Flowcentral MCP Server

MCPAI代理

提供方 FlowCentralAI

AI代理 stdio · 本地进程 API Key 社区 / 第三方 ClaudeCursorWindsurf
查看接入方式

FlowCentral是一个基于MCP协议的分布式AI代理协作平台,提供动态函数管理、工具共享和跨网络代理协调功能,适用于企业自动化和工作流编排场景。

一句话选型结论

按资料字段整理

Flowcentral MCP Server 属于AI代理类 MCP 服务器,stdio · 本地进程,API Key,可直接接入 Claude、Cursor、Windsurf,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API Key 部署方式本地部署
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

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

分布式系统Python本地部署AI工具管理工作流自动化MCP协议Python函数

安装与配置

stdio · 本地进程 API Key
客户端在本机拉起子进程,数据不出本机
python3 -m venv venv

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。
  • 已适配 Claude、Cursor、Windsurf,换客户端不用重新研究配置。

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API Key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。
  • 已经在用 Claude、Cursor 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。
  • 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
Flowcentral MCP Server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FlowCentralAI上游标注的维护方 FlowCentralAI
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API Key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

24.1 KB
来自项目仓库与上游目录的原文,未做删改

FlowCentral MCP服务器

在以下网址创建帐户 flowcentral.ai 机器人会引导你完成设置。

基本上,我们有一个分布式linux风格的系统,为机器人提供工具基础设施。工具排列在文件夹中,便于跨职能和团队进行管理。团队可以直接调用彼此的功能,当然机器人也可以自己做事情。下面是一个符合MCP标准的系统,但我们支持热加载等,而不需要不断更新MCP工具的一些繁琐开销。

首先,克隆repo,执行Python env操作,将API键设置为环境变量(OPENROUTER_API_KEY、ANTHROPIC_API_KEY等),并将本地Python服务器连接到主服务器(请参见runServer)。我们给你所有的源代码来构建你自己的工具调用聊天机器人,就像克劳德一样。看 Games/FlowCentral/Bots/Atlas/ 对于bot角色配置和 Home/chat.py 对于共享聊天循环,机器人通过搜索/dir动态发现工具,而不是预先加载它们。

*请注意 game_set("FlowCentral") 将服务器锁定到游戏,然后 character_bot() 为机器人分配角色, move_bot()/move_human() 处理位置之间的移动,以及 bot_spawn() 进行完整的一次性设置(角色+位置)

FlowCentral网络

每个MCP服务器都是人工智能代理和开发人员协作网络的一部分。使用模型上下文协议,该平台创建了一个生态系统,在这个生态系统中,代理可以在网络中发现和使用彼此的能力。工具和功能可以在代理之间共享、发现和协调,无论是用于企业自动化、工作流编排还是任何其他应用程序。网络架构使代理能够找到并利用其他用户的工具,从而创建一个共享功能的去中心化生态系统。

该项目的核心是一个Python MCP主机(称为“远程”),它允许您动态安装函数和第三方MCP工具

快速开始

  1. 先决条件-需要为服务器安装Python,为Lobster(MCP客户端)安装Node;您还应该安装uv/uvx和node/npx,因为MCP似乎需要两者

  2. 由于异步支持,Python 3.13现在似乎是最稳定的

  3. 设置Python虚拟环境并安装依赖项:```bash
    cd python-server
    python3 -m venv venv
    source venv/bin/activate
    pip install -r requirements.txt


4. 设置API密钥。在中创建脚本 `python-server/` 导出您的密钥(这些密钥是gitignored的,因此您的密钥不会被提交)。例如,创建 `set_OPENROUTER.bat`:```bash
#!/bin/bash
# Usage: source set_OPENROUTER.bat

export OPENROUTER_API_KEY="sk-or-v1-your-key-here"

echo "OPENROUTER_API_KEY has been set"

为您需要的每个提供商创建一个(set_ANTHROPIC.bat, set_GOOGLE.bat等等)遵循相同的模式。激活venv后获取它们:```bash
source venv/bin/activate
source set_OPENROUTER.bat
source set_ANTHROPIC.bat # if using Anthropic models
source set_GOOGLE.bat # if using Google APIs


