OpenAI MCP Server

MCP Coding Assistant mit Unterstützung für OpenAI + andere LLM-Anbieter

Eine leistungsstarke Python-Nachbildung von Claude Code mit verbesserter Echtzeitvisualisierung, Kostenmanagement und Model Context Protocol (MCP)-Serverfunktionen. Dieses Tool bietet eine natürlichsprachliche Schnittstelle für Softwareentwicklungsaufgaben mit Unterstützung mehrerer LLM-Anbieter.

Hauptmerkmale

• Multi-Provider-Support: Funktioniert mit OpenAI, Anthropic und anderen LLM-Anbietern
• Integration des Modellkontextprotokolls:
  • Wird als MCP-Server zur Verwendung mit Claude Desktop und anderen Clients ausgeführt
  • Stellen Sie mit dem integrierten MCP-Client eine Verbindung zu jedem MCP-Server her
  • Multi-Agenten-Synchronisierung zur Lösung komplexer Probleme
• Echtzeit-Tool-Visualisierung: Sehen Sie den Fortschritt und die Ergebnisse der Tool-Ausführung in Echtzeit
• Kostenmanagement: Verfolgen Sie Token-Nutzung und Ausgaben mit Budgetkontrollen
• Umfassende Tool-Suite: Dateioperationen, Suche, Befehlsausführung und mehr
• Verbesserte Benutzeroberfläche: Umfangreiche Terminaloberfläche mit Fortschrittsanzeige und Syntaxhervorhebung
• Kontextoptimierung: Intelligente Konversationskomprimierung und Speicherverwaltung
• Agentenkoordination: Spezialisierte Agenten mit unterschiedlichen Rollen können gemeinsam an Aufgaben arbeiten

Installation

1. Dieses Repository klonen
2. Installieren Sie Abhängigkeiten:

3. Erstellen Sie eine .env Datei mit Ihren API-Schlüsseln:

Verwendung

CLI-Modus

Führen Sie die CLI mit dem Standardanbieter aus (bestimmt anhand der verfügbaren API-Schlüssel):

Geben Sie einen Anbieter und ein Modell an:

Legen Sie ein Budgetlimit fest, um die Kosten im Griff zu behalten:

MCP-Servermodus

Als Model Context Protocol-Server ausführen:

Starten Sie im Entwicklungsmodus mit dem MCP Inspector:

Host und Port konfigurieren:

Geben Sie zusätzliche Abhängigkeiten an:

Umgebungsvariablen aus Datei laden:

MCP-Client-Modus

Stellen Sie eine Verbindung zu einem MCP-Server her und verwenden Sie Claude als Reasoning Engine:

Geben Sie ein Claude-Modell an:

Probieren Sie den enthaltenen Beispielserver aus:

Multi-Agent-MCP-Modus

Starten Sie einen Multi-Agent-Client mit synchronisierten Agenten:

Verwenden Sie eine benutzerdefinierte Agentenkonfigurationsdatei:

Beispiel mit dem Echoserver:

Verfügbare Tools

• Ansicht: Dateien mit optionalen Zeilenbegrenzungen lesen
• Bearbeiten: Dateien mit präzisem Textersatz ändern
• Ersetzen: Dateien erstellen oder überschreiben
• GlobTool: Dateien durch Mustervergleich finden
• GrepTool: Dateiinhalte mit regulären Ausdrücken durchsuchen
• LS: Verzeichnisinhalte auflisten
• Bash: Shell-Befehle ausführen

Chat-Befehle

• /help: Verfügbare Befehle anzeigen
• /compact: Konversationsverlauf komprimieren, um Token zu speichern
• /version: Versionsinformationen anzeigen
• /providers: Liste verfügbarer LLM-Anbieter
• /cost: Kosten- und Nutzungsinformationen anzeigen
• /budget [Betrag]: Legen Sie ein Budgetlimit fest
• /quit, /exit: Beenden Sie die Anwendung

Architektur

Claude Code Python Edition basiert auf einer modularen Architektur:

Verwendung mit dem Model Context Protocol

Verwenden von Claude Code als MCP-Server

Sobald der MCP-Server läuft, können Sie von Claude Desktop oder anderen MCP-kompatiblen Clients aus eine Verbindung zu ihm herstellen:

1. Installieren und führen Sie den MCP-Server aus:
   python claude.py serve
2. Öffnen Sie die Konfigurationsseite in Ihrem Browser:
   http://localhost:8000
3. Befolgen Sie die Anweisungen zum Konfigurieren von Claude Desktop, einschließlich:
   • Kopieren der JSON-Konfiguration
   • Laden Sie die automatisch konfigurierte JSON-Datei herunter
   • Schritt-für-Schritt-Anleitung zur Einrichtung

Verwenden von Claude Code als MCP-Client

So stellen Sie mit Claude Code eine Verbindung zu einem beliebigen MCP-Server her:

1. Stellen Sie sicher, dass Ihr Anthropic-API-Schlüssel in der Umgebung oder der .env-Datei vorhanden ist.
2. Starten Sie den MCP-Server, mit dem Sie eine Verbindung herstellen möchten
3. Stellen Sie eine Verbindung mithilfe des MCP-Clients her:
   python claude.py mcp-client path/to/server.py
4. Geben Sie Anfragen in die interaktive Chat-Oberfläche ein

Verwenden des Multi-Agent-Modus

Bei komplexen Aufgaben ermöglicht der Multi-Agent-Modus die Zusammenarbeit mehrerer spezialisierter Agenten:

1. Erstellen Sie eine Agentenkonfigurationsdatei oder verwenden Sie das bereitgestellte Beispiel
2. Starten Sie Ihren MCP-Server
3. Starten Sie den Multi-Agent-Client:
   python claude.py mcp-multi-agent path/to/server.py --config examples/agents_config.json
4. Verwenden Sie die Befehlsschnittstelle, um mit mehreren Agenten zu interagieren:
   • Geben Sie eine Nachricht ein, die an alle Agenten gesendet werden soll
   • Verwenden Sie /talk Agent_Name message für die direkte Kommunikation
   • Verwenden Sie /agents , um alle verfügbaren Agenten anzuzeigen
   • Verwenden Sie /history , um den Konversationsverlauf anzuzeigen

Beitragen

1. Forken Sie das Repository
2. Erstellen eines Feature-Zweigs
3. Implementieren Sie Ihre Änderungen mit Tests
4. Senden einer Pull-Anfrage

Lizenz

MIT

Danksagung

Dieses Projekt ist vom Claude Code CLI-Tool von Anthropic inspiriert und wurde in Python mit zusätzlichen Funktionen für verbesserte Sichtbarkeit, Kostenmanagement und MCP-Serverfunktionen neu implementiert.# OpenAI Code Assistant

Ein leistungsstarker Befehlszeilen- und API-basierter Codierungsassistent, der OpenAI-APIs mit Funktionsaufrufen und Streaming verwendet.

Merkmale

• Interaktive CLI zur Unterstützung beim Codieren
• Web-API zur Integration mit anderen Anwendungen
• Model Context Protocol (MCP)-Serverimplementierung
• Replikationsunterstützung für hohe Verfügbarkeit
• Toolbasierte Architektur für Erweiterbarkeit
• Reinforcement Learning zur Werkzeugoptimierung
• Webclient für browserbasierte Interaktion

Installation

1. Klonen Sie das Repository
2. Installieren Sie Abhängigkeiten:
   pip install -r requirements.txt
3. Legen Sie Ihren OpenAI-API-Schlüssel fest:
   export OPENAI_API_KEY=your_api_key

Verwendung

CLI-Modus

Führen Sie den Assistenten im interaktiven CLI-Modus aus:

Optionen:

• --model , -m : Geben Sie das zu verwendende Modell an (Standard: gpt-4o)
• --temperature , -t : Temperatur für die Antwortgenerierung festlegen (Standard: 0)
• --verbose , -v : Ausführliche Ausgabe mit zusätzlichen Informationen aktivieren
• --enable-rl/--disable-rl : Aktivieren/Deaktivieren des bestärkenden Lernens zur Tool-Optimierung
• --rl-update : Manuelles Auslösen einer Aktualisierung des RL-Modells

API-Servermodus

Führen Sie den Assistenten als API-Server aus:

Optionen:

• --host : Hostadresse, an die gebunden werden soll (Standard: 127.0.0.1)
• --port , -p : Port, auf dem gelauscht wird (Standard: 8000)
• --workers , -w : Anzahl der Arbeitsprozesse (Standard: 1)
• --enable-replication : Replikation zwischen Instanzen aktivieren
• --primary/--secondary : Ob dies eine primäre oder sekundäre Instanz ist
• --peer : Peer-Instanzen, mit denen repliziert werden soll (Host:Port), kann mehrfach angegeben werden

