Fitz Graveyard

MCP开发工具

提供方 yafitzdev

开发工具 stdio · 本地进程 无需鉴权 社区 / 第三方 Claude
查看接入方式

fitz-forge 是一个为本地LLM设计的代码架构规划工具,通过分解复杂任务为小型LLM调用阶段,生成结构化代码实现计划,适用于本地开发环境中的代码架构优化和任务规划。

一句话选型结论

按资料字段整理

Fitz Graveyard 属于开发工具类 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。

分类开发工具 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 4 仓库热度,无公开仓库时显示未标注
工具数 6 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6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

LLM开发工具Python本地部署代码规划本地AI架构设计开发效率

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 fitz-forge

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

    连接成功后客户端会列出约 6 个工具,随便调一个只读工具确认能返回结果。

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 6 个工具,职责相对集中,接入后不容易误操作。
  • 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。
  • 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。
  • 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
Fitz Graveyard当前 6 stdio · 本地进程 本地部署 有 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yafitzdev上游标注的维护方 yafitzdev
分类开发工具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

13.6 KB
来自项目仓库与上游目录的原文,未做删改

菲茨锻造厂

本地LLM的架构编码规划工具


Task: "Add WebSocket support to the chat API"
(Given a real codebase with FastAPI routes, Pydantic schemas, and an existing REST chat endpoint.)

| ❌ Raw local LLM (no harness)

"Add a WebSocket endpoint.
Use the websockets library.
Create a new file for handlers.
Add authentication middleware."

Generic advice. No file paths. No awareness
of existing code. Hallucinated library choice.
Would break the existing architecture. | 🔨 fitz-forge (same model, same hardware)

Phase 1: Extend ChatRouter in api/routes/chat.py
- Add ws_chat() using existing ChatEngine
- Reuse AuthMiddleware.verify_token()
- Test: pytest tests/api/test_chat_ws.py

阶段2:在schemas/chat.py中调整MessageSchema

  • 添加ws_message字段(与现有字段匹配
    ChatMessage.content结构)
  • 验证:pydantic模型验证()

真实文件。真正的方法。分阶段路线图
使用验证命令。基于
实际的代码库。

→ 同样的型号,同样的硬件。区别在于线束: fitz-forge 阅读你的代码库,分阶段推理,自我批评,
并提取小模型实际上可以可靠地产生的结构化输出。


从哪里开始🚀

> [!重要]
> 需要 奥拉玛, LM工作室,或 llama.cpp
> 装载模型。还需要 菲茨圣人 用于代码检索。```bash
pip install fitz-forge

fitz plan "Add OAuth2 authentication with Google and GitHub providers"


就是这样。你的计划在本地硬件上过夜。

______________________________________________________________________

### 关于

我建造 `fitz-forge` 因为最好的人工智能编码工具非常危险地依赖API补贴定价。
Claude Code每月收费100美元 *今天* --大量补贴。当这些补贴减少时,仅规划阶段
(理解代码库、推理架构、制定结构化计划)可能比订阅成本更高。
`fitz-forge` 将昂贵的规划阶段转移到您已经拥有的硬件上。无API成本。没有数据离开您的网络。
随着本地模型的改进,您的计划也会免费改进。

没有LangChain。没有LlamaIdex。每一层都是从头开始编写的,代码检索由 菲茨圣人.

大约2万行Python。970+次测试。由Yan Fitzner建造(领英, GitHub).

______________________________________________________________________

### 为什么 `fitz-forge`?

**减少您的Opus账单——在本地规划,与Sonnet合作实施💸**

> 代理规划是这个过程中最昂贵的部分,也是LLM最挣扎的地方。 `fitz-forge`
> 生成一个markdown工件,交给Sonnet实现。昂贵的代币从未达到您的API预算。

**愚蠢的本地模型产生了聪明的计划🧠**

> 流水线将任务分解为原子决策,根据相关文件解析每个决策,然后叙述已提交的
> 将决策转化为计划。突然之间,一个本地模型可以在一个提示中产生压倒它的计划。

**在您拥有的任何硬件上运行🖥️**

> 消费级GPU?模特们喜欢 `Qwen3.6-35-a3b` 或 `Gemma4-26B-A4b` 完成整个管道。只使用CPU的盒子还是微型VRAM?以10 tok/s的速度运行一个中型模型
> 一夜之间。当你睡着的时候,每秒的代币不再重要。

**通过CLI和MCP进入Claude Code或Codex🔌**

> 暴露 `fitz-forge` 作为MCP服务器(`fitz serve`)并且它成为Claude Code或任何支持MCP的客户端内的工具。
> 与CLI的原理相同。告诉克劳德用以下方式制定计划 `fitz-forge`,当你等待时,它会在本地完成繁重的工作。