您只需要计划使用的提供商的密钥。至少, `OPENROUTER_API_KEY` 默认bot(Atlas)需要。

6. 在中编辑runServer脚本 `python-server` 文件夹并设置电子邮件和服务名称(实际上,最佳做法是创建一个副本“runServerFoo”,您可以在我们进行更新时用它替换runServer文件):```bash
python server.py  \
--email=youremail@gmail.com  \             # email you use for flowcentral
--api-key=foobar \                         # should change online
--host=localhost \                         # npx MCP will be looking here to connect to remote (assumes there is at least one running locally)
--port=8000  \
--cloud-host=wss://flowcentral.ai  \   # points to cloud
--cloud-port=443  \
--service-name=home                        # remote name, can be anything but must be unique across all machines
  1. MCP客户端现在被调用 龙虾。要将其用作常规的独立MCP服务器,请将以下配置添加到Windsurf或Cursor或其他任何服务器中:```json
    "mcpServers": {
    "atlantis": {
    "command": "npx",
    "args": [
    "atlantis-mcp",
    "--port",
    "8000"
    ]
    }
    }

要将亚特兰蒂斯添加到克劳德代码:

`claude mcp add atlantis -- npx atlantis-mcp --port 8000`

要连接到Codex:

`codex mcp add atlantis -- npx atlantis-mcp --port 8000`

要添加亚特兰蒂斯开放天气进行测试:

`claude mcp add --transport stdio weather_forecast --env OPENWEATHER_API_KEY=mykey123 -- uvx --from atlantis-open-weather-mcp start-weather-server`

8. 要连接到FlowCentral,请登录https://www.flowcentral.ai在同一封电子邮件下

1. 您的远程设备应使用电子邮件和默认api key='foobar'自动连接(请参阅稍后生成新密钥的'api'命令)。除非您稍后手动更改,否则将为要连接的第一台服务器分配“默认”服务器

1. 最初,除了一些示例外,函数和服务器文件夹将为空

1. 您可以运行这个独立的MCP,也可以从云端访问,或者两者兼而有之

### 建筑

警告:MCP术语已经很糟糕了,称之为“服务器”或“主机”只会让人更加困惑,因为MCP本质上就是p2p

系统部件:

- **云**:FlowCentral云服务器;一个分享工具并让用户使用它们的地方
- **远程**:此仓库中的Python服务器进程,正式称为MCP“主机”(您可以在同一台机器或不同的机器上运行>1,只需指定不同的服务名称)
- **动态函数**:你编写的一个简单的Python函数,充当一个工具
- **动态MCP服务器**:任何第三方MCP,存储为JSON配置文件

请注意,MCP身份验证和安全性仍在研究中,因此现在使用云进行身份验证更容易

### 目录

1. **Python远程(MCP P2P服务器)** (`python-server/`)

- 我们的“远程”位置。在本地运行,但可以远程控制

1. **龙虾(MCP客户端)** (`client/`)

- 允许Claude Code或Codex运行Atlantis命令或通过MCP聊天
- 使用npx(易于安装到Claude Code或Codex中)
- 不需要云连接-尽管它可能会抱怨
- 仅支持规范的一个子集
- 只能看到本地框上的工具(至少现在)或共享的工具
工具设置为“公共”

### Python服务器布局

如果你想了解Python源代码,请从 `python-server/server.py` 然后从那里分支出来:

- **`server.py`** -主要入口点和协议主机。它启动Starlette应用程序,拥有 `DynamicAdditionServer` 类,管理WebSocket和云Socket。IO连接和将功能/服务器管理器连接在一起。如果您正在跟踪工具调用,则整合的MCP `tools/call` 处理者住在这里 `DynamicAdditionServer._handle_tools_call()`,然后委托给 `_execute_tool()`.
- **`DynamicFunctionManager.py`** -拥有动态Python工具系统 `dynamic_functions/`这就是定义函数装饰器的地方(`@visible`, `@public`, `@protected`, `@exclude`等),扫描和验证文件,加载/重新加载Python模块,并将工具调用分派到用户代码中。
- **`DynamicServerManager.py`** -管理第三方MCP服务器配置 `dynamic_servers/`。它保存/加载JSON配置,启动stdio MCP服务器,保持会话活动,并获取其工具列表。
- **`atlantis.py`** -注入到动态函数中的动态函数利用/运行时API。这是工具代码使用的桥梁 `client_log`、流媒体、HTML/图像/视频响应、点击/上传回调、请求上下文和持久共享状态。看 动态函数文档 用于此API的功能授权端。
- **`lobster.py`** -本地Atlantis MCP客户端的兼容层。它定义了 `readme` / `command` / `chat` 工具,并将这些本地调用转换为云支持的命令流。
- **`state.py`** -中央配置和全流程状态。它设置日志记录,定义 `FUNCTIONS_DIR` 和 `SERVERS_DIR`,并存储主机/端口和请求超时等基本服务器常数。
- **`utils.py`** -跨服务器和动态函数共享的低级助手。它包含搜索词解析、JSON/log格式化、全局服务器实例桥和客户端命令/日志管道 `atlantis.py`.
- **`PIDManager.py`** -通过PID文件为Python服务器进程提供单实例保护。
- **`ColoredFormatter.py`** -日志格式化程序和请求上下文过滤器 `state.py`.

