1",  "label": "摘要1", "task": "把上面的内容翻译成中文", "dependsOn": ["fetch"], "timeout": 30},
  {"id": "sum2",  "label": "摘要2", "task": "提取 3 个关键点",          "dependsOn": ["fetch"], "timeout": 30},
  {"id": "final", "label": "汇总",  "task": "合并两个摘要为最终报告",    "dependsOn": ["sum1", "sum2"]}
]

执行特性：

• 并行执行：无依赖关系（或依赖已完成的）的步骤会同时启动（Promise.all）
• 依赖注入：buildStepTask() 把上游步骤的 result.answer 拼到下游任务末尾
• 环检测：DFS 检测循环依赖，抛出明确错误
• 死锁处理：若没有 ready 步骤但未全部完成，剩余的标记为 blocked
• 超时：每步独立超时（秒），默认 60

返回结构：

{
  success: boolean,
  totalDurationMs: number,
  steps: [{ id, label, result, error?, durationMs }]
}

---

十一、深度研究（deep_research）

三阶段管线，5 分钟超时：

┌───────────────┐      ┌───────────────┐      ┌───────────────┐
│   1. 拆解      │ ──►  │   2. 检索      │ ──►  │   3. 综合      │
│               │      │               │      │               │
│ LLM 把问题    │      │ 每个子问题    │      │ LLM 收到所有  │
│ 拆成 3-5 个   │      │ 触发 run_agent│      │ findings +    │
│ 子问题        │      │ 自动调 search │      │ 原问题，生成  │
│ (fenced code) │      │ 收集 findings │      │ Markdown 报告 │
└───────────────┘      └───────────────┘      └───────────────┘

parseSubQuestions() 容错：

• 优先解析 fenced code block（``` ... ```）
• 降级到行扫描，只接受 "- " 开头且 ≥12 字符的行
• 默认最多 5 个子问题
• 解析失败 → fallback 为单问题 [原问题]

返回结构包含 subQuestions、totalSteps、durationMs 和完整的 Markdown 报告（执行摘要 + 关键发现 + 结论）。

---

十二、配置参考

12.1 全部环境变量

变量	必需	默认	用途
LLM_API_KEY	视模式	—	Direct HTTP 模式的 API Key（裸 Key，不带 Bearer）
LLM_BASE_URL	视模式	—	OpenAI 兼容端点（需含 /v1）
LLM_MODEL	视模式	—	模型名
LLM_MAX_TOKENS	否	4096	单次生成上限
LLM_PROVIDER	否	default	从 providers.json 选命名供应商
LLM_PROVIDERS_PATH	否	—	命名供应商配置文件路径
AGENT_MAX_TURNS	否	5	ReAct 推理步数上限（1-50）
AGENT_TOOL_RETRY	否	1	工具失败重试（0-3）
TOOL_MAX_CONCURRENT	否	10	ToolManager 并发上限
TOOL_RETRY_COUNT	否	2	瞬时错误重试（0-5）
ANYSEARCH_API_KEY	否	匿名	AnySearch 提升配额
ANYSEARCH_CACHE_TTL_MS	否	3600000	AnySearch 工具发现缓存 TTL（毫秒；0 = 每次过期都重发现）

12.2 多供应商配置（providers.json）

{
  "openai": {
    "apiKey": "sk-...",
    "baseUrl": "https://api.openai.com/v1",
    "model": "gpt-4o-mini"
  },
  "deepseek": {
    "apiKey": "sk-...",
    "baseUrl": "https://api.deepseek.com/v1",
    "model": "deepseek-chat"
  }
}

启动时设置 LLM_PROVIDERS_PATH=/path/to/providers.json + LLM_PROVIDER=openai。

⚠️ 安全提示：providers.json 含明文 API Key，请务必：

• 加入 .gitignore，不要提交到仓库
• 文件权限设为 chmod 600（Linux/macOS）
• 在 CI/CD 中通过密钥管理服务注入，避免硬编码
• 推荐优先使用 .env + 环境变量方式（§4.2），多供应商配置仅在需要运行时切换模型时使用

