🚀 Msty Admin MCP
基於人工智能的Msty Studio桌面版2.4.0+管理系統
Msty Admin MCP是一個MCP(模型上下文協議)服務器,它能將Claude轉變為Msty Studio桌面版的智能系統管理員。通過自然對話,你可以查詢數據庫、管理配置、編排本地AI模型並構建分層AI工作流。
v9.0.0 - 高級AI編排版本,包含155個工具!新功能包括自主智能體群、智能自動路由、級聯執行、語義緩存、預測性模型加載、A/B測試框架、成本智能儀表盤和動態角色融合。
🚀 快速開始
前提條件
安裝
git clone https://github.com/DBSS/msty-admin-mcp.git
cd msty-admin-mcp
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
Claude桌面版配置
重要提示:Claude桌面版並不總是遵循cwd設置,因此我們使用一個shell腳本啟動器。
- 倉庫中包含
run_msty_server.sh,確保它具有可執行權限:chmod +x run_msty_server.sh
- 將以下內容添加到
~/Library/Application Support/Claude/claude_desktop_config.json:{
"mcpServers": {
"msty-admin": {
"command": "/absolute/path/to/msty-admin-mcp/run_msty_server.sh",
"env": {
"MSTY_TIMEOUT": "30"
}
}
}
}
- 重啟Claude桌面版(Cmd + Q,然後重新打開)
- 你應該會在可用工具中看到“msty-admin”,並且已加載155個工具。
✨ 主要特性
v9.0.0版本新增功能
高級AI編排 - 10個新階段中的42個新工具
| 階段 |
工具數量 |
描述 |
| 階段26:智能自動路由 |
4 |
零配置任務分類和模型路由 |
| 階段27:自主智能體群 |
5 |
生成並行工作的專業AI智能體 |
| 階段28:後臺智能體 |
7 |
持續監控智能體(代碼哨兵、文檔守護者) |
| 階段29:語義響應緩存 |
5 |
基於嵌入的相似性緩存,節省成本 |
| 階段30:預測性模型加載 |
3 |
通過使用模式分析進行模型預加載 |
| 階段31:對話考古 |
5 |
深度搜索、決策提取和時間線構建 |
| 階段32:A/B測試框架 |
5 |
帶有統計分析的模型比較實驗 |
| 階段33:級聯執行 |
4 |
基於置信度的模型升級(快速 → 平衡 → 強大 → 專家) |
| 階段34:成本智能 |
7 |
令牌跟蹤、預算警報、本地與雲端比較 |
| 階段35:角色融合 |
6 |
動態組合角色以處理複雜任務 |
新模塊(v9.0.0)
| 模塊 |
用途 |
smart_router.py |
智能任務分類和模型路由 |
agent_swarm.py |
多智能體編排與並行執行 |
background_agents.py |
帶有警報的長期監控智能體 |
semantic_cache.py |
基於嵌入的響應緩存 |
predictive_loader.py |
使用模式學習和預測 |
conversation_archaeology.py |
深度對話搜索和分析 |
ab_testing.py |
A/B實驗框架 |
cascade.py |
基於置信度的分層模型執行 |
cost_intelligence.py |
成本跟蹤和優化 |
persona_fusion.py |
動態角色組合 |
server_extensions_v3.py |
擴展註冊v3 |
關鍵特性
- 🤖 智能體群 - 生成專業智能體(代碼、研究、寫作、分析)並行工作並綜合結果:
swarm_spawn "Build a comprehensive analysis of this codebase"
- 🎯 級聯執行 - 從快速模型開始,僅在需要時升級到強大的模型:
cascade_smart "Complex reasoning task requiring detailed analysis"
- 💰 成本智能 - 跟蹤支出,比較本地和雲端成本,獲取優化提示:
cost_compare_local_cloud # 顯示使用本地模型可節省95%以上的成本
- 🔮 預測性加載 - 學習你的使用模式並預加載模型:
predict_session_start # "Based on history, you typically code at 9am"
v8.0.0版本內容
10個新階段中的36個新工具
| 階段 |
工具數量 |
描述 |