运行时分割基本上是:

1. `server.py` 接收MCP流量。
1. `server.py` 路由MCP `tools/call` 通过 `DynamicAdditionServer._handle_tools_call()`.
1. `_handle_tools_call()` 将Python工具的执行委托给 `DynamicFunctionManager.py` 并代理MCP工具的执行 `DynamicServerManager.py`.
1. 动态函数通过以下方式回调到主机 `atlantis.py` 和 `utils.py`.

有关动态函数编写的详细信息,请参见 动态函数文档.

## 特性

#### 动态函数

动态函数使用户能够创建和维护作为工具的自定义函数,这些函数保存在 `dynamic_functions/` 文件夹。函数在启动时加载,修改后自动重新加载。

有关创建和使用动态函数的详细信息,请参阅 动态函数文档.

#### 动态MCP服务器

- 使用户能够安装和管理第三方MCP服务器工具;JSON配置文件保存在 `dynamic_servers/` 文件夹

- 每个MCP服务器都需要先“启动”才能获取工具列表

- 每个服务器配置都遵循通常的JSON结构,其中包含一个“mcpServers”元素;例如,这将安装一个openweather MCP服务器:```json
{
"mcpServers": {
"openweather": {
"command": "uvx",
"args": [
"--from",
"atlantis-open-weather-mcp",
"start-weather-server",
"--api-key",
""
]
}
}
}

气象MCP服务只是移植到uvx的现有服务。看 这里

云

云服务在https://www.flowcentral.ai提供了一个集中式中心,用于管理远程服务器和跨机器共享工具。

应用程序组织

动态功能通过以下方式组织到应用程序中 文件夹结构。只需放置您的 .py 子目录中的文件:```
dynamic_functions/
├── Home/ # App: "Home"
│ └── atlas.py
├── Accounting/ # App: "Accounting"
│ ├── accounting.py
│ └── foo.py
└── FilmFromImage/ # App: "FilmFromImage"
└── qwen_image_edit_local.py


**文件夹名称就是应用程序名称。** 功能在 `Home` 相应地分配文件夹。

#### 嵌套应用程序(子文件夹)

使用子文件夹创建嵌套应用程序结构:```
dynamic_functions/
└── MyApp/
└── SubModule/
└── Feature/
└── my_function.py

这将创建应用程序名称: MyApp/SubModule/Feature

最佳实践:

  • 保持简单——一级文件夹通常就足够了
  • 使用描述性文件夹名称(例如。, Chat, Admin, Tools)
  • 将相关功能组合在同一文件夹中
  • 文件夹结构使您的代码保持有序和清晰

使用搜索词调用工具

调用工具时,您可以使用 复合工具名称 以消除功能歧义。 仅包含唯一标识函数所需的路径。

格式: remote_owner*remote_name*app*location*function

关键原则:使用唯一解析的最简单形式```python

If you have these functions:

- dynamic_functions/Chat/send_message.py

- dynamic_functions/Email/send_message.py

- dynamic_functions/SMS/send_message.py

send_message ❌ Ambiguous! Which one?
Chatsend_message ✅ Clear! The one in Chat
Emailsend_message ✅ Clear! The one in Email


**示例:**```
update_image                          → Simple call (only works if unique)
**MyApp**update_image                 → Specify app to disambiguate
**MyApp/SubModule**process_data       → Nested app path
alice*prod*Admin**restart             → Full routing: owner + remote + app + function
***office*print                       → Just location context

