Multi MCP

🚀 Multi-MCP：用於Claude Code的多模型代碼審查與分析MCP服務器

Multi-MCP是一個多模型AI編排MCP服務器，專為自動化代碼審查和大語言模型驅動的分析而設計。它與Claude Code CLI集成，能夠編排多個AI模型（如OpenAI GPT、Anthropic Claude、Google Gemini），進行代碼質量檢查、安全分析（遵循OWASP Top 10標準）以及多智能體共識決策。該工具基於模型上下文協議（MCP）構建，讓Python開發者和DevOps團隊能夠在開發工作流程中直接利用AI洞察實現代碼審查自動化。

✨ 主要特性

• 🔍 代碼審查：具備系統的工作流程，包含OWASP Top 10安全檢查和性能分析。
• 💬 聊天交互：提供具有倉庫上下文感知能力的交互式開發輔助。
• 🔄 對比分析：支持並行多模型分析，助力架構決策。
• 🎭 多智能體辯論：實現多智能體共識工作流程（獨立回答 + 相互批判）。
• 🤖 多模型支持：兼容OpenAI GPT、Anthropic Claude、Google Gemini和OpenRouter等多種模型。
• 🖥️ CLI與API模型結合：可混合使用基於CLI的模型（如Gemini CLI、Codex CLI）和API模型。
• 🏷️ 模型別名：支持使用簡短名稱，如mini、sonnet、gemini。
• 🧵 上下文管理：在多步驟審查中保持上下文連貫。

🚀 快速開始

前提條件

• Python 3.11及以上版本
• 至少一個AI模型提供商（OpenAI、Anthropic、Google或OpenRouter）的API密鑰

📦 安裝指南

選項1：從源代碼安裝

# 克隆並安裝
git clone https://github.com/religa/multi_mcp.git
cd multi_mcp
# 執行安裝腳本
make install

# 安裝程序將執行以下操作：
# 1. 安裝依賴項（uv sync）
# 2. 生成.env文件
# 3. 通過make install自動與Claude Code CLI集成
# 4. 測試安裝

選項2：手動配置

如果你不想運行make install，可以手動安裝：

# 安裝依賴項
uv sync

# 複製並配置.env文件
cp .env.example .env
# 編輯.env文件，添加你的API密鑰

將以下內容添加到Claude Code配置文件（~/.claude.json）中，將/path/to/multi_mcp替換為實際的克隆路徑：

{
  "mcpServers": {
    "multi": {
      "type": "stdio",
      "command": "/path/to/multi_mcp/.venv/bin/python",
      "args": ["-m", "multi_mcp.server"]
    }
  }
}

配置

環境配置（API密鑰和設置）

Multi-MCP按以下順序從.env文件加載設置（優先級從高到低）：

1. 環境變量（已在shell中設置）
2. 項目.env文件（當前目錄或項目根目錄）
3. 用戶.env文件（~/.multi_mcp/.env） - 適用於pip安裝的回退配置

編輯.env文件，添加你的API密鑰：

# API密鑰（至少配置一個）
OPENAI_API_KEY=sk-...
ANTHROPIC_API_KEY=sk-ant-...
GEMINI_API_KEY=...
OPENROUTER_API_KEY=sk-or-...

# Azure OpenAI（可選）
AZURE_API_KEY=...
AZURE_API_BASE=https://your-resource.openai.azure.com/

# AWS Bedrock（可選）
AWS_ACCESS_KEY_ID=...
AWS_SECRET_ACCESS_KEY=...
AWS_REGION_NAME=us-east-1

# 模型配置
DEFAULT_MODEL=gpt-5-mini
DEFAULT_MODEL_LIST=gpt-5-mini,gemini-3-flash

模型配置（添加自定義模型）

模型在YAML配置文件中定義（用戶配置優先）：

1. 包默認配置：multi_mcp/config/config.yaml（隨包提供）
2. 用戶覆蓋配置：~/.multi_mcp/config.yaml（可選，優先級更高）

要添加自定義模型，創建~/.multi_mcp/config.yaml文件（參考和示例）：

version: "1.0"

models:
  # 添加新的API模型
  my-custom-gpt:
    litellm_model: openai/gpt-4o
    aliases:
      - custom
    notes: "My custom GPT-4o configuration"

  # 添加自定義CLI模型
  my-local-llm:
    provider: cli
    cli_command: ollama
    cli_args:
      - "run"
      - "llama3.2"
    cli_parser: text
    aliases:
      - local
    notes: "Local LLaMA via Ollama"

  # 覆蓋現有模型的設置
  gpt-5-mini:
    constraints:
      temperature: 0.5  # 覆蓋默認溫度

合併規則：

• 新模型將與包默認模型一起添加。
• 現有模型將進行合併（用戶設置覆蓋包默認設置）。
• 別名可以從包模型轉移到自定義模型。

💻 使用示例

基礎用法

安裝到Claude Code後，你可以使用以下命令： 💬 聊天交互：交互式開發輔助

Can you ask Multi chat what's the answer to life, universe and everything?

🔍 代碼審查：使用特定模型分析代碼

Can you multi codereview this module for code quality and maintainability using gemini-3 and codex?

🔄 對比分析：獲取多個視角（使用默認模型）

Can you multi compare the best state management approach for this React app?