| 階段16:影子角色 |
5 |
多視角對話分析 |
| 階段17:工作區 |
4 |
工作區管理和數據隔離 |
| 階段18:即時網絡 |
3 |
網絡搜索、URL獲取、YouTube轉錄 |
| 階段19:聊天管理 |
4 |
導出、克隆、分支、合併對話 |
| 階段20:文件夾組織 |
4 |
對話文件夾管理 |
| 階段21:PII清理 |
3 |
13種PII模式,符合GDPR/HIPAA標準 |
| 階段22:嵌入可視化 |
4 |
文檔聚類和相似性分析 |
| 階段23:健康儀表盤 |
3 |
服務監控和警報 |
| 階段24:配置文件 |
4 |
保存/加載/比較配置 |
| 階段25:自動維護 |
3 |
清理、優化、健康評分 |
新模塊(v8.0.0)
| 模塊 |
用途 |
shadow_personas.py |
影子角色集成 |
workspaces.py |
工作區管理 |
realtime_data.py |
網絡/YouTube集成 |
chat_management.py |
聊天操作 |
folders.py |
文件夾組織 |
pii_tools.py |
PII檢測和清理 |
embeddings.py |
嵌入可視化 |
dashboard.py |
健康監控 |
profiles.py |
配置文件 |
maintenance.py |
自動維護 |
server_extensions_v2.py |
擴展註冊v2 |
全面測試
- 130多個單元測試覆蓋所有模塊
- 驗證PII模式檢測
- 進行餘弦相似度數學測試
- 驗證維護預運行
v7.0.0版本內容
6個階段中的35個工具
| 階段 |
工具數量 |
描述 |
| 階段10:知識棧 |
5 |
RAG系統管理 - 列表、搜索、分析 |
| 階段11:模型管理 |
6 |
下載/刪除模型、查找重複項、存儲分析 |
| 階段12:Claude↔本地橋樑 |
5 |
智能模型委託、多模型共識 |
| 階段13:旋轉門工作流 |
7 |
5個內置自動化模板,預運行執行 |
| 階段14:即時上下文 |
5 |
即時系統/日期時間/Msty上下文用於提示 |
| 階段15:對話分析 |
5 |
使用模式、內容分析、會話指標 |
增強的標籤系統v2.0
- 上下文長度感知:
long_context(100K+)、very_long_context(250K+)、massive_context(500K+)
- 量化檢測:
fp16、8bit、6bit、5bit、4bit、3bit
- 架構標籤:
moe、mlx、gguf
- 新的大小層級:
massive(200B+參數)
Msty 2.4.0+服務支持
| 服務 |
端口 |
描述 |
| 本地AI服務 |
11964 |
兼容Ollama的API |
| MLX服務 |
11973 |
針對Apple Silicon優化的模型 |
| LLaMA.cpp服務 |
11454 |
支持GGUF模型 |
| Vibe CLI代理 |
8317 |
所有AI服務的統一代理 |
📦 安裝指南
克隆倉庫
git clone https://github.com/DBSS/msty-admin-mcp.git
cd msty-admin-mcp
創建虛擬環境
python -m venv .venv
source .venv/bin/activate
安裝依賴
pip install -r requirements.txt
Claude桌面版配置
- 確保
run_msty_server.sh具有可執行權限:
chmod +x run_msty_server.sh
- 將以下內容添加到
~/Library/Application Support/Claude/claude_desktop_config.json:
{
"mcpServers": {
"msty-admin": {
"command": "/absolute/path/to/msty-admin-mcp/run_msty_server.sh",
"env": {
"MSTY_TIMEOUT": "30"
}
}
}
}
- 重啟Claude桌面版(Cmd + Q,然後重新打開)
💻 使用示例
檢查服務狀態
你:我的Msty服務狀態如何?
Claude:所有4個服務都在運行:
✅ 本地AI服務(端口11964) - 2個模型
✅ MLX服務(端口11973) - 11個模型
✅ LLaMA.cpp服務(端口11454) - 10個模型
✅ Vibe CLI代理(端口8317) - 36個模型
總共:59個可用模型
對模型進行基準測試
你:對我最快的編碼模型進行基準測試
Claude:正在對deepseek-coder-v2-lite進行基準測試...
