Maker Rs

MCPAI代理

提供方 zircote

AI代理 未标注 无需鉴权 社区 / 第三方 Claude

MAKER是一个基于Rust实现的LLM代理错误校正框架,通过SPRT投票、红标验证和微代理编排实现零错误长流程任务执行。

一句话选型结论

按资料字段整理

Maker Rs 属于AI代理类 MCP 服务器,传输方式未标注,无需鉴权,可直接接入 Claude,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AI代理 传输方式未标注 鉴权无需鉴权 部署方式未标注
GitHub 星标 3 仓库热度,无公开仓库时显示未标注
工具数 5 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5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代理Rust本地部署错误校正任务编排SPRT投票微服务架构

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

    连接成功后客户端会列出约 5 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
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

  • 资料标注 5 个工具,职责相对集中,接入后不容易误操作。
  • 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

  • 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。
  • 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

  • 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
Maker Rs当前 5 未标注 未标注 无 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zircote上游标注的维护方 zircote
分类AI代理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

18.1 KB
来自项目仓库与上游目录的原文,未做删改

MAKER框架

通过SPRT投票、红旗和微代理编排实现零误差远程LLM执行

> ## ⚠️ 实验性-不用于生产
>
> 这是一个研究实验,而不是生产软件。
>
> - 目的:验证和探索研究论文中的主张 零错误解决百万步LLM任务 (Meyerson等人,2025)
> - 目标:实施MAKER算法,发现替代方法,测试零误差LLM执行的边界
> - 状态:积极研究-可能永远无法达到生产准备状态
> - 使用风险自负:API将发生变化,结果是实验性的,不适合关键应用

MAKER(具有K-margin Error Reduction的大规模分解代理过程)是一个Rust实现,探索LLM代理中基于数学的纠错。它通过基于SPRT的投票、红旗验证和m=1微代理分解来测试零错误执行。

基于: 零错误解决百万步LLM任务 (Meyerson等人,2025)

问题

即使每步准确率为99%,1000步任务的成功率也只有0.004%。MAKER算法旨在通过对数成本缩放将其转化为95%以上的可靠性。

此实现探讨了该主张在实践中是否成立。

任务长度 初始成功率 MAKER成功率 MAKER成本扩展
7个步骤 93% 99%+ 21个样本
1023步 0% 95%+ ~6138个样本
1M步 0% 95%+ Θ(s ln s)

快速开始

作为Rust库```rust

use maker::core::{calculate_kmin, MockLlmClient, VoteConfig, vote_with_margin};

// Calculate required k-margin for your task
let k = calculate_kmin(
0.85, // p: per-step success probability
0.95, // t: target task reliability
1_023, // s: total steps (10-disk Hanoi)
1, // m: steps per agent (must be 1)
).unwrap();

// Run error-corrected voting
let client = MockLlmClient::constant("correct_answer");
let config = VoteConfig::default();
let result = vote_with_margin("What is 2+2?", k, &client, config).unwrap();
println!("Winner: {} ({} samples)", result.winner, result.total_samples);


### 作为MCP服务器```bash
# Build and run
cargo build --release
cargo run --bin maker-mcp

添加到您的Claude Code MCP配置中:```json
{
"mcpServers": {
"maker": {
"command": "/path/to/maker-mcp",
"args": [],
"env": {
"OPENAI_API_KEY": "your-key",
"ANTHROPIC_API_KEY": "your-key"
}
}
}
}


### 运行Demos

看 验证演示 下面是详细的文档和结果。

## 验证演示

这些演示验证了MAKER针对不同任务类型的纠错能力。

### 河内演示(`examples/hanoi_demo.rs`)

**目的**:验证MAKER在需要算法思维的多步骤推理任务中的表现。```bash
# 3-disk Hanoi (7 steps) with OpenAI
cargo run --example hanoi_demo -- --disks 3 --provider openai

# 5-disk Hanoi (31 steps) with strict mode (halt on first error)
cargo run --example hanoi_demo -- --disks 5 --provider openai --strict

