🧠 Expert MCP

Statte dein KI-Modell mit einem „jederzeit abrufbaren“ Expertenberater aus.

Wenn das nachgelagerte Modell auf komplexe Probleme stößt, kann es diese über dieses MCP-Tool an ein vorkonfiguriertes fortgeschrittenes Modell (wie GPT-5.5, Claude Opus 4.7 usw.) weiterleiten, um tiefgreifende Analysen und professionelle Ratschläge zu erhalten und diese dann mit der eigenen Einschätzung zu einer endgültigen Antwort zu kombinieren.

Python MCP License GitHub

✨ Funktionen

🔌 OpenAI-kompatibel — Verbindet sich mit jedem Upstream-Endpunkt im OpenAI-Format (OpenAI / DeepSeek / Qwen / vLLM / Ollama usw.)
⚙️ Konfigurationsgesteuert — Alle Parameter werden zentral in config.json verwaltet, keine Codeänderungen erforderlich
📡 Streamable HTTP — Streamfähige HTTP-Übertragung gemäß dem neuesten MCP-Standard, Endpunkt /mcp
🛠️ Umfangreiche Tool-Beschreibungen — Sorgfältig gestaltete description, die das nachgelagerte Modell anleitet, zum richtigen Zeitpunkt aufzurufen
🧩 Dreiteilige Eingabeparameter — question (erforderlich), context (Hintergrund), focus (Schwerpunkt)
📊 Vollständiges Logging — Anforderungsprotokolle + Token-Nutzungsstatistik zur einfachen Überwachung und Fehlerbehebung

🏗️ Funktionsweise

┌─────────────────────────────────────────────────────────┐
│                      用户 (User)                         │
└───────────────────────────┬─────────────────────────────┘
                            │ 提问
                            ▼
┌─────────────────────────────────────────────────────────┐
│              下游模型 (Claude / GPT / Qwen …)            │
│                                                         │
│   遇到复杂问题？→ 调用 consult_advanced_model 工具       │
└───────────────────────────┬─────────────────────────────┘
                            │ MCP Streamable HTTP
                            ▼
┌─────────────────────────────────────────────────────────┐
│                   Expert MCP Server                     │
│               (本项目 server.py)                        │
└───────────────────────────┬─────────────────────────────┘
                            │ OpenAI API 请求
                            ▼
┌─────────────────────────────────────────────────────────┐
│         上游高级模型 (GPT-5.5、Claude Opus 4.7 …)      │
│                   返回深度分析意见                       │
└─────────────────────────────────────────────────────────┘

📦 Schnellstart

1. Repository klonen

git clone https://github.com/MineJPGcraft/Expert-mcp.git
cd Expert-mcp

2. Abhängigkeiten installieren

pip install -r requirements.txt

Python 3.10+ wird empfohlen; die Installation in einer virtuellen Umgebung ist ratsam.

3. Konfigurationsdatei bearbeiten

Kopiere und bearbeite config.json:

{
  "host": "0.0.0.0",
  "port": 8765,
  "upstream": {
    "base_url": "https://api.openai.com/v1",
    "api_key": "sk-xxxxxxxxxxxxxxxxxxxx",
    "model": "gpt-5.5",
    "temperature": 0.3,
    "max_tokens": 4096,
    "timeout": 120,
    "system_prompt": "你是一位顶尖的资深专家顾问，请对问题进行深入、严谨、可执行的分析。"
  }
}

Die Erläuterungen zu den Konfigurationsoptionen findest du unten unter ⚙️ Konfigurationsreferenz.

4. Dienst starten

python server.py

Wenn du die folgenden Protokolle siehst, war der Start erfolgreich:

2025-xx-xx | INFO    | mcp-advisor | 上游模型: gpt-4o @ https://api.openai.com/v1
2025-xx-xx | INFO    | mcp-advisor | MCP 监听: http://0.0.0.0:8765/mcp

MCP-Endpunkt-Adresse:

http://127.0.0.1:8765/mcp

🔧 Client-Anbindung

Füge in Clients, die MCP Streamable HTTP unterstützen (Cherry Studio, Cline, Claude Code usw.), die folgende Konfiguration hinzu:

{
  "mcpServers": {
    "expert-advisor": {
      "type": "streamableHttp",
      "url": "http://127.0.0.1:8765/mcp"
    }
  }
}

Remote-Bereitstellung? Ersetze 127.0.0.1 durch die tatsächliche IP oder Domain des Servers und stelle sicher, dass die Firewall den entsprechenden Port freigibt.

⚙️ Konfigurationsreferenz

Feld	Typ	Standardwert	Beschreibung
`host`	string	`"0.0.0.0"`	Dienst-Listen-Adresse
`port`	integer	`8765`	Dienst-Listen-Port
`upstream.base_url`	string	—	Basis-URL der Upstream-API (OpenAI-kompatibles Format)
`upstream.api_key`	string	—	Upstream-API-Key
`upstream.model`	string	—	Upstream-Modellname, z. B. `gpt-5.5`, `claude-opus-4-7`
`upstream.temperature`	float	`0.3`	Generierungstemperatur; für Analyseaufgaben wird ein niedrigerer Wert empfohlen
`upstream.max_tokens`	integer	`4096`	Maximale Token-Anzahl pro Antwort
`upstream.timeout`	float	`120`	Timeout für Anfragen in Sekunden
`upstream.system_prompt`	string	Eingebauter Standardwert	System-Prompt für das fortgeschrittene Modell, vollständig anpassbar

Konfigurationsdatei über Umgebungsvariablen wechseln

MCP_CONFIG=config.prod.json python server.py

🛠️ Tool-Beschreibung

Tools, die vom nachgelagerten Modell aufgerufen werden können:

`consult_advanced_model`

Parameter	Typ	Erforderlich	Beschreibung
`question`	string	✅	Die zu beratende Kernfrage, so vollständig und klar wie möglich
`context`	string	❌	Hintergrundinformationen, wie Code-Snippets, Benutzeranforderungen, bereits versuchte Lösungen usw.
`focus`	string	❌	Der Schwerpunkt, auf den das fortgeschrittene Modell besonders eingehen soll

Empfohlene Szenarien für den Aufruf:

Fragen, bei denen die eigene Sicherheit < 80 % liegt
Der Benutzer fordert explizit tiefes Nachdenken / strenge Analyse / die beste Lösung
Probleme mit komplexen Abwägungen und mehreren Einschränkungen
Mathematik, Algorithmen, Systemdesign, schwierige Bugs, die schrittweises Schlussfolgern erfordern
Fälle, in denen die eigenen Schlussfolgerungen zweifach validiert werden müssen

Nicht empfohlene Szenarien für den Aufruf:

Einfache Begrüßungen oder reine Informationsabfragen
Grundlegende Fragen, deren Antwort offensichtlich ist
Häufig wiederkehrende einfache Aufgaben

🌐 Anbindung an Upstream-Dienste

Ändere einfach den upstream-Teil in config.json, um eine Verbindung zu verschiedenen Dienstanbietern herzustellen.

📋 Abhängigkeiten

mcp>=1.2.0
openai>=1.40.0

Expert MCP