Arcade MCP

MCPAI代理

提供方 ProjectArcade

AI代理 stdio · 本地进程 无需鉴权 社区 / 第三方 Claude
查看接入方式

Arcade-MCP是一个轻量级桥梁,连接llama.cpp服务器模型与MCP工具,实现结构化工具执行、进度跟踪和可扩展的本地AI工作流。

一句话选型结论

按资料字段整理

Arcade MCP 属于AI代理类 MCP 服务器,stdio · 本地进程,无需鉴权,可直接接入 Claude,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类AI代理 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 1 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

AI代理
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

支持客户端

适用场景

本地AIPython本地部署工具执行工作流自动化llama.cpp集成MCP协议

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
pip install -r requirements.txt

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Node.js 等运行时,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 已适配 Claude,换客户端不用重新研究配置。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 已经在用 Claude 的用户,接入路径最短。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Arcade MCP当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方ProjectArcade上游标注的维护方 ProjectArcade
分类AI代理本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

16.4 KB
来自项目仓库与上游目录的原文,未做删改

街机MCP

街机MCP 是一座连接 llama.cpp服务器型号 随着 MCP工具,实现结构化工具执行、进度跟踪和可扩展的本地AI工作流。


🚀 概述

Arcade MCP支持本地运行 llama.cpp 该模型通过简单和模块化的服务器界面与MCP兼容工具进行交互。

本项目旨在:

  • 本地LLM工具编排
  • 由MCP驱动的代理工作流
  • 高性能轻量级推理设置
  • 工具增强推理实验

🏗️ 建筑

Claude MCP工作流程(官方图表)

显示完整消息流的官方Claude MCP架构:用户→ 服务器→ MCP客户端→ MCP 服务器→ 克劳德→ github。这演示了工具发现(ListToolsRequest/Result)、查询处理(query+Tools)、工具执行(CallToolRequest/ReResult)和响应合成如何在MCP协议中协同工作。

Llama.cpp服务器正在运行

Llama.cpp服务器在端口8080上本地运行,加载了GGUF模型,显示上下文窗口(8192个令牌)、批处理、启用连续批处理和多线程推理。服务器提供 /v1/chat/completions MCP集成的终点。

CLI聊天界面

命令行界面显示与MCP驱动的代理的实时交互。用户可以通过自然语言查询他们的GitHub存储库、文件系统和其他工具。该界面显示工具执行进度、结果和格式化的响应。

网络搜索工具

MCP Web代理——ARIA

> 咏叹调 是一个web代理,它将所有CLI工具包装在一个干净的GUI中,因此您可以完全跳过终端。
> 支持 / 斜线命令用于手动选择工具,或根据您的查询自动选择正确的工具。
>
> ⚠️ ARIA仍在积极开发中——自动工具选择在低端模型上可能表现不一致。建议使用高端模型以获得最佳结果。


基本知识

网络搜索

斜杠命令


技能

代码审查

文档

摘要

系统架构概述```

┌─────────────────────────────────────────────────────────────────────────┐
│ ARCADE-MCP SYSTEM │
├─────────────────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────┐ ┌──────────────┐ ┌─────────────┐ │
│ │ User │────▶│ Our Server │────▶│ MCP Client │ │
│ │ (CLI) │ │ (Arcade) │ │ │ │
│ └──────────┘ └──────────────┘ └─────────────┘ │
│ │ │ │
│ │ ▼ │
│ │ ┌─────────────┐ │
│ │ │ MCP Server │ │
│ │ │ (Tools) │ │
│ │ └─────────────┘ │
│ │ │ │
│ ▼ │ │
│ ┌──────────────┐ │ │
│ │ Claude │◀────────────┘ │
│ │ (llama.cpp) │ │
│ │ Port 8080 │ │
│ └──────────────┘ │
│ │ │
│ ▼ │
│ ┌──────────────┐ │
│ │ External │ │
│ │ Services │ │
│ │ (Weather, │ │
│ │ Time, │ │
│ │ Web(FS) │ │
│ └──────────────┘ │
└─────────────────────────────────────────────────────────────────────────┘


