Skills Orchestrator MCP

MCPAI代理

提供方 Ian-Tharp

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

一个自演进的MCP服务器,用于动态创建、管理和执行可重用技能,实现高效的AI代理工具交互。

一句话选型结论

按资料字段整理

Skills Orchestrator MCP 属于AI代理类 MCP 服务器,stdio · 本地进程,OAuth 授权,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 2 仓库热度,无公开仓库时显示未标注
工具数 14 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14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

AI代理Python本地部署代码执行技能管理状态持久化上下文管理

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
python -m skill_orchestrator_mcp.server

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

    连接成功后客户端会列出约 14 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 14 个工具,覆盖面较广,能满足多种调用。
  • 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。

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。
  • 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

  • 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
Skills Orchestrator MCP当前 14 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Ian-Tharp上游标注的维护方 Ian-Tharp
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

20.2 KB
来自项目仓库与上游目录的原文,未做删改

技能编排器MCP服务器

一个自我进化的MCP(模型上下文协议)服务器,使AI代理能够动态创建、管理和执行可重用的技能。实现Anthropic的“使用MCP执行代码”模式,以实现上下文高效的代理工具交互。


目录

  • 愿景:与你共同成长的人工智能
  • 关键能力
  • 为什么这很重要:令牌效率和上下文管理
  • AI代理如何利用该系统
  • 可用工具
  • 技能构成体系
  • 调试与开发
  • 配置
  • 存储体系结构
  • 技能类别
  • 快速开始
  • 使用示例
  • 建筑
  • 安全注意事项
  • 未来路线图
  • 背景与灵感
  • 贡献
  • 许可证

愿景:与你共同成长的人工智能

传统的人工智能交互是无状态的——每次对话都是从头开始的,复杂的操作会用中间数据淹没上下文窗口。技能编排者改变了这一基本限制:

之前: 人工智能在上下文中处理一切,在会话之间丢失工作,反复重新发现解决方案。

之后: 人工智能创造了积累知识的持久、可组合的技能。它减轻了繁重的计算负担,跨会话维护内存,并随着时间的推移构建领域专业知识。

这不仅仅是一个工具服务器,它还是 人工智能自我提升 和 上下文高效操作.


关键能力

动态技能注册表

  • 创建 在对话过程中实时可重用的代码模式
  • 商店 在整个课程中持续使用的技能
  • 搜索 按名称、描述、类别或标签列出的技能(渐进式发现)
  • 调用 参数技能
  • 编排 通过调用其他技能(技能链)来获取技能
  • 版本 更新时自动技能

代码执行引擎

  • 执行 孤立子流程环境中的Python代码
  • 注入 将上下文变量放入执行命名空间
  • 捕捉 stdout、stderr和返回值
  • 超时 具有真实进程边界的保护
  • 调试助手 内置(debug_context、pretty_print)

状态持久性

  • 商店 使用点符号键进行对话状态
  • 组织 为不同的项目/域提供命名空间
  • 轨道 工作流进度、偏好和决策
  • 分享 技能和会话之间的状态

伪影系统(带外存储)

  • 商店 无洪泛上下文的大输出
  • 检索 根据需要分块显示内容
  • 基于TTL 自动清理到期
  • 基于手柄 参考文献artifact://...)为了提高效率

渐进式发现

  • 搜索 不加载代码的元数据技能
  • 过滤器 按类别、标签或文本查询
  • 分页 大型技能库的结果
  • 负载 仅在需要检查时提供完整定义

为什么这很重要:令牌效率和上下文管理

传统的MCP用法通过上下文窗口传递工具定义和结果,消耗了过多的令牌。代码执行模式解决了这个问题:

问题 解决方案
大数据洪流背景 本地处理 execute_code,仅返回结果
重复复杂的逻辑 创建一项技能,永远按名称调用
中间结果 存储为工件,根据需要检索块
会话状态丢失 保留状态命名空间,调用下一个会话
工具定义膨胀 渐进式披露-搜索元数据,按需加载代码
重新发现解决方案 技能积累-一次构建,随处使用

现实世界影响: Anthropic的研究表明,对于数据量大的操作,这种模式可以将上下文使用率降低98%以上。


AI代理如何利用该系统

1.上下文卸载

与其在对话上下文中处理大型数据集:```python

DON'T: Pass 10MB CSV through context

DO: Process locally, return summary

await execute_code({
"code": """
import pandas as pd
df = pd.read_csv('/path/to/large.csv')
summary = {
'rows': len(df),
'columns': list(df.columns),
'sample': df.head(3).to_dict()
}
result = summary
""",
"return_mode": "summary" # Returns preview + artifact handle
})


### 2.通过技能创造实现自我提升

当发现一个有用的模式时,将其编码为一种技能:```python
# Discovered a good codebase mapping approach? Save it:
await create_skill({
"name": "context_efficient_codebase_mapper",
"description": "Maps unfamiliar codebases without flooding context",
"code": "...",  # The pattern you discovered
"tags": ["codebase", "analysis", "context-efficiency"]
})
# Now available in all future conversations!

