Skip to main content
Glama

Система агентов

Надежный мультиагентный оркестратор с:

  • явными графами выполнения и контрольными точками/возобновлением

  • параллельным делегированием под управлением оркестратора

  • ограниченным выполнением исследовательского роя

  • циклами написания кода, проверки, исправления, CI и утверждения

  • памятью проекта во вспомогательных хранилищах, предоставляемой через ресурсы и инструменты MCP

  • реальным векторным индексом SQLite для поиска по памяти

  • подключаемым внешним исследовательским бэкендом с поддержкой Tavily

Область применения

Эта реализация ориентирована на базовую спецификацию MCP 2025-11-25 с использованием официального Python MCP SDK и сервера FastMCP для интерфейса памяти. Для локальной разработки она работает через stdio. Для удаленного развертывания см. docs/remote_auth.md.

Related MCP server: ellmos-homebase-mcp

Структура

  • app/runtime: состояние выполнения, планировщик, цикл оркестратора, создание контрольных точек

  • app/planner: помощники по планированию и пересмотру графов

  • app/agents: исполнители узлов для исследований, кода, проверки, исправления, CI, синтеза, утверждения

  • app/memory: память на базе SQLite, поиск и индекс артефактов

  • app/mcp_server: ресурсы, инструменты, подсказки FastMCP и точка входа сервера

  • tests: приемочное и модульное покрытие

Локальное использование

uv sync --group dev
uv run pytest
uv run agent-system-mcp

Бэкенды поиска и исследований

  • Записи памяти индексируются в локальной векторной таблице SQLite с использованием sqlite-vec.

  • Провайдером эмбеддингов по умолчанию является auto: он отдает предпочтение реальной модели sentence-transformers и переключается на детерминированный хеш-провайдер только в том случае, если модель не может быть загружена.

  • Исследования используют бэкенд корпуса в памяти, когда узел предоставляет inputs.corpus.

  • Если установлен TAVILY_API_KEY, исследовательские узлы без корпуса могут использовать бэкенд Tavily для внешних веб-исследований.

  • Если корпус отсутствует и ключ Tavily недоступен, исследования возвращают ограниченные пустые результаты вместо выдумывания источников.

Конфигурация эмбеддингов

  • AGENT_SYSTEM_EMBEDDING_PROVIDER=auto|sentence-transformers|hash

  • AGENT_SYSTEM_EMBEDDING_MODEL=sentence-transformers/all-MiniLM-L6-v2

  • AGENT_SYSTEM_EMBEDDING_CACHE_DIR=/path/to/cache

  • AGENT_SYSTEM_EMBEDDING_LOCAL_ONLY=true|false

Пример:

AGENT_SYSTEM_EMBEDDING_PROVIDER=sentence-transformers uv run agent-system create-run "improve scheduler"

Локальный транспорт

Разработка использует транспорт MCP stdio.

Удаленное развертывание

Удаленное развертывание в версии v1 представлено только документацией. Сервер документирует путь согласия, совместимый с OAuth 2.1, и сохраняет локальный stdio в качестве режима разработки по умолчанию.

Полная документация

  • state.md: текущее состояние проекта, изменения с момента создания и дорожная карта

  • docs/getting_started.md: кратчайший путь к рабочему локальному запуску и серверу MCP

  • docs/operator_guide.md: полный обзор системы, операции и лучшие практики

  • docs/developer_custom_graphs.md: использование Python API, проектирование пользовательских графов и справочник полезной нагрузки узлов

  • docs/codex_mcp_usage.md: как Codex должен использовать этот MCP для планирования крупных приложений, памяти и выполнения с контрольными точками

  • examples/plan_large_app.py: пример программной генерации плана и запуска крупного приложения

Available Tools

10 tools
checkpoint_runB
Idempotent

Apply a small state patch and create an explicit checkpoint.

Inputs: run_id (required), state_patch_json (required). Returns: object

create_runA

Create a new orchestrator run from a high-level goal and optional JSON spec.

Inputs: goal (required), spec_json. Returns: object

get_file_contextB
Read-onlyIdempotent

Read file context from the orchestrator workspace.

Inputs: paths (required), include_neighbors. Returns: object

plan_goalB
Read-onlyIdempotent

Generate a large-app execution blueprint from a high-level goal and optional JSON spec.

Inputs: goal (required), spec_json. Returns: object

record_decisionC
Idempotent

Record a high-value architectural or implementation decision.

Inputs: title (required), run_id (required), node_id (required), rationale (required), +2 more. Returns: object

record_failure_modeA
Idempotent

Record a reusable failure pattern or bug signature.

Inputs: run_id (required), node_id (required), summary (required), signature (required), +1 more. Returns: object

resume_runA
Idempotent

Resume an orchestrator run until completion, pause, or failure.

Inputs: run_id (required). Returns: object

search_project_memoryA
Read-onlyIdempotent

Search project memory by query string and optional type filters.

Inputs: query (required), kind, limit, status. Returns: result

write_project_memoryC
Idempotent

Write a durable memory entry with provenance to the backing store.

Inputs: key (required), kind (required), run_id (required), node_id (required), +5 more. Returns: object

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    A3.5/5.0

    Scored across 10 tools

    Disambiguation3/5

    Most tools target distinct actions or resources, but plan_goal and create_run both take a high-level goal and optional JSON spec, making their boundaries unclear. Similarly, search_project_memory and list_related_artifacts both retrieve stored information in overlapping ways. Descriptions help clarify intent, but some pairs could still lead to misselection.

    Naming Consistency5/5

    All tools follow a consistent verb_noun snake_case pattern, such as resume_run, write_project_memory, record_decision, and create_run. The naming is uniform and predictable across the entire toolset.

    Tool Count5/5

    Ten tools is a well-scoped count for an orchestrator and memory management server. Each tool covers a meaningful operation without the set feeling bloated or overly sparse.

    Completeness4/5

    The core lifecycle is covered: creating and resuming runs, checkpointing, planning, memory read/write, and recording decisions/failures. Minor gaps exist, such as no explicit run status/query tool or delete operation for memory entries, but agents can generally work within the provided surface.

    Maintenance

    ActivityInactive
    ResponsivenessOutdated data

    Related MCP Connectors

    Related MCP Servers

    • F
      license
      Not graded
      quality
      D
      maintenance
      Shared memory and orchestration for coding agents, enabling persistent knowledge, multi-agent coordination, and a canonical workflow across MCP-compatible AI clients.
      83
      -
    • A
      license
      C
      quality
      B
      maintenance
      Enables local-first LLM orchestration with persistent memory, knowledge management, routing, swarm patterns, API probing, tests, automation planning, and plugin discovery via a stdio MCP server, using SQLite for offline storage.
      51
      173 npm
      2
      MIT
    • A
      license
      Not graded
      quality
      D
      maintenance
      A production-grade multi-agent workflow orchestrator built on the Model Context Protocol, featuring planner/executor/critic agents, durable run state, and replayable traces.
      15
      MIT
    • A
      license
      Not graded
      quality
      B
      maintenance
      Enables autonomous multi-agent orchestration using directed acyclic graph workflows to interact with external developer infrastructure such as Git, Postgres, and Docker through safety-gated MCP servers.
      Apache 2.0