結果(每個測試運行3次):
| 上下文 | 每秒令牌數 | 延遲 |
|---------|------------|---------|
| 50個令牌 | 42.3 t/s | 1.2s |
| 200個令牌 | 38.7 t/s | 5.2s |
| 500個令牌 | 35.1 t/s | 14.3s |
平均:38.7個令牌/秒
導出對話
你:將我上週的對話導出為Markdown格式
Claude:已導出過去7天的23條對話。
文件:conversations_2026-01-26.md
格式:每個對話帶有標題的Markdown格式
總消息數:156
創建提示模板
你:創建一個代碼審查模板
Claude:已創建模板“code-review”:
模板:"Review this {{language}} code for {{focus}}:
```{{language}}
{{code}}
```
Provide specific suggestions."
變量:language, focus, code
類別:編碼
📚 詳細文檔
可用工具(共155個)
階段1:安裝與健康(7個工具)
| 工具 |
描述 |
detect_msty_installation |
查找Msty Studio,驗證路徑,檢查運行狀態 |
read_msty_database |
查詢對話、角色、提示、工具 |
list_configured_tools |
查看MCP工具箱配置 |
get_model_providers |
列出AI提供商和本地模型 |
analyse_msty_health |
數據庫完整性、存儲、所有4個服務狀態 |
get_server_status |
MCP服務器信息和功能 |
scan_database_locations |
在常見位置查找數據庫文件 |
階段2:配置管理(4個工具)
| 工具 |
描述 |
export_tool_config |
導出MCP配置以進行備份或同步 |
import_tool_config |
驗證並準備工具以供Msty導入 |
generate_persona |
從模板(opus、coder、writer、minimal)創建角色 |
sync_claude_preferences |
將Claude桌面版首選項轉換為Msty角色 |
階段3:本地模型集成(8個工具)
| 工具 |
描述 |
get_sidecar_status |
檢查所有4個服務(本地AI、MLX、LLaMA.cpp、Vibe代理) |
list_available_models |
查詢所有服務的模型並進行細分 |
query_local_ai_service |
直接進行底層API訪問 |
chat_with_local_model |
發送消息並自動跟蹤指標 |
recommend_model |
根據用例提供硬件感知的模型推薦 |
list_model_tags |
獲取可用標籤以進行智能模型選擇 |
find_model_by_tag |
查找匹配特定標籤的模型 |
get_cache_stats |
查看響應緩存統計信息 |
clear_cache |
清除緩存的響應 |
階段4:智能與分析(5個工具)
| 工具 |
描述 |
get_model_performance_metrics |
隨時間變化的每秒令牌數、延遲、錯誤率 |
analyse_conversation_patterns |
尊重隱私的使用分析 |
compare_model_responses |
向多個模型發送相同提示,比較質量/速度 |
optimise_knowledge_stacks |
分析並推薦改進方案 |
suggest_persona_improvements |
基於AI的角色優化 |
階段5:校準與工作流(4個工具)
| 工具 |
描述 |
run_calibration_test |
對模型進行跨類別測試並進行質量評分 |
evaluate_response_quality |
使用啟發式評估對任何響應進行評分 |
identify_handoff_triggers |
跟蹤應升級到Claude的模式 |
get_calibration_history |
帶有趨勢和統計信息的歷史結果 |
階段6:高級模型管理(4個工具)
| 工具 |
描述 |
get_model_details |
全面的模型信息(上下文長度、參數、標籤、功能) |
benchmark_model |
在不同上下文大小下進行性能基準測試(每秒令牌數) |
list_local_model_files |
列出磁盤上的MLX和GGUF模型文件及其大小 |
estimate_model_requirements |
估計模型的內存/硬件要求 |
階段7:對話管理(3個工具)
| 工具 |
描述 |
export_conversations |
以JSON、Markdown或CSV格式導出聊天曆史記錄 |
search_conversations |
通過關鍵字或標題搜索對話 |
get_conversation_stats |
使用分析:每天的消息數、模型使用情況、會話長度 |
階段8:提示模板與自動化(4個工具)
| 工具 |
描述 |
create_prompt_template |
使用{{variable}}佔位符創建可重用模板 |
list_prompt_templates |
列出所有模板,可根據類別進行過濾 |
run_prompt_template |
執行帶有變量替換的模板 |
smart_model_router |
根據給定的任務描述自動選擇最佳模型 |
階段9:備份與系統管理(3個工具)
| 工具 |
描述 |
backup_configuration |
創建角色、提示、模板、工具的全面備份 |
restore_configuration |