3.建立领域专业知识

为不同领域创造专业技能:

  • 游戏开发: 决策记录、资产管道、设计模式助手
  • 数据科学: 处理管道、可视化生成器、报表生成器
  • 写作: 风格一致的生成器、编辑工作流程、研究组织者
  • DevOps: 部署自动机、监控分析器、事件响应者

4.记忆与连续性

状态系统启用持久内存:```python

End of session - save context

await set_state({
"key": "session.last_task",
"value": {"file": "server.py", "line": 450, "task": "implementing composition"},
"namespace": "project_x"
})

Next session - recall context

state = await get_state("session.last_task", "project_x")

AI knows exactly where you left off


### 5.复杂工作流程的技能构成

从简单的原语构建复杂的管道:```python
# A parent skill that orchestrates multiple child skills
comprehension = invoke_skill('domain_context_switcher', {'action': 'detect', 'message': user_input})
session_data = invoke_skill('persistent_session_context', {'action': 'recall', 'domain': comprehension['domain']})
tasks = invoke_skill('omni_task_manager', {'action': 'list', 'domain': comprehension['domain']})

# Combine results into intelligent response
__result__ = {
'context': comprehension,
'session': session_data,
'relevant_tasks': tasks,
'call_depth': __call_depth__
}

可用工具(15个MCP工具)

技能管理

工具 说明
create_skill 使用代码、元数据和示例创建新的可重用技能
invoke_skill 使用参数和上下文执行存储的技能
get_skill 获取完整的技能细节,包括代码
update_skill 更新现有技能的代码、描述或标签
delete_skill 永久删除技能
search_skills 分页搜索和过滤技能

代码执行

工具 说明
execute_code 在隔离的子流程环境中执行Python代码

工件管理

工具 说明
store_artifact 带外存储大量内容,退货 artifact://... 手柄
get_artifact 以块的形式检索工件内容(防止上下文泛滥)

状态管理

工具 说明
set_state 以持久状态存储值(支持点表示法)
get_state 从状态检索值
list_state 使用分页列出命名空间中的所有键

公用事业

工具 说明
list_categories 列出可用技能类别
get_orchestrator_status 获取服务器状态、统计信息和存储信息

MCP资源

资源 描述
skills://list 按用法列出前200项技能
skills://{name} 按名称获取特定技能

技能构成体系

技能可以调用其他技能,实现强大的组合模式。这将孤立的实用程序转换为可组合的构建块。

组合功能(所有技能都有)```python

Call another skill and get its result

result = invoke_skill('child_skill', {'param': 'value'}, {'context': 'data'})

List all available skills (name -> description dict)

skills = list_available_skills()

Get metadata about a skill without invoking it

info = get_skill_info('some_skill')

Context variables available in all skills:

call_depth - Current nesting depth (1 for top-level, 2 for first child, etc.)

parent_skill - Name of the calling skill (None for top-level)

skill_name - Current skill's name


### 安全功能

|特性|描述|
|---------|-------------|
| **递归检测** |通过清晰的堆栈跟踪检测并阻止循环调用|
| **深度限制** |最多10层深度(可配置)|
| **错误信息** |当出现“未找到”错误时显示可用技能|
| **堆栈跟踪** |错误中可见完整的呼叫链|

### 示例:编写工作流```python
# Parent skill that orchestrates multiple children
await create_skill({
"name": "smart_assistant",
"description": "Context-aware assistant using skill composition",
"code": """
message = params.get('message', '')

# 1. Understand the domain context
context = invoke_skill('domain_context_switcher', {
'action': 'detect',
'message': message
})

# 2. Load session history
session = invoke_skill('persistent_session_context', {
'action': 'recall',
'domain': context.get('primary_domain')
})

# 3. Get relevant tasks
tasks = invoke_skill('omni_task_manager', {
'action': 'list',
'filters': {'domain': context.get('primary_domain')}
})

__result__ = {
'response': f'Processed: {message}',
'domain_context': context,
'session_history': session,
'relevant_tasks': tasks,
'composition_depth': __call_depth__
}
""",
"category": "workflow",
"tags": ["assistant", "composition", "context-aware"]
})

调试与开发

内置调试助手

所有技能执行都可以访问调试实用程序:```python

Inspect all available variables in execution context

debug_context(**locals())

Output:

=== Execution Context Debug ===

params: dict = {'file': 'data.csv'}

context: dict = {'env': 'production'}

call_depth: int = 1

===============================

Pretty-print JSON-serializable objects

pretty_print({"users": [{"name": "Alice"}, {"name": "Bob"}]})

