MCP connect

MCPAI代理

提供方 omnirexflora-labs

AI代理 stdio · 本地进程 OAuth 授权 社区 / 第三方
查看接入方式

OmniCoreAgent是一个为Python设计的开源生产级代理框架,提供并行工具批处理、结构化观察、签名循环检测、MCP工具、内存管理、工作区文件、子代理、后台任务以及REST/SSE服务等功能。

一句话选型结论

按资料字段整理

MCP connect 属于AI代理类 MCP 服务器,stdio · 本地进程,OAuth 授权,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OAuth 授权 部署方式本地部署
GitHub 星标 236 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

适用场景

AI代理Python本地部署Python运行时工具批处理结构化观察工作区管理

安装与配置

stdio · 本地进程 OAuth 授权
客户端在本机拉起子进程,数据不出本机
pip install omnicoreagent

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 Python,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。

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。
  • 使用前要准备好OAuth 授权对应的凭据,并按最小权限配置。
  • 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。
  • 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。
  • 不方便管理密钥或第三方授权的人。
  • 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
MCP connect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omnirexflora-labs上游标注的维护方 omnirexflora-labs
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OAuth 授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 · Python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

13.8 KB
来自项目仓库与上游目录的原文,未做删改

OmniCoreAgent

Open Python Agent Harness and Runtime for Production AI Agents
Everything around the model: parallel tool batches, structured observations, loop detection, memory, workspace files, MCP tools, subagents, background tasks, and serving.

Quick Start -
Choose Your Path -
What Makes It Different -
Install -
Cookbook -
Features -
Docs


快速开始```bash

pip install omnicoreagent
bash export LLM_API_KEY=your_api_keypython
import asyncio
from omnicoreagent import OmniCoreAgent

agent = OmniCoreAgent(
name="assistant",
system_instruction="You are a helpful assistant.",
model_config={"provider": "openai", "model": "gpt-4o"},
)

async def main():
result = await agent.run("Research the top 3 open-source agent runtimes and summarize them.")
print(result["response"])
await agent.cleanup()

asyncio.run(main())


这是最小的路径:一个代理、一个模型、线束循环、会话内存,
护栏、工作区文件、错误处理和每次运行的指标。

上下文管理、工具输出卸载、BM25工具检索、子代理、技能、,
云工作区存储和生产后端是可选择的,因此一个小型代理可以保留
小。

> 准备好更深入了吗?这 食谱 有进步的例子
> hello world到生产部署。

______________________________________________________________________

## 选择你的道路

|目标|从这里开始|
|------|------------|
|建立你的第一个代理| 快速开始 |
|添加Python工具| 当地工具烹饪书 |
|连接MCP服务器工具| MCP工具食谱 |
|管理内存和上下文| 入门食谱 |
|保存文件、工件和大型工具结果| 工具卸载食谱 |
|构建多步骤工作流| 工作流程食谱 |
|通过HTTP/SSE提供代理| OmniServe食谱 |
|了解运行时内部| 实施图 |

______________________________________________________________________

## 是什么让它与众不同

大多数代理库都停留在“LLM+工具循环”上。OmniCoreAgent是围绕
之后出现的运行时问题:顺序工具速度慢、噪音大
观察、卡住循环、上下文耗尽、MCP服务器工具、耐用
工作空间文件和运行时服务。

### 1.代理分批调用工具,而不是强制序列

通常的工具循环如下:```text
LLM -> call tool A -> wait -> result -> LLM -> call tool B -> wait -> result

OmniCoreAgent允许模型一起请求独立的工具:```text
LLM -> [tool A + tool B + tool C in parallel] -> one structured observation -> LLM


模型在再次推理之前会获得批次的一个完整视图。A失败了
工具显示在成功的工具旁边,而不是默默地折叠
整个步骤。

本机函数调用本身不是运行时。OmniCoreAgent使用自己的
工具调用契约、解析器、解析器、并行运行器和结果格式化器
线束控制整个执行路径。

### 2.工具结果变成结构化观察

原始工具输出通常太嘈杂,无法进行下一步推理。大有效载荷,
错误、无关字段和提示注入内容都会扭曲循环。

OmniCoreAgent通过观察管道路由工具结果:```text
tool output -> parse -> format -> guardrail check -> offload when configured -> observation -> model

模型接收继续任务所需的信号,而不是无限转储
工具返回的每个字节。启用刀具卸载时,输出量大
被写入活动工作区,模型收到可读的预览
加上它以后可以使用的路径。

3.循环检测使用超出步数的签名

max_steps 它仍然有用,但它是一种钝器。它阻止了一个代理人
正在取得进展,就像陷入困境一样快。

OmniCoreAgent在整个循环中跟踪SHA256支持的工具调用签名。每
签名基于调用的工具名称、输入和输出。运行时
检测:

  • 连续循环:同一个工具调用重复返回相同的结果。
  • 图案循环:同一个工具重复一个小的交互模式。

当线束停止循环时,代理会得到一个原因。这使得调试
代理行为比“达到最大迭代次数”容易得多

4.线束已经组装好

OmniCoreAgent作为可工作的代理工具发货,而不是一袋断开连接的部件:```text
model + prompt + loop + tools + memory + context + workspace + guardrails + events


对于简单的特工,保持其较小的尺寸,然后在出现以下情况时打开较重的安全带
工作量需要他们:MCP工具、BM25工具检索、动态子代理、技能、,
云工作空间存储、Redis/Postgres/MongoDB内存、事件流和
OmniServe。

### 5.在模型调用之前管理上下文

启用上下文管理后,OmniCoreAgent会检查活动消息
每次LLM请求前的历史记录。如果超过配置的阈值
在调用模型之前,harness会自动应用所选策略:```text
messages -> threshold check -> truncate or summarize+truncate -> LLM

系统提示被保留,最近的消息被保留,旧的中间
根据配置,历史记录会被总结或删除。如果你设置
如果预算低于模型的实际上下文窗口,则线束将在
提供者拒绝了该请求。


在行动中看到它```python

import asyncio
from omnicoreagent import MemoryRouter, OmniCoreAgent, ToolRegistry

tools = ToolRegistry()

@tools.register_tool("search_web")
def search_web(query: str) -> dict:
"""Search the web for information."""
return {"results": [f"Result for: {query}"]}

@tools.register_tool("read_file")
def read_file(path: str) -> dict:
"""Read a local project file."""
return {"path": path, "content": f"Contents of {path}"}

agent = OmniCoreAgent(
name="research-agent",
system_instruction=(
"You are a research assistant. Use tools in parallel when the calls are "
"independent and you can reason over the results together."
),
model_config={"provider": "openai", "model": "gpt-4o"},
local_tools=tools,
memory_router=MemoryRouter("in_memory"),
agent_config={
"max_steps": 20,
"context_management": {"enabled": True},
"tool_offload": {"enabled": True},
"enable_subagents": True,
"enable_advanced_tool_use": True,
},
)

async def main():
result = await agent.run(
"Search for recent AI agent papers and read notes.md. Do both at once "
"if neither depends on the other."
)
print(result["response"])
await agent.cleanup()

asyncio.run(main())


运行时接受 `search_web` 和 `read_file` 在同一批中,返回两者
将结果放在一起,并从一个结构化的观察中继续。

______________________________________________________________________

## 只安装您需要的东西```bash
pip install omnicoreagent                    # Core runtime
pip install "omnicoreagent[redis]"           # Redis memory + event streams
pip install "omnicoreagent[postgres]"        # PostgreSQL / SQL memory
pip install "omnicoreagent[mongodb]"         # MongoDB memory
pip install "omnicoreagent[s3]"              # S3 / R2 workspace storage
pip install "omnicoreagent[serve]"           # OmniServe REST/SSE API
pip install "omnicoreagent[all]"             # Everything

生产后端是可安装的额外组件。仅安装代理实际安装的内容
使用。


特性

功能 它做什么
并行批处理工具执行 同时执行独立的工具调用,并向模型返回一个组合观察结果。
结构化观测管道 在模型看到之前配置时,分析、格式化、护栏检查和卸载工具结果。
基于签名的循环检测 检测重复的SHA256支持的工具调用签名和超过步数耗尽的重复工具交互模式。
MCP原生工具 通过stdio、SSE和Streamable HTTP连接MCP服务器,包括支持OAuth的远程服务器。
本地工具注册表 将Python函数注册为具有推断模式和异步/同步执行支持的工具。
多层存储器 通过内存路由器使用内存、Redis、MongoDB或SQL支持的会话历史记录。
运行时后端切换 配置后,在运行时切换内存和事件后端。
工作区文件 为代理提供本地、S3或R2支持的文件工作区,用于笔记、草稿、工件和工具卸载。
语境工程 在每次模型调用之前检查上下文,并在超过配置的预算阈值时自动截断或汇总。
刀具输出卸载 将大型工具结果写入工作区文件,并为模型提供预览和文件引用。
动态子代理 让主代理生成具有隔离上下文和共享工作区输出的专注工作者。
代理技能 加载用Python、Bash或Node.js实现的打包功能。
BM25工具检索 从大型工具集中选择相关工具,使提示保持焦点。
护栏 在观察路径内添加具有可配置行为的快速注射筛查。
事件系统 为代理运行、工具调用和流式集成发出结构化运行时事件。
工作流程编排 为多步骤应用程序工作流提供顺序、并行和路由器代理。
后台代理 支持基于时间间隔的工作负载的计划自主任务。
通用模型 通过LiteLLM路由到OpenAI、Anthropic、Gemini、Groq、Ollama、DeepSeek、Mistral、OpenRouter、Azure和Cencori
OmniServe 将代理转换为具有生命周期管理和度量的REST/SSE服务。