從備份文件中恢復配置 |
get_system_resources |
與AI推理相關的CPU、內存和磁盤使用情況 |
模型標籤系統
Msty Admin MCP包含一個智能模型標籤系統,具有60多個特定於模型的覆蓋項,用於準確路由。
可用標籤
| 類別 |
標籤 |
描述 |
| 大小 |
large, medium, small |
模型參數數量(70B+、13 - 34B、<13B) |
| 速度 |
fast |
快速響應模型(Haiku、Flash、Mini等) |
| 能力 |
coding, reasoning, creative, vision, embedding |
專業能力 |
| 上下文 |
long_context |
具有128K+上下文窗口的模型 |
| 質量 |
quality |
高質量輸出模型 |
| 通用 |
general |
通用模型 |
按標籤查找模型
你:給我找一個快速的編碼模型
Claude:使用find_model_by_tag,標籤為"coding"且prefer_fast=true...
找到3個快速編碼模型:
1. deepseek-coder-v2-lite(快速、編碼、小型)
2. codestral-mini(快速、編碼、小型)
3. starcoder2-3b(快速、編碼、小型)
智能模型路由器
你:寫一首詩用哪個模型最好?
Claude:使用smart_model_router,任務為"寫一首詩"...
推薦:claude-3-opus(標籤:質量、創意、推理、大型)
推理:創意寫作任務受益於具有'創意'標籤和高質量輸出的模型。
環境變量
使用以下環境變量自定義行為:
| 變量 |
默認值 |
描述 |
MSTY_SIDECAR_HOST |
127.0.0.1 |
服務主機地址 |
MSTY_AI_PORT |
11964 |
本地AI服務端口 |
MSTY_MLX_PORT |
11973 |
MLX服務端口 |
MSTY_LLAMACPP_PORT |
11454 |
LLaMA.cpp服務端口 |
MSTY_VIBE_PORT |
8317 |
Vibe CLI代理端口 |
MSTY_TIMEOUT |
10 |
API請求超時時間(秒) |
MSTY_DATABASE_PATH |
(自動檢測) |
覆蓋數據庫路徑 |
架構
┌─────────────────────────────────────────────────────────────┐
│ Claude Desktop │
│ │ │
│ MCP Protocol │
│ │ │
│ ┌──────────┴──────────┐ │
│ ▼ ▼ │
│ ┌─────────────────┐ ┌─────────────────┐ │
│ │ Msty Admin MCP │ │ Other MCPs │ │
│ │ (42 tools) │ │ │ │
│ └────────┬────────┘ └─────────────────┘ │
└───────────────┼─────────────────────────────────────────────┘
│
┌──────────┴──────────────────────────────┐
▼ ▼
┌──────────┐ ┌──────────────────┐
│ Msty │ │ Msty Studio │
│ Database │ │ 2.4.0+ App │
│ (SQLite) │ └────────┬─────────┘
└──────────┘ │
┌────────────────────┼────────────────────┐
▼ ▼ ▼
┌────────────┐ ┌────────────┐ ┌────────────┐
│ Local AI │ │ MLX │ │ LLaMA.cpp │
│ :11964 │ │ :11973 │ │ :11454 │
└────────────┘ └────────────┘ └────────────┘
│ │ │
└────────────────────┼────────────────────┘
▼
┌────────────┐
│ Vibe Proxy │
│ :8317 │
└────────────┘
項目結構
msty-admin-mcp/
├── src/
│ ├── __init__.py # 包導出
│ ├── constants.py # 配置常量
│ ├── models.py # 數據類
│ ├── errors.py # 標準化錯誤處理
│ ├── paths.py # 路徑解析實用工具
│ ├── database.py # SQL操作(防止注入)
│ ├── network.py # API請求助手
│ ├── cache.py # 響應緩存
│ ├── tagging.py # 模型標籤系統
│ ├── server.py # 主MCP服務器(42個工具)
│ └── phase4_5_tools.py # 指標和校準
├── tests/
│ ├── test_server.py # 集成測試
│ ├── test_constants.py # 常量測試
│ ├── test_paths.py # 路徑實用工具測試
│ ├── test_database.py # 數據庫測試(SQL注入)
│ ├── test_network.py # 網絡測試
│ ├── test_cache.py # 緩存測試
│ └── test_tagging.py # 標籤測試
├── docs/
│ ├── API.md # API參考和錯誤代碼
│ └── DEVELOPMENT.md # 開發指南
├── run_msty_server.sh # Shell腳本啟動器(必需!)