# With ensemble (multiple providers)
cargo run --example hanoi_demo -- --disks 3 --provider openai --ensemble

# Mock mode for CI/testing
MAKER_USE_MOCK=1 cargo run --example hanoi_demo -- --disks 10 --accuracy 0.85

关键标志:

标志 描述
--disks N 磁盘数量(1-20)
--provider LLM提供者: ollama, openai, anthropic
--model 模型名称覆盖
--strict 在第一个错误时停止(真零错误模式)
--ensemble 启用多提供商集成

结果 (gpt-5-mini):

  • 31/31步骤(5盘) 0个错误 使用少镜头+思维链提示
  • 每步平均约2.7个样本
  • p_hat收敛到0.950(目标可靠性)

关键发现:原始提示在步骤2失败(系统推理错误)。很少有镜头示例+思维链提示将系统性错误转化为投票可以纠正的随机错误。

算术演示(examples/arithmetic_demo.rs)

目的:在具有真正随机错误(计算错误)的任务上验证MAKER。```bash

20 problems with OpenAI

cargo run --example arithmetic_demo -- --problems 20 --provider openai

50 problems with higher difficulty

cargo run --example arithmetic_demo -- --problems 50 --provider openai --difficulty 3

Strict mode with reproducible seed

cargo run --example arithmetic_demo -- --problems 50 --provider openai --strict --seed 42

Mock mode for CI/testing

MAKER_USE_MOCK=1 cargo run --example arithmetic_demo -- --problems 100 --accuracy 0.90


**关键标志**:

|标志|描述|
|------|-------------|
| `--problems N` |要解决的问题数量|
| `--difficulty 1-5` |数字大小(10^难度)|
| `--provider` |LLM提供者|
| `--strict` |第一次出错时停止|
| `--seed N` |可再现的问题生成|

**结果** (gpt-5-mini):

- 50/50的问题通过以下方式纠正 **0个错误**
- 平均每个问题2.7个样本
- 处理加法、减法、乘法

**关键发现**:随机计算错误可通过投票有效纠正。这验证了MAKER的核心前提——投票纠正随机错误。

______________________________________________________________________

## 研究发现

我们的验证实验揭示了关于MAKER适用性的重要见解:

### 制造商可以纠正什么

错误类型 · 示例 · 是否可纠正? · 为什么
**随机误差** · LLM偶尔会误算73-38✅ 是 · 独立错误通过投票取消
**迅速推理** · 河内,枪击案很少 · ✅ 是 · 将系统误差转换为随机误差

### MAKER无法更正的内容

错误类型 · 示例 · 是否可纠正? · 为什么
**系统误差** · 法学硕士无法解释河内的原因❌ 否 · 所有样本均以相同的方式失败
**知识缺口** · LLM不知道算法 · ❌ 否 · 投票就错误答案达成共识

### 关键洞察

> **MAKER纠正随机错误,而不是系统推理失败。**
>
> 如果法学硕士在某项任务中一直失败,投票将就错误的答案达成共识。及时的工程设计(少数镜头示例,思维链)对于将系统故障转化为投票可以纠正的随机错误至关重要。

### 观测精度

|任务|模型|每步精度|样本/步|
|------|-------|-------------------|--------------|
|算术(难度3)|gpt-5-mini|~95%|2.7|
|河内(少量射击+CoT)|gpt-5-mini|~95%|2.7|
|河内(原始提示)|gpt-5-mini|\<50%|N/A(失败)|

______________________________________________________________________

## 研究验证

`maker-rs` 探讨了学术研究与实际实施之间的界限。以下是这个实验与 原始论文:

### 记分卡(自我评估)

|标准|分数|评估|
|-----------|-------|------------|
| **算法保真度** |A+|精确k_min公式,SPRT投票,严格m=1强制执行|
| **实验覆盖率** |A|Tokio并发、事件源、MCP集成|
| **完整性** |A-|LLM驱动的分解、域分解器、全递归编排|
| **验证状态** |B+|演示验证核心声明;边缘情况需要更多的测试|

