Skip to main content
Glama
SekaiNoOwari77

mcp-3d-modeling-agent

基于 MCP 的智能 3D 建模 Agent

Python 3.10+ Blender 4.2+ MCP 2.0 LangGraph tests License

用 AI Agent 操控 Blender——218 个 MCP 工具覆盖完整 3D 管线,外加一个 LangGraph Agent 智能层:规划→执行→观察→评审→重规划的闭环、版本化 Prompt、Schema 门控的工具选择,以及一套可复现的 Benchmark。

🌏 English: README.en.md

本项目展示了什么 · 架构 · Benchmark 结果 · 快速开始 · 文档


概述

本仓库由两层组成:

  1. MCP 基础层 (基于上游 RFingAdam/mcp-blender,eng-mcp-suite) —— 一个 MCP server,把 218 个 Blender 工具(建模、材质、修改器、动画、渲染、雕刻、几何节点、物理、AI 3D 生成、MSFS 内容管线)暴露给任意 MCP 客户端。

  2. Agent 智能层 agent/ 目录,本仓库原创工作) —— 基于 LangGraph 的 3D Agent:规划任务、通过 MCP 工具执行、采集场景事实、逐条验证验收标准(必须给出证据)、最小化修复——配套 Prompt 版本化、结构化输出契约、评估日志和 16 任务 Benchmark。


本项目展示了什么

完整的工程实践——让 LLM Agent 变得可靠、可度量、可工程化

能力

对应代码

Agent 架构设计

agent/graph.py —— 六节点 LangGraph 状态机 + plan 级外循环

MCP 集成(客户端侧)

agent/tools/mcp_client.py —— 通过 stdio 消费真实 MCP server:tools/list 动态发现、schema 缓存、串行化调用

规模化 Prompt 工程

agent/prompts/ —— 版本化 Prompt 模板(planner/v1.md 等)、严格 JSON 契约、节点代码中零硬编码 Prompt 文本

可靠性机制

jsonschema 门控工具选择 + 一次 Tool Selection Repair 重试;criteria 覆盖强制(漏评的验收项永远无法静默通过);解析失败的显式处理

上下文管理

agent/context/builder.py —— 每节点最小上下文注入(Planner 只拿任务+场景;Executor 拿步骤+工具+最近结果;Reviewer 拿验收标准+观察数据)

评估方法论

agent/evaluation/ —— 每次运行记录 11 项指标(工具失败数、schema 失败数、重选数、重规划数、耗时、token 用量……),JSON + JSONL 持久化

Benchmark 设计

benchmarks/ —— 16 个任务、4 个难度级别、聚合指标报告、真实 Blender 实测结果

测试

128 个测试全部通过:单元测试、JSON Schema 校验、Router 决策矩阵、假 LLM 端到端闭环测试


架构

┌───────────────┐   MCP stdio    ┌────────────────┐   TCP JSON-RPC   ┌──────────────────┐
│  MCP client   │ ◄────────────► │  MCP server    │ ◄──────────────► │  Blender addon   │
│ (Claude Code) │                │  (Python 进程)  │   localhost:9876 │  (bpy.app.timers)│
└───────────────┘                └────────────────┘                  └──────────────────┘

Agent 层是第四个进程,它自身作为现有 MCP server 的一个 MCP 客户端运行——从不重新实现任何 Blender 工具

用户 / LLM 客户端
  │
  ▼
★ LangGraph Agent(agent/)          ← 本项目的智能层
  │   MCP 客户端(stdio)—— 复用全部 218 个工具
  ▼
mcp-blender MCP server(上游,零修改)
  │
  ▼
Blender addon → bpy → Blender 场景

Agent 循环

START → Planner → Executor → Observer → Reviewer → Router ── 通过 ──► END
                                                       └─ 重规划 ──► RePlanner → Executor(循环)

节点

职责

Planner

只管 WHAT:目标 + 约束 + 步骤 + 验收标准(success_criteria)。绝不选择工具

Executor

负责 HOW:基于运行时 tools/list 目录为每一步选择 MCP 工具;参数经 jsonschema 校验;优先级:结构化工具 > 结构化组合 > execute_script 兜底;最少工具原则。

Observer

采集确定性场景事实(场景信息、对象清单、网格统计)——Reviewer 的证据来源。

Reviewer

逐条验证每个验收标准并要求证据;"声称通过但无证据"会被代码纠正;漏评的标准显式判为未通过。

RePlanner

最小修复:只重规划未通过的标准;已验证的工作绝不重做。

Router

确定性路由:通过或达到迭代上限 → 结束;否则 → 重规划。

可靠性由代码强制而非依赖 Prompt 自觉:schema 校验 + 一次 Tool Selection Repair 重试、criteria 覆盖强制、任何解析失败都显式降级(记录进 state、暴露给 Reviewer——绝不静默)。

实测演示

Agent 思考与决策过程

Blender 中的生成结果

Agent 思考过程

Blender 生成结果


Benchmark 结果

真实 Blender 4.x 实例上实测——Agent 执行了 benchmarks/tasks.json 中全部 16 个任务(4 个难度级别,从基础创建到组合建模),每个任务进行基于证据的验收。

指标

结果

任务成功率

16/16(100%)

工具调用成功率

69/69(100%)

Schema 失败率

0/69

平均工具调用数 / 任务

4.31(L1≈2.3 → L4≈6.5)