它是如何工作的:

  • 领域: remote_owner*remote_name*app*location*function
  • 用以下内容分隔字段 * (星号)
  • 省略不需要的字段 (使用空字符串: **App**func)
  • 应用程序字段支持嵌套应用程序的斜线表示法(MyApp/SubModule)
  • 最后一个字段始终是函数名
  • 无星号=将整个名称视为函数名称

何时使用化合物名称:

  • 名称冲突:多个应用程序具有同名功能
  • 远程定位:从云端调用特定遥控器上的功能
  • 位置路线:特定物理位置的目标功能
  • 多用户设置:在共享环境中指定所有者和远程

最佳实践: 简单开始(update_image)仅在需要解决歧义时添加上下文(**ImageTools**update_image).

例子:```python

File: dynamic_functions/ImageTools/process.py

@visible
async def update_image(image_path: str):
"""Update an image."""
return "updated"

If this is the ONLY update_image:

update_image ✅ Works fine!

If Chat app ALSO has update_image:

ImageToolsupdate_image ✅ Now we need to specify the app


## 机器人:阿特拉斯

Atlas是FlowCentral的前台聊天机器人。机器人角色现在位于每个游戏文件夹中,共享运行时位于 `Home/`:```
Games/FlowCentral/                   # Game definition
├── Bots/                            # Bot personas for this game
│   ├── Atlas/
│   │   ├── config.json              # Model, provider, greeting, handler references
│   │   ├── system_prompt.md         # Base system prompt (markdown)
│   │   ├── prompt.py                # System prompt builder with context injection
│   │   ├── main.py                  # Index placeholder
│   │   └── atlas_face.jpg           # Bot avatar
│   └── Celeste/                     # Executive concierge
│       ├── config.json
│       ├── system_prompt.md
│       ├── prompt.py
│       ├── main.py
│       └── celeste_face.jpg
├── Locations/                       # Rooms players can move between
│   ├── Lobby.json                   # Location metadata + adjacency
│   ├── Lobby.jpg                    # Background image
│   ├── Lounge.json
│   └── Lounge.jpg
└── Roles/                           # NPC role definitions
├── Greeter/                     # Atlas's role
│   ├── system_prompt.md         # Role-specific system prompt
│   └── prompt.py
└── Concierge/                   # Celeste's role
├── system_prompt.md
└── prompt.py

Home/                                # Shared bot + game runtime
├── main.py                          # Entry point: index(), show_tools()
├── game.py                          # Game state: game_set(), game_show(), game_list()
├── bot.py                           # Bot listing with thumbnails, bot_spawn()
├── character.py                     # Character CRUD, roles, role_list()
├── location.py                      # Locations, positions, movement: move_bot(), move_human(), go(), look()
├── camera.py                        # Per-game camera location tracking
├── map.py                           # Interactive visual map of locations
├── common.py                        # Shared helpers: bot config, thumbnails, game data I/O
├── chat.py                          # Bot chat runtime: BotChatContext, dispatch_chat, system prompt builder
├── chat_callback.py                 # Routes room chat to correct bot, interaction tracking
├── chat_common.py                   # Transcript fetch, tool discovery, pseudo-tools (search, dir, todo)
├── turn.py                          # Multi-turn LLM conversation loop with tool calls
├── todo.py                          # Per-session todo pseudo-tool for bot task tracking
├── GAME.md                          # ER diagram of the game data model
├── MULTIX.md                        # User-facing CLI documentation
└── README.py                        # Serves MULTIX.md and GAME.md via MCP

游戏系统

游戏管理机器人任务、角色、位置和移动。每个游戏的范围都是:

  • game_set(name) --将服务器锁定到游戏(例如。 "FlowCentral")
  • character_bot(sid, role) --为机器人分配角色(例如。 character_bot("atlas", "Greeter"))
  • character_human(sid, role, name) --为人类玩家分配角色
  • character_self(role, name) --将呼叫者指定为人类角色
  • move_bot(sid, location) / move_human(sid, location) --在位置之间移动字符
  • go(location) --移动呼叫者的角色并更新背景
  • game_show() --呈现游戏状态的实时ER图
  • map(location) --显示当前位置和相邻区域的视觉地图

位置定义为JSON文件 Games//Locations/ 带有邻接图(connects_to).只允许沿着连接的边缘移动。新玩家从默认位置开始(标记为 "default": true).

