Skip to main content
Glama

AI Optimizer MCP 🧠🔧 - Servidor MCP Multitarea

Desarrollado por Barack Ndenga ♥️

PyPI version Tests Coverage

Detalles

Servidor MCP multitarea para VSCode/Cursor, CLI y agentes autónomos. Optimización de código mediante IA + pruebas + extensible.

  • Transportes: Stdio (VSCode), subprocess, HTTP (futuro)

  • Casos de uso: Chat de VSCode, bucles de agentes, CI/CD, servidores remotos

  • Seguridad: Variables de entorno, ejecución en sandbox

Related MCP server: VegaMCP

Manifiesto (Capacidades multitarea)

  • 🛠️ 3+ Herramientas: Prueba/optimización de código/objetivo (+extensibles)

  • 🔌 VSCode/Cursor: mcp.json nativo

  • 🖥️ CLI independiente: ai-optimizer-mcp run

  • 🤖 Agentes: bucle en examples/agent.py

  • ⚙️ Entorno múltiple: Local/dev/prod mediante .env

  • 📊 Memoria/Historial: JSON persistente

  • 🔄 Bucles iterativos: Auto-mejora

Configuración multiplataforma

1. VSCode/Cursor (Recomendado)

Archivo .vscode/mcp.json (servidores múltiples):

{
  "servers": {
    "ai-optimizer": {
      "command": "python",
      "args": ["-m", "ai_optimizer_mcp.server"]
    },
    "ai-optimizer-dev": {
      "command": "python",
      "args": ["-m", "ai_optimizer_mcp.cli", "run", "--dev"]
    }
  }
}

Multitarea: ¡Cambia de servidor en el chat!

2. CLI / Scripts / Agentes

ai-optimizer-mcp run  # Stdio server (pipes)
ai-optimizer-mcp run --dev  # Debug
ai-optimizer-mcp --install-mcp  # Print mcp.json

3. Agentes autónomos / Subprocess

# examples/agent.py
import asyncio
from mcp.client.stdio import stdio_client

async def agent_loop():
    async with stdio_client(command=["python", "-m", "ai_optimizer_mcp.server"]) as client:
        # Multi-task calls
        score = await client.call_tool("run_tests", {"code_snippet": code})
        improved = await client.call_tool("generate_improvement", {"code": code, "test_result": score})

Requisitos previos (.env)

cp .env.example .env
# OPENAI_API_KEY=sk-...
# OBJECTIVE="Your custom goal"

Uso multitarea

  1. Chat de VSCode: use_mcp_tool("ai-optimizer", "run_tests", ...)

  2. CLI Pipe: echo code | ai-optimizer-mcp run

  3. Bucle de agente: python examples/agent.py

  4. CI/CD: Subprocess en GitHub Actions/Jenkins

Ejemplo de respuesta de herramienta:

run_tests → "Tests passed: score=4/4 (f(2)=4)"
generate_improvement → "def f(x): return 2 * x"

Solución de problemas en entornos múltiples

  • VSCode: Recarga la ventana después de modificar mcp.json

  • Sin clave API: ValueError → Comprueba .env

  • Tiempo de espera: TEST_TIMEOUT=10 en .env

  • Memoria: rm memory.json

  • Registros: --dev o LOG_LEVEL=DEBUG

Desarrollo

pip install -e .[dev]
pre-commit install
pytest

Herramientas MCP (Extensibles)

Herramienta

Argumentos

Caso de uso

run_tests

code_snippet: str

Probar código en VSCode/CLI

generate_improvement

code, test_result

Auto-optimización

get_objective

-

Leer objetivo en cualquier contexto

Apache 2.0 - ¡Listo para multitarea! VSCode, CLI, Agentes, CI. ¡Contribuye!

CHANGELOG

Related MCP Connectors

Related MCP Servers

  • F
    license
    Not graded
    quality
    D
    maintenance
    A lightweight MCP server that enhances AI agents with tools for codebase analysis, task delegation to sub-agents, multi-agent coordination through chatrooms, and project todo management.
    -
  • A
    license
    Not graded
    quality
    C
    maintenance
    MCP server that enables AI coding agents to communicate, share state, and coordinate work in real time via MCP tools or REST API.
    107 npm
    9
    MIT
  • A
    license
    Not graded
    quality
    B
    maintenance
    Multi-agent AI orchestrator that runs parallel coding agents in isolated sessions with self-improving intelligence, exposed via an MCP server for task execution and management.
    MIT