______________________________________________________________________

## 📊 设置架构图

要显示架构图,您需要将三个图像上传到您的存储库:

1. **创建一个 `docs/images/` 目录** 在您的存储库中:```bash
mkdir -p docs/images
  1. 添加以下截图/图片:
  • claude-mcp-diagram.png -Claude MCP官方工作流程图(使用您提供的屏幕截图)
  • llama-server.png -终端中运行的llama.cpp服务器截图
  • chat-cmd.png -CLI聊天界面运行截图
  1. 截图:

对于 llama-server.png:

  • 使用您的模型运行llama.cpp服务器
  • 截图显示服务器启动输出、端口绑定和模型加载

对于 chat-cmd.png:

  • 运行Arcade MCP CLI聊天界面
  • 与它互动(例如,问“我有什么存储库?”)
  • 截图显示工具执行时的对话
  1. 上传到GitHub:```bash
    git add docs/images/*.png
    git commit -m "Add architecture diagrams"
    git push

这些图像将自动显示在README中:```
https://raw.githubusercontent.com/ProjectArcade/Arcade-MCP/main/docs/images/

🚀 快速开始

安装步骤

  1. 克隆并设置llama.cpp:```bash
    git clone https://github.com/ggerganov/llama.cpp
    cd llama.cpp
    make -j

1. **克隆街机MCP**:```bash
git clone https://github.com/ProjectArcade/Arcade-MCP.git
cd Arcade-MCP
  1. 安装依赖项:```bash
    pip install -r requirements.txt

or

uv pip install -r requirements.txt


1. **下载模型** 然后把它放进去 `models/`:```bash
# Example: Download a small model
wget https://huggingface.co/... -O models/1.5b-instruct.gguf
  1. 启动llama.cpp服务器:```bash
    ./build/bin/llama-server -m ./models/1.5b-instruct.gguf --port 8080

1. **启动街机MCP** (在新航站楼中):```bash
python server.py
  1. 开始聊天! CLI将提示您输入。

📦 需求

  • Linux或macOS(支持WSL)
  • llama.cpp 使用服务器二进制文件编译
  • GGUF模型文件
  • Python运行时(适用于Arcade MCP服务器)
  • 配置的MCP工具

🧠 模型设置

将您的GGUF模型放入 models/ 目录。

例子:```
models/1.5b-instruct.gguf


______________________________________________________________________

## ⚙️ 启动llama.cpp服务器

运行以下命令以启动本地推理服务器:```bash
THREADS=$(($(nproc)-2))
if [ "$THREADS" -lt 2 ]; then THREADS=2; fi

./build/bin/llama-server \
-m ./models/1.5b-instruct.gguf \
--reasoning-format none \
--reasoning-budget 0 \
--host 127.0.0.1 \
--port 8080 \
-c 8192 \
-np 2 \
-b 1024 \
-t $THREADS \
--mlock \
--cont-batching &

参数注释

  • -m --GGUF模型的路径
  • --host, --port --服务器绑定配置
  • -c --上下文长度(8192个标记)
  • -np --并行序列数
  • -b --批量大小
  • -t --CPU线程数(自动计算)
  • --mlock --防止模型内存被交换
  • --cont-batching --实现连续批处理以提高吞吐量

🔌 启动Arcade MCP服务器

运行MCP网桥服务器:```bash
python server.py


或者:```bash
uv run server.py

服务器将:

  • 连接到本地 llama.cpp API终点(http://127.0.0.1:8080)
  • 加载配置的MCP工具
  • 启用结构化工具执行工作流
  • 初始化会话管理
  • 设置请求/响应管道

🌐 访问

  • LLM服务器API→ http://127.0.0.1:8080
  • Arcade MCP接口→ CLI(计划提供UI支持)