玩家数据

所有游戏状态都在以下范围内 Data/{game_id}/.数据I/O助手(game_dir, _read_json, _write_json等)住在 Home/common.py.```
Data/
├── main.py # Index placeholder, imports list_games from Home/common
└── {game_id}/ # Per-game data (created at runtime)
├── characters.json # Bot and human role assignments
├── positions.json # Current location of each character
├── camera.json # Current camera location
├── bot_interactions.json # Per-bot interaction history (timestamps, counts)
└── api_payload.json # Debug: last LLM API payload


### 关键文件

- **`python-server/dynamic_functions/Home/MULTIX.md`** --FlowCentral MCP工具的面向用户的文档(命令、搜索词、工具前缀等)。这是由 `readme` MCP工具。
- **`Games/FlowCentral/Bots/Atlas/config.json`** --机器人配置:模型(minimax-m2.7)、提供者(OpenRouter)、问候消息以及聊天处理程序和系统提示的参考。
- **`Home/main.py`** --入口点: `index()`, `show_tools()`.
- **`Home/game.py`** --游戏生命周期: `game_set()`, `game_show()`, `game_list()`, `game_entry()` 欢迎模式。
- **`Home/bot.py`** --机器人列表与缩略图生成, `bot_spawn()`.
- **`Home/character.py`** --字符系统: `character_bot()`, `character_human()`, `character_self()`, `character_list()`, `role_list()`.
- **`Home/location.py`** --位置、方位和移动: `move_bot()`, `move_human()`, `go()`, `look()`, `position_get()`.
- **`Home/camera.py`** --每场比赛的摄像机位置跟踪: `camera_get()`, `camera_set()`.
- **`Home/map.py`** --ELK.js布局的交互式可视化位置地图。
- **`Home/common.py`** --共享助手:机器人配置加载、缩略图生成、游戏数据I/O(`game_dir`, `_read_json`, `_write_json`).
- **`Home/chat.py`** --机器人聊天运行时: `BotChatContext`, `dispatch_chat()`,系统提示生成器,OpenAI客户端。
- **`Home/chat_callback.py`** --聊天路由:检测哪个机器人在房间里,构建上下文,分派给聊天处理程序,跟踪交互。
- **`Home/chat_common.py`** --转录获取、工具转换、参与者分析、伪工具(搜索、目录、待办事项)。
- **`Home/turn.py`** --具有工具调用执行功能的多回合LLM流式对话循环。
- **`Home/todo.py`** --每会话todo伪工具:机器人在对话中内部使用此工具来跟踪任务。与search/dir.Storage一起注入LLM工具列表: `Data/{game_id}/todos/{sid}/`.
- **`Data/main.py`** --游戏数据文件夹的索引占位符。

### 故障排除

如果MCP工具不工作(例如返回 `Unknown tool` 错误), **请先检查服务器日志**Python服务器将详细日志写入 **`python-server/runServer.log`** --此文件准确显示了工具调用、云身份验证和客户端连接的情况。它可能会变大,所以把最后约1000行尾:```bash
tail -1000 python-server/runServer.log

日志中可见的常见问题:

  • ⚠️ Unexpected tool call from local client --服务器收到一个工具调用,但没有识别出来;检查您的工具是否已注册
  • ❌ Authentication failed --云凭据错误或帐户不存在;检查您的电子邮件/api密钥
  • 🏠 Local MCP tool call intercepted --确认服务器正在接收来自MCP客户端的工具调用

与访客相关的日志行包括 "Visitor:", "New conversation for",以及 "Injected time-gap message".

如何构建一个新的机器人

要创建新的机器人,您需要: Games//Bots/,在 Games//Roles/,以及可选的新位置。

步骤1:创建角色文件夹 (Games/FlowCentral/Bots/YourBot/)

您需要4-5个文件:

config.json --型号和标识:```json
{
"sid": "yourbot",
"displayName": "YourBot",
"image": "yourbot_face.jpg",
"provider": "openrouter",
"model": "minimax/minimax-m2.7",
"baseUrl": "https://openrouter.ai/api/v1",
"apiKeyEnv": "OPENROUTER_API_KEY",
"chatHandler": "dynamic_functions.Home.chat.handle_chat_completions",
"systemPrompt": "system_prompt.md",
"greeting": "Hi, I'm YourBot."
}