Output:

{

"users": [

{"name": "Alice"},

{"name": "Bob"}

]

}


### 增强的错误消息

当技能失败时,错误消息包括:

- 带有行号的完整回溯
- 可用上下文变量列表
- 使用提示 `debug_context()` 供检查````
**Error:** name 'undefined_var' is not defined
```traceback...```

**Available context variables:** params, context, __call_depth__, custom_var
**Tip:** Use `debug_context(**locals())` in your skill code to inspect available variables.
````

______________________________________________________________________

## 配置

### 环境变量

|变量|默认值|描述|
|----------|---------|-------------|
| `SKILL_ORCHESTRATOR_DEFAULT_EXECUTION_TIME_SECONDS` |30|代码执行的默认超时|
| `SKILL_ORCHESTRATOR_MAX_EXECUTION_TIME_SECONDS` |180|允许的最大超时时间|
| `SKILL_ORCHESTRATOR_TERMINATION_GRACE_SECONDS` |5 |强制杀人前的宽限期|
| `SKILL_ORCHESTRATOR_MAX_CALL_DEPTH` |10|最大技能嵌套深度|
| `SKILL_ORCHESTRATOR_EXEC_MODE` |子进程|执行模式(子进程或进程内)|

### 超时配置```python
# Per-call timeout (up to max)
await invoke_skill({
"skill_name": "long_running_skill",
"timeout": 150,  # seconds
"return_mode": "full"
})

存储体系结构```

~/.skill_orchestrator/
├── skills/
│ ├── skill_name.json # Full skill definition (name, code, metadata)
│ ├── .skill_index.json # Metadata-only index (fast search, excludes code)
│ └── .skill_usage.json # Invocation counts (write-light tracking)
├── state/
│ └── namespace_name.json # Key-value pairs for each namespace
├── sessions/ # Reserved for future use
└── artifacts/
├── {id}.meta.json # Artifact metadata (MIME type, size, TTL)
└── {id}.data # Artifact binary content


### 存储设计原则

- **渐进式披露:** 技能指数仅在需要时排除代码加载
- **写灯:** 使用情况统计在单独的文件中,以避免每次调用时重写技能
- **原子操作:** 临时文件+重命名模式以确保数据完整性
- **线程安全:** 锁定所有共享状态(索引、使用情况、工件)

______________________________________________________________________

## 技能类别

|类别|描述|示例用例|
|----------|-------------|-------------------|
| `data_processing` |数据转换和分析| CSV处理、JSON转换|
| `file_operations` |文件系统操作|批量重命名、目录组织|
| `api_integration` |外部API连接|REST客户端、webhook处理程序|
| `text_analysis` |文本处理和NLP |摘要、提取、格式化|
| `automation` |工作流自动化|构建管道、部署脚本|
| `visualization` |图表和视觉输出|数据图、图表|
| `computation` |数学和科学计算|计算、模拟|
| `workflow` |多步骤流水线|编排、链接|
| `utility` |通用工具|助手、转换器|
| `custom` |未分类|特定领域技能|

______________________________________________________________________

## 快速开始

### 安装```bash
# Clone the repository
git clone https://github.com/your-username/skill-orchestrator-mcp
cd skill-orchestrator-mcp

# Install with uv (recommended)
uv venv
source .venv/bin/activate  # or .venv\Scripts\activate on Windows
uv sync

运行服务器```bash

Using the CLI

skill-orchestrator-mcp

Or directly with Python

python -m skill_orchestrator_mcp.server

With uvx for development

uvx --from . skill-orchestrator-mcp


### 为Claude桌面配置

添加到您的 `claude_desktop_config.json`:```json
{
"mcpServers": {
"skill-orchestrator": {
"command": "path/to/.venv/bin/skill-orchestrator-mcp"
}
}
}

或者使用uvx:```json
{
"mcpServers": {
"skill-orchestrator": {
"command": "uvx",
"args": ["--from", "/path/to/skill-orchestrator-mcp", "skill-orchestrator-mcp"]
}
}
}


______________________________________________________________________

## 使用示例

### 培养数据处理技能```python
await create_skill({
"name": "process_csv_summary",
"description": "Load a CSV and return summary statistics without flooding context",
"code": """
import csv
from pathlib import Path

file_path = params.get('file_path')
sample_rows = params.get('sample_rows', 5)

with open(file_path, 'r') as f:
reader = csv.DictReader(f)
rows = list(reader)

__result__ = {
"file": Path(file_path).name,
"row_count": len(rows),
"columns": list(rows[0].keys()) if rows else [],
"sample": rows[:sample_rows]
}
""",
"category": "data_processing",
"tags": ["csv", "data", "summary"],
"examples": ["Summarize the sales.csv file", "Show me what's in data.csv"]
})