**任何代码库,任何语言🌐**

> Python、Go、Rust——检索层按文件结构和导入进行索引,基础层验证生成的
> 工件与代码库实际包含的任何内容。

**排队作业。入睡放松。让它运行一夜。 🌙**

> 每个阶段都会产生检查点。在20分钟的运行中,第15分钟停电? `fitz retry ` 拿起从
> 最后完成的阶段。

**完全本地执行是可能的🏠**

> Ollama、LM工作室或llama.cpp。无需API密钥即可启动。

______________________________________________________________________

### 基准测试

待定

______________________________________________________________________

### 运作原理

一个10阶段的流程,将架构规划分解为小型、集中的LLM调用,与确定性调用交织在一起
AST工作。检索+实现检查为基于决策的推理核心(分解→ 解决→ 合成),然后
在编写计划之前,生成工件,检查闭包,并将其与真实的代码库相结合。```
USER PROMPT
│
▼
┌─────────────────────────────────────────┐
│ 1. Agent Context Gathering    [6-8 LLM] │  retrieval + compression
├─────────────────────────────────────────┤
│ 2. Implementation Check       [1 LLM]   │  already built?
├─────────────────────────────────────────┤
│ 3. Call Graph Extraction      [0 · AST] │  deterministic
├─────────────────────────────────────────┤
│ 4. Decision Decomposition     [2-4 LLM] │  adaptive best-of-N
├─────────────────────────────────────────┤
│ 5. Decision Resolution        [10-15]   │  1 call per decision
├─────────────────────────────────────────┤
│ 6. Synthesis                  [~15 LLM] │  reasoning + 13 extractions
├─────────────────────────────────────────┤
│ 7. Artifact Generation        [3-8 LLM] │  per-artifact + closure checks
├─────────────────────────────────────────┤
│ 8. Grounding Validation       [0-5 LLM] │  AST + repair
├─────────────────────────────────────────┤
│ 9. Coherence Check            [1 LLM]   │  cross-stage sanity
├─────────────────────────────────────────┤
│ 10. Render + Write            [0]       │  markdown to disk
└─────────────────────────────────────────┘
│
▼
~/.fitz-forge/plans/plan_.md

Total: ~40-60 LLM calls · ~7-9 min on RTX 5090
# 阶段 文档
1 代理上下文收集 01_代理织物采集.md
2 实施检查 02_实施-检查.md
3 调用图提取 03_全图导出.md
4 决策分解 04_决策分解.md
5 决策决议 05_决议.md
6 合成 06_合成材料.md
7 工件生成 07_艺术一代.md
8 接地验证 08_循环验证.md
9 一致性检查 09_连贯性检查.md
10 渲染+写入 --

> [!注意]
> 管道将一个会淹没小模型的问题分解为许多它可以可靠处理的小LLM调用。
> 每个字段的JSON提取不到2000个字符——小到足以让3B量化模型产生有效输出。
> 确定性AST工作(调用图、接地检查)承载结构载荷,因此LLM只做LLM擅长的事情。

完整的管道文档: 文档/功能/ --涵盖每个阶段和基础设施组件的详细文档。


📦 Quick Start```bash

Install

pip install fitz-forge

Queue a job

fitz plan "Build a plugin system for data transformations"

Start the background worker

fitz run

Check on it

fitz status 1

Read the plan

fitz get 1


**可选附加功能:**```bash
pip install "fitz-forge[api-review]"    # Anthropic API review pass
pip install "fitz-forge[lm-studio]"    # LM Studio provider (openai SDK)
pip install "fitz-forge[dev]"          # pytest, build tools

先决条件:

  • Python 3.10+
  • 奥拉玛, LM工作室,或 llama.cpp 装载模型
  • 菲茨圣人 用于代码检索

📦 CLI Reference```bash
fitz plan "description" # Queue a planning job
fitz run # Start background worker (Ctrl+C to stop)
fitz list # Show all jobs
fitz status # Check progress
fitz get # Print completed plan as markdown
fitz retry # Re-queue failed/interrupted job
fitz confirm # Approve optional API review
fitz cancel # Skip API review, finalize plan
fitz serve # Start MCP server


**作业生命周期:**```
QUEUED -> RUNNING -> COMPLETE
-> AWAITING_REVIEW -> QUEUED (confirm) / COMPLETE (cancel)
-> FAILED / INTERRUPTED (both retryable)

📦 MCP Server

插入克劳德代码或克劳德桌面:```json
{
"mcpServers": {
"fitz-forge": {
"command": "fitz",
"args": ["serve"]
}
}
}