🔄 工作流示例

GitHub存储库查询

  1. 用户输入:“我有哪些存储库?”
  2. 服务器处理:接收查询,初始化MCP客户端
  3. 工具发现:MCP客户端向MCP服务器请求可用工具
  4. 克劳德分析:查询+工具发送到llama.cpp模型
  5. 工具选择:克劳德回应道 ToolUse 为了 github_list_repos
  6. 工具执行:MCP客户端调用MCP服务器→ GitHub API
  7. 结果处理:通过链返回的GitHub数据
  8. 响应综合:Claude格式化最终的人类可读响应
  9. 用户输出:“您的存储库是:街机mcp、studybuddy……”

✨ 特性

  • 完全局部推理 (无云依赖)
  • MCP工具执行管道 结构化沟通
  • 流媒体进度支持 用于实时反馈
  • 模块化和可扩展的架构 便于添加工具
  • 兼容小型和大型GGUF型号 (用1.5B-70B+测试)
  • 连续配料 为了提高性能
  • 多线程推理 利用可用的CPU内核
  • 会话管理 保持对话的连续性
  • 错误处理和恢复 在每一层
  • 工具感知提示 用于精确的函数调用

🔄 MCP工作流示例

以下是当你问“我有什么存储库?”时会发生的情况:```
┌─────────────────────────────────────────────────────────────────────────┐
│ Message Flow Timeline │
└─────────────────────────────────────────────────────────────────────────┘

  1. USER INPUT
    You: "What repositories do I have?"
    ↓

  2. SERVER PROCESSING
    Arcade Server receives query
    → Initializes MCP Client
    ↓

  3. TOOL DISCOVERY
    MCP Client ──[ListToolsRequest]──▶ MCP Server
    MCP Server ──[ListToolsResult]───▶ MCP Client

Available tools:
✓ github_list_repos
✓ github_get_file
✓ filesystem_read
↓

  1. QUERY TO CLAUDE
    Server ──[Query + Available Tools]──▶ llama.cpp
    ↓

  2. TOOL SELECTION
    llama.cpp analyzes query
    → Determines: Need to call github_list_repos
    llama.cpp ──[ToolUse: github_list_repos]──▶ Server
    ↓

  3. TOOL EXECUTION
    Server ──[CallToolRequest]──▶ MCP Server
    MCP Server ──[GitHub API Call]──▶ GitHub
    GitHub ──[Repository Data]──▶ MCP Server
    MCP Server ──[CallToolResult]──▶ Server
    ↓

  4. RESPONSE SYNTHESIS
    Server ──[ToolResult Data]──▶ llama.cpp
    llama.cpp formats human-readable response
    ↓

  5. USER OUTPUT
    Agent: "Your repositories are:
    • arcade-mcp - MCP integration for llama.cpp
    • studybuddy - AI-powered study platform
    • lykon - Custom web browser"


## 🛠 发展

### 构建llama.cpp```bash
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp
make -j

安装Python依赖项```bash

pip install -r requirements.txt


或使用 `uv`:```bash
uv pip install -r requirements.txt

核心模块

core/chat.py -聊天会话管理和对话处理

  • 管理对话历史记录
  • 处理用户输入/输出格式
  • 会话状态管理

core/claude.py -与llama.cpp LLM集成

  • API与llama.cpp服务器的通信
  • 请求/响应处理
  • 上下文窗口管理

core/mcp_chat.py -MCP专用聊天界面

  • 使用MCP协议的网桥聊天
  • 工具调用编排
  • 响应综合

core/cli.py -命令行界面

  • 用户交互循环
  • 漂亮的打印和格式化
  • 进度指示器

core/tools.py -工具定义

  • 工具注册
  • 输入模式验证
  • 执行处理程序

主文件

server.py -应用程序入口点

  • 初始化所有组件
  • 启动CLI界面
  • 处理优雅关机

mcp_client.py -MCP客户端

  • 连接到MCP服务器
  • 工具发现(列出工具请求/结果)
  • 工具执行(调用工具请求/结果)