- `sid` --唯一的机器人标识符,用于成绩单和字符系统
- `chatHandler` --总是 `dynamic_functions.Home.chat.handle_chat_completions` (共享运行时)
- `systemPrompt` --bot文件夹中包含基本系统提示的markdown文件
- `image` --机器人文件夹中的头像图像文件名
- `apiKeyEnv` -保存API密钥的环境变量
- `greeting` --机器人首次出现时会说什么

**`system_prompt.md`** --机器人的个性以简单的标记显示:```markdown
You are YourBot, a [description of role and personality].

[Instructions for behavior, tone, tools, etc.]

prompt.py --构建交互上下文(时间感知、回访检测)。复制自 Games/FlowCentral/Bots/Atlas/prompt.py 并根据需要进行调整。

main.py --索引占位符,以便机器人在工具发现中显示:```python
import atlantis
import logging

logger = logging.getLogger("mcp_server")

@visible
async def index():
"""YourBot — [role description]."""
pass


**`yourbot_face.jpg`** --头像。当机器人生成时显示。

**第二步:创建角色** (`Games/FlowCentral/Roles/YourRole/`)

**`system_prompt.md`** --特定角色系统提示添加:```markdown
You are stationed at [location]. Your job is to [role description].

prompt.py --可选的特定角色提示生成器。如果需要,从现有角色复制。

main.py --索引占位符:```python
import atlantis
import logging

logger = logging.getLogger("mcp_server")

@visible
async def index():
"""YourRole — [description]."""
pass


**步骤3:添加位置** (可选)

如果你的机器人需要自己的房间,请在以下位置创建一个JSON文件 `Games/FlowCentral/Locations/`:

**`YourLocation.json`**:```json
{
"name": "YourLocation",
"description": "A brief description of this location.",
"image": "YourLocation.jpg",
"connects_to": ["Lobby"]
}

添加背景图像(YourLocation.jpg)相同 Locations/ 文件夹。然后更新大堂的 connects_to 数组包含 "YourLocation" 所以玩家可以在两者之间旅行。

步骤4:将您的机器人分配给其角色

一旦游戏被锁定到FlowCentral(通过 game_set),将您的机器人注册为角色,并将其分配给您创建的角色:```python
character_bot("yourbot", "YourRole")


这链接了机器人的 `sid` 到角色文件夹,这样系统就知道要使用哪个系统提示和行为。如果一个角色有这个 `sid` 已存在,它会更新角色而不是创建副本。

**步骤5:将您的机器人移动到其位置**

将你的机器人放在它应该迎接访客的房间里:```python
await game_move_bot("yourbot", "YourLocation")

新机器人必须先进入默认位置(大厅),然后才能移动到其他地方——这反映了玩家进入游戏的方式。如果你的机器人的位置是大厅本身,你可以省略位置参数。

第六步:生成机器人

展示机器人的头像,并让它通过配置的问候语进行自我介绍:```python
await spawn_bot("yourbot")


这将向客户端显示机器人的面部图像,并将问候语作为聊天消息发送,以便机器人出现在对话记录中。在此之后,聊天回调将根据房间里的人自动将传入消息路由到您的机器人。

**把它们放在一起:**

以下是您在会话中使新机器人上线的完整序列:```python
await game_set("FlowCentral")           # Lock server to the game (once per server)
character_bot("yourbot", "YourRole")     # Assign bot to role
await game_move_bot("yourbot")           # Enter the default lobby
await spawn_bot("yourbot")               # Show face + greeting

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
Flowcentral MCP Server 怎么安装?

在客户端按下面的安装命令接入:python3 -m venv venv。装完在客户端配置里引用同一个包或端点。

Flowcentral MCP Server 怎么在 Claude、Cursor、Windsurf 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。

Flowcentral MCP Server 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。

Flowcentral MCP Server 需要 API Key 吗?

资料标注需要API Key认证,使用前准备好对应凭据,并按最小权限配置。

Flowcentral MCP Server 支持哪些客户端?

资料标注支持 Claude、Cursor、Windsurf;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。

Flowcentral MCP Server 能提供哪些能力?

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

Flowcentral MCP Server 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。

Flowcentral MCP Server 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。