**MCP工具:**

|工具|说明|
|------|-------------|
| `create_plan` |排队新的计划作业|
| `check_status` |检查作业进度|
| `get_plan` |检索已完成的计划|
| `list_plans` |列出所有规划工作|
| `retry_job` |重试失败的作业|
| `confirm_review` |看到成本后批准API审核|
| `cancel_review` |跳过API审查,最终确定计划|

______________________________________________________________________

📦 Configuration

首次运行时自动创建:

|平台|路径|
|----------|------|
|窗户| `%LOCALAPPDATA%\fitz-forge\fitz-forge\config.yaml` |
|macOS| `~/Library/Application Support/fitz-forge/config.yaml` |
|Linux| `~/.config/fitz-forge/config.yaml` |

数据库(`jobs.db`)位于同一目录中。```yaml
# LLM provider: "ollama", "lm_studio", or "llama_cpp"
provider: lm_studio

lm_studio:
base_url: http://localhost:1234/v1
model: qwen3-coder-30b-a3b-instruct    # single model for retrieval + reasoning
smart_model: null                        # null = use model for all tiers
fast_model: null                         # null = use model for all tiers
timeout: 600
context_length: 65536                    # split reasoning auto-enables below 32768

ollama:
base_url: http://localhost:11434
model: qwen2.5-coder-next:80b-instruct
fallback_model: qwen2.5-coder-next:32b-instruct  # OOM fallback (null to disable)
timeout: 300
memory_threshold: 80.0  # RAM % threshold to abort

llama_cpp:
server_path: /path/to/llama-server
models_dir: /path/to/models
port: 8012
fast_model:
path: model.gguf
context_size: 65536
gpu_layers: -1
flash_attention: true
cache_type_k: q8_0
cache_type_v: q8_0

agent:
enabled: true
max_file_bytes: 50000
max_seed_files: 50    # files available via inspect_files/read_file tools
source_dir: null      # null = cwd at runtime

confidence:
default_threshold: 0.7
security_threshold: 0.9

anthropic:
api_key: null  # null = API review disabled
model: claude-sonnet-4-5-20250929

output:
plans_dir: .fitz-forge/plans
verbosity: normal

📦 Architecture → Full Architecture Guide```
CLI (typer) --> tools/ --> SQLiteJobStore <-- BackgroundWorker --> PlanningPipeline
MCP (fastmcp) --> tools/ --> SQLiteJobStore
``````
fitz_forge/
├── cli.py # Typer CLI (9 commands)
├── server.py # FastMCP server + lifecycle
├── main.py # python -m fitz_forge (MCP stdio)
├── tools/ # Service layer
├── models/ # JobStore ABC, SQLiteJobStore, JobRecord
├── background/ # BackgroundWorker, signal handling
├── llm/ # LLM clients (Ollama, LM Studio, llama.cpp), retry
├── planning/
│ ├── pipeline/stages/ # 3 stages (split or combined) + orchestrator + checkpoints
│ ├── agent/ # Code retrieval bridge to fitz-sage
│ ├── prompts/ # Externalized .txt prompt templates
│ └── confidence/ # Per-section confidence scoring
├── api_review/ # Anthropic review client + cost calculator
├── config/ # Pydantic schema + YAML loader
└── validation/ # Input sanitization


______________________________________________________________________

📦 Development```bash
git clone https://github.com/yafitzdev/fitz-forge.git
cd fitz-forge
pip install -e &quot;.[dev]&quot;  # editable install for development
pytest  # 970+ tests

# Lint
ruff check fitz_forge/
ruff format --check fitz_forge/ tests/

看 贡献.md 完整的开发指南和 示例/ 作为使用示例。

标杆工厂 对于A/B测试管道更改:```bash

Retrieval benchmarks (~12s/run)

python -m benchmarks.plan_factory retrieval --runs 10 --source-dir ../your-project

Reasoning benchmarks with fixed retrieval

python -m benchmarks.plan_factory reasoning --runs 5 --source-dir ../your-project \
--context-file benchmarks/ideal_context.json --split --max-seeds 5
```


许可证

麻省理工学院


链接

  • GitHub
  • PyPI
  • 更新日志
  • 建筑
  • 功能文档 --17份详细文件,涵盖每个管道阶段和基础设施组成部分
  • 配置参考 --解释每个配置字段
  • 故障排除 --GPU问题、Windows怪癖、管道调试
  • 贡献
  • 示例

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
Fitz Graveyard 怎么安装?

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

Fitz Graveyard 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。

Fitz Graveyard 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。

Fitz Graveyard 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。

Fitz Graveyard 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。

Fitz Graveyard 能提供哪些能力?

资料显示约 6 个工具;能力标签包括 本地AI、Python、Claude。具体工具清单以官方文档为准。

Fitz Graveyard 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。

Fitz Graveyard 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。