MCP-Servermodus

Führen Sie den Assistenten als Model Context Protocol (MCP)-Server aus:

Optionen:

• --host : Hostadresse, an die gebunden werden soll (Standard: 127.0.0.1)
• --port , -p : Port, auf dem gelauscht wird (Standard: 8000)
• --dev : Entwicklungsmodus mit zusätzlicher Protokollierung aktivieren
• --dependencies : Zusätzliche zu installierende Python-Abhängigkeiten
• --env-file : Pfad zur .env-Datei mit Umgebungsvariablen

MCP-Client-Modus

Stellen Sie eine Verbindung zu einem MCP-Server her und verwenden Sie dabei den Assistenten als Schlussfolgerungs-Engine:

Optionen:

• --model , -m : Für die Schlussfolgerung zu verwendendes Modell (Standard: gpt-4o)
• --host : Hostadresse für den MCP-Server (Standard: 127.0.0.1)
• --port , -p : Port für den MCP-Server (Standard: 8000)

Bereitstellungsskript

Verwenden Sie zur einfacheren Bereitstellung das bereitgestellte Skript:

So aktivieren Sie die Replikation:

Webclient

Um den Webclient zu verwenden, öffnen Sie web-client.html in Ihrem Browser. Stellen Sie sicher, dass der API-Server läuft.

API-Endpunkte

Standard-API-Endpunkte

• POST /conversation : Erstellen Sie eine neue Konversation
• POST /conversation/{conversation_id}/message : Senden Sie eine Nachricht an eine Konversation
• POST /conversation/{conversation_id}/message/stream : Streamen Sie eine Nachrichtenantwort
• GET /conversation/{conversation_id} : Konversationsdetails abrufen
• DELETE /conversation/{conversation_id} : Eine Konversation löschen
• GET /health : Endpunkt der Integritätsprüfung

MCP-Protokollendpunkte

• GET / : Integritätsprüfung (MCP-Protokoll)
• POST /context : Kontext für eine Eingabeaufforderungsvorlage abrufen
• GET /prompts : Listet verfügbare Eingabeaufforderungsvorlagen auf
• GET /prompts/{prompt_id} : Holen Sie sich eine bestimmte Eingabeaufforderungsvorlage
• POST /prompts : Erstellen Sie eine neue Eingabeaufforderungsvorlage
• PUT /prompts/{prompt_id} : Aktualisieren Sie eine vorhandene Eingabeaufforderungsvorlage
• DELETE /prompts/{prompt_id} : Löscht eine Eingabeaufforderungsvorlage

Replikation

Das Replikationssystem ermöglicht die Ausführung mehrerer Instanzen des Assistenten mit synchronisiertem Status. Dies bietet:

• Hohe Verfügbarkeit
• Lastenausgleich
• Fehlertoleranz

So richten Sie die Replikation ein:

1. Starten Sie eine primäre Instanz mit --enable-replication
2. Starten Sie sekundäre Instanzen mit --enable-replication --secondary --peer [primary-host:port]

Werkzeuge

Der Assistent umfasst verschiedene Tools:

• Wetter: Aktuelles Wetter für einen Standort abrufen
• Ansicht: Dateien aus dem Dateisystem lesen
• Bearbeiten: Dateien bearbeiten
• Ersetzen: Dateien schreiben
• Bash: Bash-Befehle ausführen
• GlobTool: Dateimustervergleich
• GrepTool: Inhaltssuche
• LS: Verzeichnisinhalte auflisten
• JinaSearch: Websuche mit Jina.ai
• JinaFactCheck: Faktencheck mit Jina.ai
• JinaReadURL: Webseiten lesen und zusammenfassen

CLI-Befehle

• /help : Hilfemeldung anzeigen
• /compact : Komprimieren Sie die Konversation, um die Token-Nutzung zu reduzieren
• /status : Token-Nutzung und Sitzungsinformationen anzeigen
• /config : Aktuelle Konfigurationseinstellungen anzeigen
• /rl-status : Zeigt den Status des RL-Tool-Optimierers an (falls aktiviert)
• /rl-update : Das RL-Modell manuell aktualisieren (falls aktiviert)
• /rl-stats : Statistik zur Tool-Nutzung anzeigen (falls aktiviert)