实施图

OmniCoreAgent的功能由具体的运行时模块支持:

能力 它住在哪里
并行工具批次 core/tools/tool_batch_runner.py
XML工具调用契约 core/agents/xml_parser.py
结构化观察 core/tools/tool_observation.py
工具输出卸载 core/workspace/artifacts.py
自动上下文控制 core/agents/llm_step.py, core/context_manager.py
工作区文件 core/workspace/tools.py, core/workspace/storage.py
动态子代理 core/subagents.py
回路检测 core/agents/loop_detection.py
MCP服务器工具 mcp_clients_connection/client.py
OmniServe serve/

看 Agent Harness文档
查看完整的实施图。


食谱

所有的例子都在 食谱 并按用例进行组织。

类别 你将构建什么
入门指南 第一代理、工具、记忆、事件
工作流 顺序、并行、路由器代理
后台代理 计划自主任务
生产 护栏、服务和生产模式

配置

环境变量

对于第一次运行,大多数托管模型提供程序只需要 LLM_API_KEY.
OmniCoreAgent默认内存和事件为内存存储,工作区文件为
在配置之前,本地磁盘和可选的生产集成将保持关闭状态
他们。```bash
export LLM_API_KEY=your_api_key


仅当您选择使用Redis、MongoDB、SQL时,才添加后端特定变量
数据库存储、S3、R2或OmniServe部署设置。

### 完整线束配置示例

默认设置使第一个代理保持较小:工作区文件和护栏打开,
对话记忆在记忆中,高级安全带会一直关闭,直到
你启用它们。此示例显示了生产样式的切换。```python
agent_config = {
"max_steps": 15,
"tool_call_timeout": 30,
"request_limit": 0,                  # 0 = unlimited
"total_tokens_limit": 0,             # 0 = unlimited
"memory_config": {
"mode": "sliding_window",
"value": 10000,
"summary": {"enabled": False},
},
"enable_workspace_files": True,      # Default on
"guardrail_mode": "full",            # Default
"context_management": {"enabled": True},  # Default off
"tool_offload": {"enabled": True},        # Default off
"enable_advanced_tool_use": True,         # Default off
"enable_subagents": True,                 # Default off
"enable_agent_skills": True,              # Default off
}

当 enable_subagents 如果为true,工作区文件将自动启用,因此
子代理将输出、笔记、待办事项和工件写入活动
工作空间。

> 完整参考: 配置指南


发展```bash

git clone https://github.com/omnirexflora-labs/omnicoreagent.git
cd omnicoreagent

uv venv && source .venv/bin/activate
uv sync --dev

pytest tests/ -v
pytest tests/ --cov=src --cov-report=term-missing


______________________________________________________________________

## 故障排除

|错误|修复|
|-------|-----|
| `Invalid API key` |出口 `LLM_API_KEY` 在中选择了提供者的密钥 `model_config`. |
| `ModuleNotFoundError` 对于Redis/Postgres/MongoDB/S3 |安装匹配的额外组件,例如 `pip install "omnicoreagent[redis]"`. |
| `Redis connection failed` |启动Redis或使用 `MemoryRouter("in_memory")`. |
| `MCP connection refused` |启动代理之前,请确保MCP服务器正在运行。 |

> 更多帮助: 基本使用指南

______________________________________________________________________

## 贡献```bash
git clone https://github.com/omnirexflora-labs/omnicoreagent.git
cd omnicoreagent

uv venv && source .venv/bin/activate
uv sync --dev
pre-commit install

看 贡献.md 作为指导方针。欢迎PR。


许可证

麻省理工学院-见 许可证.


作者

建造于 阿比奥拉·阿德希纳.

  • GitHub: @Abiorh001
  • X(推特): @芒果
  • 电子邮件: abiolaadedayo1993@gmail.com

OmniRexFlora生态系统

项目 描述
OmniMemory 自主代理的自我进化记忆
OmniCoreAgent 生产代理线束(本项目)
OmniDaemon 事件驱动的运行时,用于将代理作为受监督的自主基础设施服务运行

建立在

轻量级LLM - 快速API - 瑞迪斯 - 派丹蒂克


Star on GitHub -
Report Bug -
Request Feature -
Documentation

常见问题

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

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

MCP connect 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

MCP connect 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。

MCP connect 需要 API Key 吗?

资料标注需要OAuth 授权认证,使用前准备好对应凭据,并按最小权限配置。

MCP connect 能提供哪些能力?

资料显示能力标签包括 AI代理、Python、工作区管理。具体工具清单以官方文档为准。

MCP connect 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

MCP connect 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。