### 什么实施得好

- **严格m=1分解**:微代理在最小的上下文中只执行一个步骤,这与论文的核心断言相匹配,即“尽可能小的子任务”可以实现扩展
- **基于SPRT的投票**:使用实际的序列概率比测试和赌徒的破产逻辑——而不是启发式的“三分之一最佳”
- **动态k_min计算**:根据目标可靠性(t)和任务长度(s),根据论文的对数公式计算边距
- **红旗原始**:将验证视为解相关错误的统计必要性,丢弃(从不修复)格式错误的输出

### 实现细节

除了论文的理论模型(实验补充):

|增强|目的|
|-------------|---------|
| **东京 运行 时间** |大规模I/O并发性,实现跨数千步的并行投票采样|
| **事件溯源** |实时可观测性将理论概率与实际调试联系起来|
| **MCP集成** |将抽象状态机转换为Claude Code和其他客户端的可消费工具|
| **指数退避** |利用抖动和断路器处理API速率限制(429s)|

### 已知限制

公认的差距与论文的完整愿景:

- **语义匹配**:MVP默认为精确字符串匹配;基于嵌入和基于AST的匹配器可用,但较少经过实战测试
- **分解测试**:实现了LLM驱动的分解,但需要在不同的任务类型中进行更多的实际验证

### 实际妥协

|论文假设|实施现实|
|------------------|----------------------|
|理想采样|退避、断路器、实际API约束的重试预算|
|红色标志用于装饰|兼作安全护栏,防止迅速注射|
|无限并行性|可配置的并发限制,以遵守提供者配额|

跑 `cargo test --test monte_carlo` 实证验证统计保证。

## 建筑```
src/
├── core/               # Core MAKER algorithms
│   ├── kmin.rs         # k_min = ⌈ln(1 - t^(m/s)) / ln((1-p)/p)⌉
│   ├── voting.rs       # VoteRace: first-to-ahead-by-k (thread-safe)
│   ├── redflag.rs      # RedFlagValidator: discard-don't-repair
│   ├── executor.rs     # vote_with_margin() + vote_with_margin_adaptive()
│   ├── adaptive.rs     # KEstimator: EMA-based dynamic k adjustment
│   ├── matcher.rs      # CandidateMatcher trait + ExactMatcher
│   ├── matchers/       # Pluggable matcher implementations
│   │   ├── embedding.rs        # EmbeddingMatcher (cosine similarity)
│   │   ├── ollama_embedding.rs # Ollama embedding client
│   │   ├── openai_embedding.rs # OpenAI embedding client
│   │   └── code.rs             # CodeMatcher (tree-sitter AST, optional)
│   ├── decomposition/  # Recursive task decomposition (Section 7)
│   │   ├── llm_agent.rs        # LLM-driven "Insight Agent" for task discovery
│   │   ├── discriminator.rs    # Vote on decomposition proposals
│   │   ├── orchestrator.rs     # Recursive decomposition coordinator
│   │   ├── solver.rs           # Leaf node executor with voting
│   │   ├── aggregator.rs       # Solution composition
│   │   └── domains/            # Domain-specific decomposers (coding, data, ML)
│   └── orchestration.rs# TaskOrchestrator with m=1 constraint
├── llm/                # Multi-provider LLM abstraction
│   ├── ollama.rs       # Local inference
│   ├── openai.rs       # OpenAI API
│   ├── anthropic.rs    # Anthropic API
│   ├── ensemble.rs     # Multi-model ensemble configuration
│   ├── retry.rs        # Exponential backoff with jitter
│   └── sampler.rs      # Temperature-diverse parallel sampling
├── mcp/                # MCP server (rmcp v0.13)
│   ├── server.rs       # MakerServer with #[tool_router]
│   └── tools/          # maker/vote, validate, calibrate, configure, decompose
└── events/             # Event-driven observability
├── bus.rs           # Tokio broadcast channel
└── observers/       # Logging (tracing) + Metrics

MCP工具

maker/vote -错误更正投票

请求:```json
{ "prompt": "...", "k_margin": 3, "max_samples": 20, "matcher": "embedding" }


