Devgraph Copilot

MCP开发工具

提供方 aman-09

开发工具 未标注 无需鉴权 社区 / 第三方

一个基于FastAPI、LangGraph、LangChain、MCP和RAG构建的GitHub仓库开发者生产力Copilot,旨在通过多代理AI系统提升开发效率。

一句话选型结论

按资料字段整理

Devgraph Copilot 属于开发工具类 MCP 服务器,传输方式未标注,无需鉴权,没有现成安装命令,需按官方文档接入。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。

分类开发工具 传输方式未标注 鉴权无需鉴权 部署方式未标注
GitHub 星标 0 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

开发工具
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

开发者工具Python本地部署AI辅助开发多代理系统RAG代码问答

安装与配置

未标注 无需鉴权
上游未给出传输方式
  1. 1
    准备运行环境

    按官方文档确认运行环境(常见为 Node.js 或 Python),装好后再执行安装命令。

  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
代码与仓库操作

在对话里直接查代码、提 issue、走 PR,省掉来回切工具。

本地命令与脚本

把构建、测试、格式化这类重复命令交给模型执行。

接口联调与测试

让模型调你的接口、跑一遍用例,快速定位问题。

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

  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • 没有现成安装命令,需要按官方文档自己填启动命令和参数。
  • 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

  • 需要在开发工具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

  • 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
Devgraph Copilot当前 未标注 未标注 未标注 无 2026-05-17
Git 838e2ec1 12 stdio · 本地进程 本地部署 有 2026-05-17
Markitdown MCP 2c653a5f 1 stdio · 本地进程 本地部署 有 2026-05-17
JavaGuide 未标注 stdio · 本地进程 本地部署 有 2026-04-11
awesome-claude-skills 未标注 stdio · 本地进程 本地部署 有 2026-04-26
Context7 831acf40 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

开发工具
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aman-09上游标注的维护方 aman-09
分类开发工具本站按上游分类展示
连接方式未标注上游未给出传输方式
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
部署类型未标注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

9.7 KB
来自项目仓库与上游目录的原文,未做删改

DevGraph复制品

GitHub存储库的开发者生产力副本,使用 快速API, LangGraph, LangChain, 主控程序,以及 检索增强生成.

这个项目被设计成一个完整的学习路径:从一个简单的FastAPI应用程序开始,发展成为一个多代理、生产风格的agent AI系统。


1.项目设置(所有阶段)

1.1克隆并进入项目

如果这是你自己的回购
git clone\devgraph副本
cd devgraph副驾驶

如果你还没有在本地启动git,只需创建一个名为的文件夹 devgraph-copilot 并按照其余步骤进行操作。

1.2创建和激活虚拟环境

python-m venv.venv

窗户:
.venv\Scripts\activate

macOS/Linux:
source.ven/bin/activate

1.3安装依赖项

pip安装-r要求.txt

> 随着我们经历各个阶段,需求将会增长。至少,这个项目使用FastAPI、Uvicorn、LangChain、LangGraph、pydantic-settings和一些辅助库。

1.4运行应用程序

uvicorn app.main:应用程序--reload

在浏览器中打开:

  • http://127.0.0.1:8000
  • API文件:http://127.0.0.1:8000/docs

2.项目文件夹结构(高级)

随着项目的发展,结构将如下:

devgraph副驾驶/
├── app
│ ├── __初始化__南美国家巴拉圭的缩写(Paraguay)
│ ├── main.py#FastAPI应用程序入口点(路由、布线)
│ └── config.py#设置和配置(环境、密钥等)
│
├── 代理
│ ├── __初始化__南美国家巴拉圭的缩写(Paraguay)
│ ├── graph_state.py#共享语言图形状态(查询、计划、文档等)
│ ├── graph_builder.py#LangGraph图形定义(节点、边)
│ ├── planner.py#planner代理(决定运行哪些代理)
│ ├── introduct.py#摄入代理(克隆仓库、块、嵌入、索引)
│ ├── data_quality.py#数据质量代理(对数据/索引进行健全性检查)
│ ├── code_qa.py#基于RAG的代码qa代理(回答问题)
│ ├── tool_executor.py#MCP工具执行器代理(调用外部工具)
│ └── documentation_agent.py#额外代理示例(文档生成器)
│
├── rag
│ ├── __初始化__南美国家巴拉圭的缩写(Paraguay)
│ ├── chung.py#RAG的分块策略
│ ├── embeddings.py#嵌入模型包装器
│ └── vectorstore.py#矢量存储抽象(添加/搜索)
│
├── mcp服务器
│ ├── __初始化__南美国家巴拉圭的缩写(Paraguay)
│ ├── repo_tools#用于repo操作(列表/读/写)的MCP服务器
│ └── external_tools#用于外部API(天气/新闻等)的MCP服务器
│
├── tests
│ └── test_main.py#单元/集成测试(稍后将增长)
│
├── docs
│ ├── 项目概述与规划.md
│ ├── architecture.md
│ ├── code_flow.md
│ ├── how_toadd_an_agent.md
│ ├── example_new_agent_documentation_agent.md
│ └── interview_guide.md
│
├── 需求.txt
├── Dockerfile#用于部署(后期)
└── README.md

每个阶段都会填充更多的文件,这样文件夹结构就会逐渐与这张完整的图片相匹配。


3.第1阶段——最小FastAPI后端

目标: 确认后端可以启动并响应一个简单的请求。

3.1在第一阶段创建的文件

  • app/main.py
  • app/__init__.py
  • agents/__init__.py
  • rag/__init__.py
  • mcp_servers/__init__.py
  • requirements.txt
  • README.md

3.2代码(第1阶段)

app/main.py (第一阶段版本)为:

从fastapi导入fastapi

FastAPI应用实例
app=FastAPI(标题=“DevGraph复制品-第1阶段”)

@app.get(“/”)
异步定义read_root():
返回{
“消息”:“DevGraph Copilot后端正在运行(第1阶段)”,
“next_steps”:[
“添加LangGraph状态图”,
“添加基本RAG管道”,
“集成MCP工具”
]
}

3.3如何运行第一阶段

从项目根:
uvicorn app.main:应用程序--reload

在浏览器中打开:

  • http://127.0.0.1:8000

预期JSON(第1阶段):
{
“消息”:“DevGraph Copilot后端正在运行(第1阶段)”,
“next_steps”:[
“添加LangGraph状态图”,
“添加基本RAG管道”,
“集成MCP工具”
]
}

如果你看到这个反应,那么第一阶段正在发挥作用。


4.第2阶段–LangGraph骨架

目标: 将最小的LangGraph图连接到FastAPI后端。

4.1第2阶段的新文件/更新文件

  • app/config.py –基本设置(应用程序名称、环境)。
  • agents/graph_state.py –图形的共享状态定义。
  • agents/graph_builder.py –带有规划器和回声节点的最小LangGraph图。
  • app/main.py –更新为:
  • 显示“第二阶段” /
  • 添加 POST /api/chat 使用LangGraph的端点。

4.2状态和节点(当前)

GraphState 领域:

  • user_input:来自API的原始消息。
  • message_type:简单分类(例如。, "question" 或 "statement").
  • reply:最终回复文本。

节点:

  • planner_node:
  • 倒像 user_input.
  • 集合 message_type 到 "question" 如果它以 ?,否则 "statement".
  • echo_node:
  • 倒像 user_input 和 message_type.
  • 写 reply 包括两者。

图形流程:
开始->规划节点->回声节点->结束

4.3新终点—— POST /api/chat

请求正文:
{
“message”:“你好”
}

响应(示例):
{
“reply”:“LangGraph的回声(type=语句):你说了->你好”
}

它是如何工作的(简短):

  1. FastAPI在中接收请求 /api/chat.
  2. 它创建了一个初始 GraphState 随着 user_input.
  3. 它调用编译后的LangGraph graph_app.
  4. planner_node 套 message_type.
  5. echo_node 读取 user_input 和 message_type 并写道 reply.
  6. 最终状态作为HTTP响应返回。

4.4测试双节点流

  1. 重新启动服务器:
    uvicorn app.main:应用程序--reload

  2. 打开Swagger:http://127.0.0.1:8000/docs

  3. 测试 POST /api/chat:

  • 主体:
    {“留言”:“你好吗?”}

预期:
{
“回复”:“LangGraph的回声(类型=问题):你说->你好吗?”
}

  • 主体:
    {“message”:“这是一个声明”}

预期:
{
“reply”:“LangGraph的回声(type=statement):你说->这是一个语句”
}

这证明:

  • 状态正在流经多个节点。
  • 规划师写道 message_type,echo读到了。

5.第3阶段——RAG骨架(仅设置)

目标: 为RAG组件创建基本文件(还没有真正的LLM)。

5.1第3阶段的新文件(骨架)

  • rag/chunking.py

  • simple_line_chunker(text: str) -> List[str> –琐碎的基于行的分块器。

  • rag/embeddings.py

  • dummy_embedding(text: str) -> List[float] –基于长度的虚假嵌入。

  • embed_chunks(chunks: List[str]) -> List[List[float]].

  • rag/vectorstore.py

  • InMemoryVectorStore –内存中存储块和假嵌入。

  • add(chunks, embeddings) 和 search(query_embedding, top_k=3).

5.2现状

这些模块尚未连接到图形或API中。\
它们是使第3阶段集成更容易的占位符。


6.第一阶段和第二阶段总结

第一阶段

  • 基本的FastAPI应用程序 GET / 返回第1阶段JSON。
  • requirements.txt,virtualenv,最小的项目结构。

第2阶段(加上小型2节点升级)

  • app/config.py 随着 Settings.
  • agents/graph_state.py 定义 GraphState (user_input, message_type, reply).
  • agents/graph_builder.py 使用LangGraph StateGraph:
  • 节点: planner_node → echo_node.
  • 流量: START → planner_node → echo_node → END.
  • app/main.py 已更新:
  • 根 / 显示“第二阶段”。
  • 新 POST /api/chat 端点使用 graph_app.invoke.

已创建(但尚未使用)RAG骨架文件:

  • rag/chunking.py
  • rag/embeddings.py
  • rag/vectorstore.py

如果 / 返回第2阶段JSON和 POST /api/chat 返回正确的回声 type=question/statement,您已经完全完成了这些阶段,并准备开始连接真正的RAG和更多的代理。


5.3第3阶段——将假RAG连接到图形中

  • 扩展的 GraphState 随着 retrieved_chunks.
  • 添加 agents/ingestion_helper.py:
  • 全球 InMemoryVectorStore 用示例文本初始化。
  • 更新 agents/graph_builder.py:
  • 现在绘图: START -> planner_node -> code_qa_node -> END.
  • code_qa_node:
  • 嵌入 user_input 使用 dummy_embedding.
  • 搜索 InMemoryVectorStore.
  • 写 retrieved_chunks 和一个 [Fake RAG] 回答。
  • /api/chat 现在返回由检索到的片段组成的回复。

现在,你真正拥有了这两样东西:
当USE_LLM=false或OPENAI_API_KEY为空时:
仅RAG模式,完全本地。
当USE_LLM=true并且设置了有效密钥时:
RAG+在线法学硕士答案。

如何在实践中使用它
仅运行RAG(无API)

  1. 在.env中:
    USE_LLM=假
    OPENAI_API密钥=

  2. 重新启动:
    uvicorn app.main:应用程序--reload

  3. POST/api/聊天→ 您将看到使用本地嵌入+向量存储的[RAG only]响应。
    运行RAG+LLM

  4. 在.env中:
    USE_LLM=真
    OPENAI_API_KEY=sk-。..您的_real_key。..
    LLM_MODEL_NAME=gpt-4o-mini#或提供程序的型号id

  5. 重新启动:
    uvicorn app.main:应用程序--reload

  6. POST/api/聊天→ 您将看到使用本地嵌入+向量存储+在线LLM的[RAG+LLM]响应。

常见问题

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

资料没有给出安装命令,请到官方仓库或文档按说明接入;这类条目多数是生态应用,或尚未发布可安装包。

Devgraph Copilot 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。

Devgraph Copilot 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。

Devgraph Copilot 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。

Devgraph Copilot 能提供哪些能力?

资料显示能力标签包括 AI代理、开发工具、Python、RAG。具体工具清单以官方文档为准。

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。