mcp_server.py -MCP服务器

  • 注册可用工具
  • 处理工具执行请求
  • 将结果返回给客户端

📄 许可证

GNU通用公共许可证

🤝 贡献

欢迎投稿!
请在提交pull请求之前打开一个问题来讨论主要更改。

开发指南

  1. 工具实施遵循MCP规范
  2. 添加全面的错误处理
  3. 包括文档字符串和类型提示
  4. 使用多种型号尺寸进行测试
  5. 更新新功能的文档

⭐ 视觉

Arcade MCP旨在为建筑提供坚实的基础 具有工具访问权限的本地AI代理,支持消费类硬件上的实验、研究和生产级工作流程。

通过结合效率 llama.cpp 借助MCP的可扩展性,我们能够:

  • 隐私优先的人工智能 -所有处理都在本地进行
  • 经济高效的部署 -无API成本
  • 可定制的工作流程 -根据您的特定需求构建工具
  • 研究友好 -尝试代理架构
  • 生产就绪 -可扩展且可靠,适用于实际应用

❓ 故障排除和常见问题

常见问题

Q: llama.cpp服务器无法启动```bash

Check if port 8080 is already in use

lsof -i :8080

Kill existing process

kill -9

Or use a different port

./llama-server -m model.gguf --port 8081


**Q: 启动Arcade MCP时“连接被拒绝”**

- 确保llama.cpp服务器首先运行
- 检查端口8080是否可访问: `curl http://127.0.0.1:8080`
- 验证防火墙设置没有阻止本地连接

**Q: 型号太慢/CPU使用率高**```bash
# Reduce thread count
-t 4  # Use only 4 threads instead of auto-detection

# Reduce context length
-c 4096  # Instead of 8192

# Disable mlock if low on RAM
# Remove --mlock flag

Q: 未发现MCP工具

  • 检查 tools/ 目录存在并包含Python文件
  • 验证每个工具是否符合MCP规范
  • 检查服务器日志中的工具注册错误

Q: “内存不足”错误

  • 使用较小的型号(1.5B而不是7B)
  • 减少批量大小: -b 512
  • 缩短上下文长度: -c 2048
  • 启用内存锁定: --mlock

性能优化

对于仅CPU推理:```bash

Optimize thread count (typically cores - 2)

THREADS=$(($(nproc)-2))

Enable BLAS for faster matrix ops (if available)

make LLAMA_BLAS=1

Use Q4 or Q5 quantized models for speed


**为了获得更好的响应质量:**```bash
# Increase context length
-c 16384

# Increase batch size (if RAM allows)
-b 2048

# Use higher quality model quantization (Q6, Q8)

调试模式

启用详细日志记录:```bash

For llama.cpp

./llama-server --log-level DEBUG

For Arcade-MCP

export LOG_LEVEL=DEBUG
python server.py
```


📞 支持

对于问题和疑问:

  • 打开GitHub问题
  • 检查现有文档
  • 审查MCP规范 模型上下文协议.io

建于❤️ 对于当地的人工智能社区

常见问题

8 问
答案由本站依据条目字段整理,不引用上游原文
Arcade MCP 怎么安装?

在客户端按下面的安装命令接入:pip install -r requirements.txt。装完在客户端配置里引用同一个包或端点。

Arcade MCP 怎么在 Claude 里配置?

它的传输方式是stdio · 本地进程,在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,配置才会生效。

Arcade MCP 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Arcade MCP 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

Arcade MCP 支持哪些客户端?

资料标注支持 Claude;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

Arcade MCP 能提供哪些能力?

资料显示能力标签包括 本地AI、Python、Claude、工作流自动化。具体工具清单以官方文档为准。

Arcade MCP 需要什么运行环境?

属于本地进程,需要在本机装好运行环境。

Arcade MCP 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。