平均重规划数 / 任务

0.19

平均工具耗时 / 任务

0.95 s

L3–L4 级组合建模任务(桌子、房子、雪人、布尔挖孔、松树、椅子、茶杯、机器人)全部通过几何证据验收——例如机器人的 1012 个顶点精确等于 6 个立方体 + 2 个球体的顶点之和。

方法论说明:由 Claude 作为 Agent 经 addon 的 JSON-RPC 通道(即 MCP server 使用的同一传输层)对真实 Blender 执行;逐任务记录见 eval_runs/docs/PHASE2_PROMPT_ENGINEERING.md。Benchmark 还发现了一个真实的 addon 缺陷(scene_clear 无法清除隐藏对象 → 重名对象冲突),已写入文档发现记录——这正是评估体系存在的意义。


快速开始

1. 安装

git clone https://github.com/SekaiNoOwari77/mcp-3d-modeling-agent.git
cd mcp-3d-modeling-agent
pip install -e .                       # MCP server(基础层)
pip install -r agent/requirements.txt  # Agent 层(langgraph、mcp、httpx、jsonschema)

2. 启动 Blender

  1. 安装插件:Blender → 编辑 → 偏好设置 → 插件 → 安装… → 选择 addon/blender_mcp_addon(可用 python scripts/package_addon.py 打包为 ZIP,或直接软链接目录)。

  2. 启用 "MCP Server Addon"。

  3. 3D 视口按 NMCP Server 面板 → Start Server(默认端口 9876)。

3. 作为 MCP 工具提供方使用(任意 MCP 客户端)

{
  "mcpServers": {
    "blender": { "command": "mcp-blender", "args": ["--port", "9876"] }
  }
}

然后直接对客户端说:"创建一个红色立方体放在 (2, 0, 0),加一个 2 级 Subdivision Surface 修改器。"

4. 运行 LangGraph Agent

AGENT_LLM_MODEL=deepseek-chat \
AGENT_LLM_BASE_URL=https://api.deepseek.com/v1 \
AGENT_LLM_API_KEY=sk-... \
python -m agent.run "做一个低多边形松树:圆柱树干加三层圆锥树叶"

参数:--render(开启观察渲染)、--max-iterations--prompt-version--no-eval-v。 指标落盘:eval_runs/eval_runs.jsonl + eval_runs/records/

5. 运行 Benchmark

python -m benchmarks.runner                   # 全部 16 个任务
python -m benchmarks.runner --levels 1,2      # 按难度级别
python -m benchmarks.runner --tags regression # Phase-1 回归任务

仓库结构

src/mcp_blender/            MCP server:218 个工具定义 + Blender TCP 客户端      (上游)
addon/blender_mcp_addon/    Blender 插件:socket 服务器、handlers、AI 后端       (上游)
agent/                      ★ Agent 智能层(原创)
├── graph.py                LangGraph 组装(6 节点 + plan 级循环)
├── state.py                Plan / PlanStep / Criterion / ReviewVerdict 数据结构
├── config.py               env 驱动的配置
├── execution.py            任务执行入口(CLI 与 benchmark 共用)
├── llm.py                  OpenAI 兼容 LLM 客户端,带 token 用量追踪
├── nodes/                  planner / executor / observer / reviewer / replanner / router
├── prompts/                版本化 Prompt 模板(planner/v1.md 等)
├── context/                每节点上下文构建器
├── evaluation/             EvalLogger:11 项指标,JSON + JSONL 记录
└── tools/mcp_client.py     MCP 客户端:子进程生命周期、目录缓存、串行调用
benchmarks/                 16 任务 benchmark 套件 + runner + 传输 shim
tests/                      基础层测试 + tests/agent/(单元 + 假 LLM 端到端循环)
docs/                       工具参考、使用示例、架构、Agent 设计文档

测试

pytest tests/agent -q                    # Agent 层:44 个测试
PYTHONPATH=src pytest tests/ --ignore=tests/blender_integration_test.py  # 基础层:84 个测试

包含假 LLM 端到端图测试:完整收敛循环、Tool Selection Repair 恢复路径、Reviewer 解析失败的显式处理。


文档


Roadmap

  • Phase 3 — Tool RAG:按任务检索候选工具,替代当前注入完整 218 工具目录的做法;当前指标即其对比基线。

  • Phase 4 — 视觉评审与记忆:基于现有 analyze_viewport 工具的多模态 Reviewer;跨会话记忆。

  • 将 Agent 自身再包装为 MCP server(对外暴露 run_3d_task 单一工具),供更上层的客户端调用。


许可与致谢

  • 本仓库AGPL-3.0-or-later

  • 上游基础RFingAdam/mcp-blender(隶属 eng-mcp-suite)——MCP server、Blender 插件与 218 个工具来自上游项目;Agent 智能层(agent/)、评估系统、Benchmark 与 Agent 文档为本 fork 的原创贡献

  • Blender 本体仍为 GPL 许可,仅运行时调用,不随本仓库分发。

LangGraph · MCP · Prompt 工程 · 评估体系。

-
license - not tested
-
quality - not tested
B
maintenance

Maintenance

Maintainers
Response time
Release cycle
Releases (12mo)
Commit activity

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Connectors

  • Free public MCP for AI agents — 193 tools, 44 workflows. No API key.

  • Hosted MCP server to manage a restaurant menu from AI agents - 39 tools over the DuckHub API.

  • MCP server for AI agents to plan, verify, and deploy Cloudflare-native apps.

View all MCP Connectors

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/SekaiNoOwari77/mcp-3d-modeling-agent'

If you have feedback or need assistance with the MCP directory API, please join our Discord server