搜索技巧(渐进式发现)```python

Search by metadata - doesn't load code (context efficient)

await search_skills({
"query": "csv",
"category": "data_processing",
"limit": 10,
"response_format": "json",
"fields": ["name", "description", "tags"]
})

Only load code when you need to inspect/modify

await get_skill("process_csv_summary")


### 调用技能```python
await invoke_skill({
"skill_name": "process_csv_summary",
"parameters": {
"file_path": "/path/to/data.csv",
"sample_rows": 3
},
"return_mode": "summary",  # preview + artifact handle (default)
"timeout": 60
})

直接代码执行```python

await execute_code({
"code": """

Process data without passing through context

data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
filtered = [x for x in data if x > 5]
total = sum(filtered)

print(f"Filtered: {filtered}")
print(f"Sum: {total}")

result = {"filtered": filtered, "sum": total}
""",
"timeout": 10,
"return_mode": "summary"
})


### 状态管理```python
# Store workflow progress
await set_state({
"key": "workflow.current_step",
"value": {"step": 3, "status": "processing", "started": "2025-01-16T10:00:00Z"},
"namespace": "my_project"
})

# Retrieve later (even in a different conversation)
state = await get_state("workflow.current_step", "my_project")

# List all keys in a namespace
await list_state({
"namespace": "my_project",
"response_format": "json"
})

建筑```

┌─────────────────────────────────────────────────────────────────┐
│ Claude / AI Agent │
├─────────────────────────────────────────────────────────────────┤
│ MCP Protocol Layer │
├─────────────────────────────────────────────────────────────────┤
│ Skill Orchestrator MCP Server │
├────────────┬────────────┬────────────┬────────────┬────────────┤
│ Skill │ Code │ State │ Artifact │ Usage │
│ Registry │ Executor │ Manager │ Store │ Tracker │
│ │ (subprocess)│ │ (chunked) │ (batched) │
├────────────┴────────────┴────────────┴────────────┴────────────┤
│ Skill Index │
│ (metadata-only, progressive disclosure) │
├─────────────────────────────────────────────────────────────────┤
│ File System Storage │
│ ~/.skill_orchestrator/{skills,state,artifacts} │
└─────────────────────────────────────────────────────────────────┘


### 执行流程

1. **子进程模式(默认):** 使用运行器脚本和有效负载创建临时目录,生成子进程,通过进程边界强制执行真正的超时
1. **技能构成:** 传递给子流程的所有技能的注册表,启用 `invoke_skill()` 技能范围内的呼叫
1. **工件处理:** 将大量输出存储到磁盘,返回轻量级句柄
1. **渐进式发现:** 搜索索引时不加载代码,按需加载完整定义

______________________________________________________________________

## 安全注意事项

- 代码使用单独的Python解释器在隔离的子进程中运行
- 通过进程边界强制执行超时(不能绕过)
- 标准库访问(网络/文件操作时请谨慎使用)
- 输出截断可防止内存问题
- 具有可配置宽限期的优雅终止```bash
# Use subprocess mode (default, recommended)
# SKILL_ORCHESTRATOR_EXEC_MODE=subprocess

# Legacy in-process mode (not recommended - no timeout guarantee)
# SKILL_ORCHESTRATOR_EXEC_MODE=inprocess

未来路线图

  • []基于Docker的沙盒执行,增强安全性
  • [x] 技能组合和链接(已实现!)
  • []常见模式的内置技能模板
  • []远程技能分享和发现
  • []执行分析和性能跟踪
  • []用于API连接技能的OAuth集成
  • []用于流输出的WebSocket传输
  • []语义技能发现(基于嵌入的搜索)
  • []支持回滚的技能版本控制
  • []技能测试框架

背景与灵感

此服务器实现了以下模式:

  • Anthropic的“MCP代码执行” -大幅减少上下文使用
  • Docker MCP网关 -协调多个MCP服务器
  • Cloudflare的“代码模式” -TypeScript沙盒执行

贡献

欢迎投稿!请随时提交拉取请求。

许可证

MIT许可证-有关详细信息,请参阅许可证文件。

致谢

  • MCP规范和代码执行模式的拟人化
  • Docker对MCP网关的启示
  • Cloudflare用于代码模式洞察
  • FastMCP社区

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
Skills Orchestrator MCP 怎么安装?

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

Skills Orchestrator MCP 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。

Skills Orchestrator MCP 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。

Skills Orchestrator MCP 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。

Skills Orchestrator MCP 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。

Skills Orchestrator MCP 能提供哪些能力?

资料显示约 14 个工具;能力标签包括 AI代理、代码执行、Python、Claude、技能管理。具体工具清单以官方文档为准。

Skills Orchestrator MCP 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。

Skills Orchestrator MCP 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。