答复:```json
{
"winner": "answer", "vote_counts": {"answer": 5}, "total_samples": 7,
"k_used": 3, "p_hat": 0.87, "matcher_type": "exact", "candidate_groups": 2
}

maker/validate -红旗检查

请求:```json
{ "response": "...", "token_limit": 700, "schema": {"required": ["move"]} }


答复:```json
{ "valid": false, "red_flags": [{"flag_type": "TokenLengthExceeded", "details": "..."}] }

maker/calibrate -成功率估算

请求:```json
{ "samples": [{"prompt": "...", "ground_truth": "..."}] }


答复:```json
{ "p_estimate": 0.87, "confidence_interval": [0.82, 0.92], "recommended_k": 4 }

maker/configure -运行时配置

请求:```json
{
"k_default": 3, "temperature_diversity": 0.1, "token_limit": 700,
"adaptive_k": true, "ema_alpha": 0.1, "k_bounds": [2, 10],
"matcher": { "type": "embedding", "threshold": 0.92, "provider": "ollama" }
}


答复:```json
{ "applied": true, "current_config": {} }

maker/decompose -LLM驱动的任务分解

请求:```json
{
"task": "Build a web scraper that extracts product data",
"depth_limit": 10,
"provider": "openai"
}


答复:```json
{
"task_id": "root-task",
"subtasks": [
{"id": "1", "description": "Parse HTML structure", "is_leaf": true},
{"id": "2", "description": "Extract product fields", "is_leaf": true}
],
"composition": "sequential",
"depth": 1
}

成本缩放

MAKER的成本标度为Θ(s ln s),而单纯重试的成本则为指数:

方法 7步 1023步 1M步
制造者 21个样本 ~6K个样本 ~20M个样本
天真的重试 7次尝试 不可能 不可能

MAKER与Naive Retry(蒙特卡洛验证,p=0.85,t=0.95)

步骤 制造商成本 初次重试成本 节省
20 80 1,520 94.7%
50 200 506,400 99.96%
100 500 34亿 ~100%

在任何步骤失败时,必须重新运行整个任务。当p=0.85时,无误差完成100步的概率为0.85^100≈7×10⁻⁸,需要数十亿次重试。MAKER的每一步投票使成本保持对数。

跑 cargo test --test monte_carlo -- --nocapture 以再现这些结果。

自适应K-Margin

MAKER根据观察到的精度动态调整k-margin,在模型运行良好时减少API调用:```rust
use maker::core::{KEstimator, vote_with_margin_adaptive, MockLlmClient, VoteConfig};

let client = MockLlmClient::constant("answer");
let config = VoteConfig::default();
let mut estimator = KEstimator::new(0.85, 0.95, 100);

// k starts high, decreases as accuracy is confirmed
let result = vote_with_margin_adaptive("prompt", &client, config, &mut estimator).unwrap();
println!("Used k={}, estimated p={:.2}", result.k_used, estimator.p_hat());


通过MCP配置: `{"adaptive_k": true, "ema_alpha": 0.1, "k_bounds": [2, 10]}`

## 语义匹配

对于非确定性任务(代码生成、自然语言),MAKER支持可插入的匹配器,将等效响应分组:

|匹配器|用例|方法|
|---------|----------|--------|
| `ExactMatcher` (默认)|确定性任务|空白归一化字符串相等|
| `EmbeddingMatcher` |自然语言|嵌入的余弦相似度(阈值:0.92)|
| `CodeMatcher` |代码生成|树型AST与alpha重命名的比较|
```rust
use maker::core::matcher::ExactMatcher;
use maker::core::matchers::embedding::{EmbeddingMatcher, MockEmbeddingClient};

// Embedding matcher groups semantically similar responses
let matcher = EmbeddingMatcher::new(Box::new(MockEmbeddingClient::default()), 0.92);
assert!(matcher.are_equivalent("The answer is 42", "The answer is 42."));

这 CodeMatcher 需要 code-matcher 特征标志:```bash
cargo build --features code-matcher
cargo test --features code-matcher


## 多模式集合

MAKER支持在异构LLM模型之间进行投票,以根据模型架构而不仅仅是采样温度来解相关误差:

|策略|行为|用例|
|----------|----------|----------|
| `RoundRobin` |在模型之间均匀分布样本|最大限度地提高多样性|
| `CostAware` |首先是廉价型号,在意见分歧时升级|将成本降至最低|
| `ReliabilityWeighted` |来自更高可靠性模型的更多样本|优化准确性|

通过MCP配置:```json
{
"ensemble": {
"models": [
{ "provider": "ollama", "model": "llama3", "cost_tier": "cheap" },
{ "provider": "anthropic", "model": "claude-haiku", "cost_tier": "medium" }
],
"strategy": "cost_aware"
}
}

与单一昂贵型号相比,具有成本意识的集成节省了87.5%以上。看 基准.md 为了获得完整的结果。

基准测试

MAKER包括涵盖编码任务、数学/逻辑和数据分析的特定领域基准:```bash
cargo bench --bench coding_tasks # 10 coding tasks (trivial to complex)
cargo bench --bench math_logic # Arithmetic, symbolic, logic, Hanoi
cargo bench --bench data_analysis # CSV, statistics, SQL, data cleaning
cargo bench --bench cost_scaling # Θ(s ln s) cost validation
cargo bench --bench ensemble_comparison # Single-model vs ensemble comparison


看 基准.md 详细的结果和验收标准。

## 发展```bash
cargo build                          # Build
cargo test                           # All tests (unit + integration + property)
cargo test --features code-matcher   # Include tree-sitter code matcher tests
cargo test --example hanoi           # Hanoi example tests (21 tests)
cargo test --test properties         # Property-based tests (proptest, 21 tests)
cargo test --test mcp_integration    # MCP integration tests (35 tests)
cargo test --test semantic_matching  # Semantic matching tests (16/25 tests)
cargo test --test monte_carlo        # Monte Carlo cost validation
cargo bench --bench cost_scaling     # Cost scaling benchmark
cargo bench --bench coding_tasks    # Coding task benchmark
cargo bench --bench math_logic      # Math & logic benchmark
cargo bench --bench data_analysis   # Data analysis benchmark
cargo bench --bench ensemble_comparison # Ensemble comparison
cargo clippy                         # Lint
cargo fmt --check                    # Format check
cargo doc --no-deps --open           # API documentation

安全

MAKER为MCP工具安全实施深度防御:

  • 架构实施: #[serde(deny_unknown_fields)] 在所有输入上
  • 红旗过滤:丢弃格式错误的LLM输出,从未修复
  • 提示限制:最多10000个字符
  • 微量试剂分离:步骤之间没有历史泄漏(m=1)
  • 状态哈希验证:在国家转移之前检测到腐败

看 安全.md 用于漏洞报告。

引用此项目

如果您在研究或项目中使用MAKER,请使用GitHub的 “引用此存储库” 按钮,或使用以下BibTeX:bibtex @software{allen_maker_2026, author = {Allen, Robert}, title = {{MAKER Framework}}, version = {0.3.0}, date = {2026-02-27}, url = {https://github.com/zircote/maker-rs}, license = {MIT} }

看 CITATION.cff 获取完整的引用元数据。

致谢

MAKER是Rust实现的算法和理论框架,如:

> Meyerson,E.,Qiu,X.,&Lehman,J.(2025)。 零错误解决百万步LLM任务. arXiv:2511.09030

参考文献

  1. Meyerson,E.等人(2025)。 零错误解决百万步LLM任务. arXiv:2511.09030
  2. 人类学。 (2024). 引入模型上下文协议. anthropic.com
  3. 瓦尔德,A.(1945)。 序列分析(SPRT基础工作)

许可证

麻省理工学院-见 许可证

常见问题

6 问
答案由本站依据条目字段整理,不引用上游原文
Maker Rs 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。

Maker Rs 怎么在 Claude 里配置?

它的传输方式未标注,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。

Maker Rs 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。

Maker Rs 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。

Maker Rs 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。

Maker Rs 能提供哪些能力?

资料显示约 5 个工具;能力标签包括 LLM代理、Rust、Claude。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。