agent-team-lab
Allows using the Hermes Agent CLI as the model backend, running one-shot chat sessions to produce expert responses for the team.
Allows using Ollama through its OpenAI-compatible endpoint as the model backend, enabling local model-powered agent analysis.
Allows the agent team to use OpenAI's Responses API as its model backend for generating expert analysis and recommendations.
Click on "Deploy Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type
@followed by the MCP server name and your instructions, e.g., "@agent-team-labRun the full team on /path/to/project and summarize recommendations"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
Agent Team Lab
Mini plataforma reutilizable para cargar un equipo de agentes expertos en cualquier proyecto. El flujo conecta Product Manager, Arquitectura, Programación, QA y Seguridad; cada resultado alimenta las etapas siguientes y PM consolida la decisión final.
Puede consumirse de tres formas:
como servidor MCP desde Codex, Hermes u otro cliente compatible;
mediante API REST desde una aplicación;
con una CLI local para pruebas.
El núcleo no depende de un único modelo. Incluye adaptadores para OpenAI Responses API, endpoints compatibles con OpenAI, Hermes Agent CLI y un proveedor determinista para tests.
Flujo
flowchart TD
PM1[PM: alcance] --> ARQ[Arquitectura]
ARQ --> DEV[Programación]
DEV --> QA[QA]
DEV --> SEC[Seguridad]
QA --> PM2[PM: decisión]
SEC --> PM2La versión 0.1.0 es de solo lectura: recoge archivos de texto del proyecto dentro de una raíz permitida, limita el contexto y devuelve recomendaciones. No ejecuta código del repositorio analizado ni escribe cambios.
Related MCP server: all-agents-mcp
Inicio rápido
Requisitos: Python 3.11+ y uv.
git clone https://github.com/Benemox/agent-team-lab.git
cd agent-team-lab
cp .env.example .env
uv sync --extra devConfigura OPENAI_API_KEY en tu entorno y prueba:
uv run agent-team roles
uv run agent-team run "Revisa el flujo de pagos" --project /ruta/al/proyectoLa ruta debe estar dentro de AGENT_TEAM_ALLOWED_ROOT. Para una prueba sin gastar tokens:
AGENT_TEAM_PROVIDER=mock AGENT_TEAM_ALLOWED_ROOT="$PWD" \
uv run agent-team run "Comprueba el equipo" --project "$PWD"Proveedores
OpenAI / Codex
Usa Responses API. OPENAI_MODEL admite el identificador de modelo disponible en tu proyecto de OpenAI.
AGENT_TEAM_PROVIDER=openai
OPENAI_API_KEY=...
OPENAI_MODEL=gpt-5.4-miniHermes Agent
Instala y configura Hermes por separado, comprueba que hermes funciona y selecciona el adaptador:
hermes setup
AGENT_TEAM_PROVIDER=hermes uv run agent-team run "Analiza este módulo" --project .El adaptador usa una ejecución finita hermes chat --oneshot -q; conserva la configuración de proveedor/modelo que hayas elegido en Hermes.
Ollama, vLLM, LocalAI u otro compatible
AGENT_TEAM_PROVIDER=openai-compatible
OPENAI_COMPATIBLE_BASE_URL=http://127.0.0.1:11434/v1
OPENAI_COMPATIBLE_API_KEY=local
OPENAI_COMPATIBLE_MODEL=qwen3-coderAPI REST
AGENT_TEAM_ALLOWED_ROOT=/ruta/a/proyectos uv run agent-team serveEndpoints:
GET /healthGET /v1/rolesPOST /v1/experts/{role_id}POST /v1/team/rundocumentación OpenAPI en
http://127.0.0.1:8008/docs
Ejemplo:
curl -X POST http://127.0.0.1:8008/v1/team/run \
-H 'Content-Type: application/json' \
-H "Authorization: Bearer $AGENT_TEAM_API_TOKEN" \
-d '{"task":"Revisa el login", "project_path":"/ruta/a/proyectos/mi-app"}'Define AGENT_TEAM_API_TOKEN antes de exponer el servicio fuera de localhost. El contenedor monta los proyectos en modo solo lectura.
MCP y plugin
El repositorio ya incluye .codex-plugin/plugin.json, .mcp.json y cinco skills. Tras instalar dependencias, el servidor puede arrancarse con:
uv run agent-team-mcpExpone las herramientas:
list_expertsask_expertrun_team
Para incorporar el equipo a otro repositorio sin instalar el plugin completo, añade este servidor a la configuración MCP del cliente y usa el directorio clonado como directorio de trabajo:
{
"mcpServers": {
"agent-team-lab": {
"command": "uv",
"args": ["run", "--directory", "/ruta/agent-team-lab", "agent-team-mcp"],
"env": {
"AGENT_TEAM_PROVIDER": "openai",
"AGENT_TEAM_ALLOWED_ROOT": "/ruta/a/proyectos"
}
}
}
}No escribas la API key dentro del JSON si el archivo se va a versionar; pásala mediante variables del sistema o un almacén de secretos.
Personalizar el equipo
Edita perfiles en
skills/*/SKILL.md.Cambia orden, paralelismo y objetivos en
config/team.yaml.Añade un proveedor implementando
AgentProvidery registrándolo enproviders/factory.py.Ajusta extensiones, límites y carpetas ignoradas en
context.py.
Verificación
uv run ruff check src tests
uv run pytestDiseño de seguridad
raíz de proyectos permitida y bloqueo de path traversal;
límites de bytes y archivos enviados al modelo;
carpetas de dependencias, caché y control de versiones excluidas;
contexto marcado como no confiable frente a prompt injection;
sin shell para analizar proyectos y sin escrituras automáticas;
Hermes se invoca con argumentos, no mediante
shell=True;token Bearer opcional para REST y escucha local por defecto.
Licencia
MIT.
This server cannot be deployed
Maintenance
Related MCP Connectors
Agent-native collaboration network: orchestrate a team of long-running agents from any MCP client.
- OctopadOAuthapp.octopad
The back-office workspace for your team's AIs: tasks, knowledge and context shared over MCP.
Your org's AI agents, tasks, runs, search, and brain files as MCP tools and resources.
Control plane for autonomous software labor. Agents claim objectives over MCP with audit trail.
Related MCP Servers
- AlicenseNot gradedqualityCmaintenanceA reusable AI software development team built on MCP. 13 specialized agents (Project Manager, Backend, Frontend, QA, Security, DevOps, UX, and more) collaborate via shared SQLite state. Exposes 44 MCP tools across 12 domains. All discussions and decisions are stored in the database so agents get back up to speed immediately when re-loaded.MIT
- AlicenseBqualityFmaintenanceEnables orchestrating multiple AI CLI agents (Claude Code, Codex, Gemini CLI, Copilot CLI) through a unified MCP interface for task delegation, cross-agent comparison, and specialized tools like code review and debugging.144 npm14MIT
- FlicenseBqualityCmaintenanceOrchestrates multiple AI agents (Product Manager, Software Architect, Engineer, QA, Reviewer) to collaboratively plan, design, implement, review, and improve software development projects via MCP tools.13-
- FlicenseNot gradedqualityBmaintenanceEnables collaborative software development through a team of specialized AI agents (Architect, Developer, Reviewer, Tester) communicating via the Model Context Protocol, with tools for file management, task tracking, and code review.-