🎭 多智能體辯論：深入分析並進行批判

Can you multi debate the best project code name for this project?

高級用法

啟用白名單

編輯~/.claude/settings.json文件，在permissions.allow中添加以下行，使Claude Code可以無阻礙地使用Multi MCP：

{
  "permissions": {
    "allow": [
      ...
      "mcp__multi__chat",
      "mcp__multi__codereview",
      "mcp__multi__compare",
      "mcp__multi__debate",
      "mcp__multi__models"
    ]
  },
  "env": {
    "MCP_TIMEOUT": "300000",
    "MCP_TOOL_TIMEOUT": "300000"
  }
}

模型別名

使用簡短別名代替完整模型名稱：

運行multi:models命令查看所有可用模型和別名。

CLI模型

Multi-MCP支持與API模型一起執行基於CLI的AI模型（如Gemini CLI、Codex CLI或Claude CLI）。CLI模型作為子進程運行，可與現有工具無縫協作。 優點：

• 可以使用具有完整工具訪問權限的模型（文件操作、shell命令）。
• 在compare和debate工作流程中混合使用API和CLI模型。
• 無需API開銷，直接利用本地CLI。

內置CLI模型：

• gemini-cli（別名：gem-cli） - 支持自動編輯模式的Gemini CLI。
• codex-cli（別名：cx-cli） - 支持全自動化模式的Codex CLI。
• claude-cli（別名：cl-cli） - 支持acceptEdits模式的Claude CLI。

添加自定義CLI模型： 在~/.multi_mcp/config.yaml文件中添加以下內容（參考模型配置）：

version: "1.0"

models:
  my-ollama:
    provider: cli
    cli_command: ollama
    cli_args:
      - "run"
      - "codellama"
    cli_parser: text  # "json", "jsonl", or "text"
    aliases:
      - ollama
    notes: "Local CodeLlama via Ollama"

前提條件： CLI模型需要安裝相應的CLI工具：

# Gemini CLI
npm install -g @anthropic-ai/gemini-cli

# Codex CLI
npm install -g @openai/codex

# Claude CLI
npm install -g @anthropic-ai/claude-code

CLI使用（實驗性）

Multi-MCP包含一個獨立的CLI，可在無需MCP客戶端的情況下進行代碼審查。

⚠️ 重要提示

CLI處於實驗階段，正在積極開發中。

# 審查目錄
multi src/

# 審查特定文件
multi src/server.py src/config.py

# 使用不同模型
multi --model mini src/

# 輸出JSON結果，用於CI/管道
multi --json src/ > results.json

# 詳細日誌記錄
multi -v src/

# 指定項目根目錄（用於加載CLAUDE.md）
multi --base-path /path/to/project src/

🔧 技術細節

工作原理

Multi-MCP作為一個MCP服務器，Claude Code與之連接，提供AI驅動的代碼分析工具：

1. 安裝MCP服務器並配置AI模型API密鑰。
2. 通過make install自動與Claude Code CLI集成。
3. 使用自然語言調用工具（例如，"multi codereview this file"）。
4. 並行編排多個AI模型，獲取分析結果。

性能

快速多模型分析：

• ⚡ 並行執行：3個模型約10秒完成分析（順序執行約30秒）。
• 🔄 異步架構：採用非阻塞的Python asyncio。
• 💾 對話上下文管理：在多步驟審查中保持上下文連貫。
• 📊 低延遲：響應時間取決於最慢的模型，而非所有模型響應時間之和。

為什麼選擇Multi-MCP？

故障排除

“未找到API密鑰”

• 在.env文件中至少添加一個API密鑰。
• 驗證密鑰是否已加載：uv run python -c "from multi_mcp.settings import settings; print(settings.openai_api_key)"

集成測試失敗

• 設置RUN_E2E=1環境變量。
• 驗證API密鑰是否有效且有足夠的額度。

調試模式：

export LOG_LEVEL=DEBUG # 默認級別為INFO
uv run python -m multi_mcp.server

查看logs/server.log日誌文件獲取詳細信息。

📚 詳細文檔

常見問題解答

問：是否需要所有三個AI提供商的API密鑰？ 答：不需要，只需一個API密鑰（OpenAI、Anthropic或Google）即可開始使用。

問：它真的能並行運行嗎？ 答：是的！當使用codereview、compare或debate工具時，所有模型使用Python的asyncio.gather()併發執行。這意味著你可以在最慢模型的響應時間內獲得多個模型的響應，而不是所有模型響應時間之和。

問：可以同時運行多少個模型？ 答：沒有嚴格限制！你可以並行運行任意數量的模型。實際上，2 - 5個模型適用於大多數用例。所有工具默認使用配置的模型（通常2 - 3個），但你可以指定任意數量的模型。

貢獻代碼

我們歡迎貢獻！請參考CONTRIBUTING.md瞭解：

• 開發環境設置
• 代碼標準
• 測試指南
• 拉取請求流程

快速開始：

git clone https://github.com/YOUR_USERNAME/multi_mcp.git
cd multi_mcp
uv sync --extra dev
make check && make test

📄 許可證

本項目採用MIT許可證，詳情請參閱LICENSE文件。

鏈接

• 問題跟蹤器
• 貢獻指南