基于拓扑的 AI 智能体引擎（MCP 服务器）

一个模型上下文协议（MCP）服务器，为 AI 智能体提供确定性的、基于拓扑的工作流引擎。该服务器不依赖开放式、不可预测的角色提示，而是与 Cloudflare Workers 交互，在边缘执行 10 步状态转换流水线，向客户端返回结构化的进度快照和迭代模板。

概述

该 MCP 服务器充当 AI 客户端（如 Claude Desktop、Cursor 或 Glama）与运行在 Cloudflare Workers 上的边缘计算拓扑执行引擎之间的桥梁。

它允许 AI 智能体将人类意图映射（类比）到固定的 10 步状态转换流水线中。它同时交付 10 个输出快照，以及一个用于下一次迭代的自适应 JSON 填空模板。

Related MCP server: project-planner-mcp

主要特性与能力

• 协议合规：使用官方模型上下文协议（@modelcontextprotocol/sdk）实现。

• 确定性拓扑：在 Cloudflare 边缘执行固定的问题解决步骤，消除幻觉循环并减少 GPU/令牌消耗。

• 人在回路（快照用户体验）：一次性返回 10 个中间进度快照，允许用户检查时间线并无缝回滚。

• 自适应提示模板：在输出末尾附加自适应 JSON 模式，实现顺畅的人机协作提示优化。

提供的 MCP 工具

该服务器向连接的 AI 客户端暴露以下 MCP 工具：

1. run_topology_pipeline

在 Cloudflare Workers 上执行 10 步确定性拓扑流水线，并返回 10 个状态转换快照以及一个 JSON 迭代模板。

• 输入模式（inputSchema）：

  • task_description（字符串，必填）：要通过拓扑处理的任务或用户意图。

  • filled_template（对象，可选）：包含由人类提供或由智能体推断的参数或填空值的 JSON 对象。

• 行为与智能体提示指令：

  1. AI 智能体将用户的高层请求映射到引擎的固定拓扑步骤。

  2. 服务器调用 Cloudflare Workers API 执行状态转换。

  3. 返回包含 10 个快照和 appendix_template 的结构化 JSON 负载。

  4. AI 智能体将 appendix_template 转换为自然对话，帮助人类为后续运行优化输入。

架构与通信流程

[人类 / AI 客户端（Claude、Cursor、Glama）] │ │ MCP 协议（Stdio） ▼ [该 MCP 服务器（Node.js 容器）] │ │ HTTP POST（边缘 REST API） ▼ [Cloudflare Workers 引擎] └─ 运行 10 步状态机拓扑并返回快照

环境变量

• WORKER_URL：您的 Cloudflare Worker 端点的 URL（例如，https://my-topology-engine.my-agent-api.workers.dev）。

快速开始

通过 Docker 本地运行

# Build the Docker image
docker build -t mcp-topology-server .

# Run the MCP container
docker run -i --rm -e WORKER_URL="[https://my-topology-engine.my-agent-api.workers.dev](https://my-topology-engine.my-agent-api.workers.dev)" mcp-topology-server
Installation in Claude Desktop / MCP Clients
Add the following configuration to your claude_desktop_config.json:
{
  "mcpServers": {
    "topology-engine": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "-e",
        "WORKER_URL=[https://your-worker.workers.dev](https://your-worker.workers.dev)",
        "mcp-topology-server"
      ]
    }
  }
}