12.3 内置供应商参考

供应商	LLM_BASE_URL	LLM_MODEL 示例
LongCat	https://api.longcat.chat/openai/v1	LongCat-2.0
OpenAI	https://api.openai.com/v1	gpt-4o-mini
DeepSeek	https://api.deepseek.com/v1	deepseek-chat
Moonshot (Kimi)	https://api.moonshot.cn/v1	moonshot-v1-8k
SenseNova	https://token.sensenova.cn/v1	sensenova-6.7-flash-lite
Ollama (本地)	http://localhost:11434/v1	llama3.2

---

十三、项目结构

mini-agent-mcp/
├── LICENSE                           # Apache-2.0
├── README.md                         # 本文件
├── .env.example                      # 环境变量模板
├── package.json
├── tsconfig.json
├── server.json                       # MCP Registry 元数据
├── assets/icon.png                   # 商店图标
├── scripts/                          # 14 个独立测试脚本
│   ├── test-tools-list.mjs           # 通过 JSON-RPC 探测 tools/list
│   ├── test-agent.mjs                # ReAct (rule + LLM) 双模式
│   ├── test-workflow.mjs             # DAG + deep_research
│   ├── test-deep-research*.mjs       # 深度研究变体
│   ├── test-memory-skill.mjs         # 持久化层 CRUD
│   ├── test-anysearch*.mjs           # AnySearch 集成
│   ├── test-dag-buildStepTask.mjs    # 纯函数单元测试
│   ├── test-research-parser.mjs      # 解析器单元测试
│   └── ...                           # 集成 / 回归脚本
├── src/
│   ├── index.ts                      # FastMCP 入口 + 工具注册
│   ├── agent/
│   │   ├── react.ts                  # ReAct 推理循环 + Hooks
│   │   ├── llm.ts                    # OpenAI SDK + Sampling
│   │   └── index.ts                  # run_agent / getLLMMode 等公共 API 重导出
│   ├── tools/
│   │   ├── manager.ts                # ToolManager (超时/并发/重试)
│   │   ├── registry.ts               # 工具注册中心 (本地 + AnySearch 统一入口)
│   │   ├── index.ts                  # 6 个内置工具的导出桶
│   │   ├── types.ts                  # ToolDefinition / ToolResult
│   │   ├── calculator.ts             # 安全数学解析器
│   │   ├── text.ts                   # text_stats + text_transform
│   │   ├── converter.ts              # 单位换算
│   │   ├── datetime.ts               # 日期时间
│   │   ├── random.ts                 # 随机生成
│   │   ├── anysearch.ts              # AnySearch 工具包装
│   │   └── anysearch-client.ts       # MCPRuntime 状态机
│   ├── workflow/
│   │   ├── dag.ts                    # DAG 工作流编排
│   │   └── research.ts               # 深度研究三阶段管线
│   ├── memory/index.ts               # 持久化记忆
│   └── skill/index.ts                # 技能提取与匹配
└── dist/                             # 编译产物

---

十四、安全与设计理念

安全约束：

• 所有 API Key 仅通过环境变量传递，永不入代码
• ToolManager 内置输入长度门禁（默认 10,000 字符；calculator 500 字符）
• 错误分类：hard (401/403/DNS/refused) 直接失败；transient (timeout/429/5xx) 自动重试 + 指数退避（最多 8s）
• 计算器使用自研递归下降解析器，不使用 eval()

设计原则：

• 协议优先：严格遵守 MCP JSON-RPC over stdio/SSE
• 分层解耦：ToolManager 统一抽象，工具实现可插拔
• 级联容错：LLM / 网络 / 工具层均有多级 fallback
• 本地优先：记忆 / 技能持久化到本地 JSON，无需外部数据库
• 零配置可启动：最小可用配置为 0（默认走 Sampling 或 Rule-based）
• 可观测性：Hooks（§八）提供 LLM 调用前后拦截点，可注入审计日志 / 调用统计 / 安全告警；ToolManager 内置调用历史，便于回放与调试

---

十五、许可证

Apache License 2.0 © 2026 Microbiosis

---

十六、相关链接

• GitHub 仓库
• npm 包
• MCP 协议规范
• FastMCP 框架
• AnySearch 文档
• OpenAI API