├── requirements.txt
├── pyproject.toml
├── CHANGELOG.md
├── LICENSE
└── README.md
文檔鏈接
- API參考 - 錯誤代碼、響應格式、工具參數
- 開發指南 - 貢獻、測試、架構
- 更新日誌 - 版本歷史和遷移說明
🔧 技術細節
安全
詳情請參閱docs/API.md:
- SQL注入防護 - 表白名單、參數化查詢
- API密鑰處理 - 密鑰從不記錄或返回
- 網絡安全 - 所有調用均指向本地主機,可配置超時時間
📄 許可證
本項目採用MIT許可證,詳情請參閱LICENSE。
關於此分支
👋 你好!我是來自DigitalKredit的Dmitri K。
我接手這個項目時,它只有24個工具,是為舊版Msty Studio架構設計的,當時有一個單獨的“Sidecar”服務,而在Msty 2.4.0+中該服務已不存在。
我所做的工作:
- 🔧 為Msty 2.4.0+重寫代碼庫(服務現在集成到主應用中)
- 🏗️ 重構為簡潔的模塊化架構(30多個模塊)
- 📈 將工具數量從24個擴展到155個全功能工具
- ✅ 添加全面的測試(250多個測試)
- 🚀 構建主要新功能:AI智能體群、智能路由、級聯執行、語義緩存、成本智能等
此分支會針對Msty Studio 2.4.0+進行積極維護和測試。
故障排除
"ModuleNotFoundError: No module named 'src'"
Claude桌面版沒有從正確的目錄運行。請確保使用shell腳本啟動器(run_msty_server.sh),而不是直接調用Python。
"No Local AI services are running"
- 打開Msty Studio
- 轉到設置 → 本地AI / MLX / LLaMA.cpp
- 確保服務顯示“正在運行”
Claude看不到msty-admin工具
- 檢查你的
claude_desktop_config.json是否包含正確的絕對路徑
- 確保
run_msty_server.sh具有可執行權限(chmod +x)
- 完全重啟Claude桌面版(Cmd + Q,然後重新打開)
只看到2個嵌入模型
顯示的模型取決於哪個服務首先響應。使用list_available_models查看所有服務的所有模型,並按服務進行細分。
未找到數據庫
- 首先運行
detect_msty_installation驗證路徑
- 使用
scan_database_locations查找數據庫文件
- 如有需要,設置
MSTY_DATABASE_PATH環境變量
貢獻
歡迎貢獻代碼!請按以下步驟操作:
- 分叉倉庫
- 創建一個功能分支(
git checkout -b feature/amazing-feature)
- 運行測試(
pytest tests/ -v)
- 提交更改(
git commit -m 'Add amazing feature')
- 推送到分支(
git push origin feature/amazing-feature)
- 打開拉取請求
詳細的貢獻指南請參閱docs/DEVELOPMENT.md。
致謝
鳴謝