Skip to main content
Glama
deenesjakoruzh
aniketmehetre

Local Workspace Orchestrator

by aniketmehetre
OverviewSchemaRelated ServersScoreDiscussions
Python
Local

Local Workspace Orchestrator

Ein MCP (Model Context Protocol)-Client-Server-System, das Anthropic Claude über eine Reihe von Workspace-Tools mit Ihrem lokalen Dateisystem verbindet. Der Orchestrator ermöglicht es Claude, Dateien zu lesen, CSV-Dateien zu analysieren, Skripte auszuführen, Diagramme zu erstellen und mehr — alles über eine interaktive Chat-Oberfläche.

Architektur

┌───────────────────────────┐        stdio         ┌──────────────────────────┐
│  orchestrator_client.py   │ ◄──────────────────► │  workspace_server.py     │
│  (MCP Client + Anthropic) │     MCP protocol     │  (FastMCP Server)        │
│                           │                      │                          │
│  • Connects to 1+ servers │                      │  Tools:                  │
│  • Streams Claude output  │                      │   • list_workspace_files │
│  • Retries failed calls   │                      │   • summarize_csv_dataset│
│  • Saves chat history     │                      │   • execute_python_script│
│                           │                      │   • write_file           │
│                           │                      │   • run_shell_command    │
│                           │                      │   • plot_column_distrib. │
│                           │                      │                          │
│                           │                      │  Resources:              │
│                           │                      │   • workspace://files    │
│                           │                      │   • workspace://schema/* │
└───────────────────────────┘                      └──────────────────────────┘

Schnellstart

1. Klonen und installieren

git clone <your-repo-url>
cd local-workspace-orchestrator

# Using uv (recommended)
uv sync

# Or using pip
pip install -r requirements.txt

2. Richten Sie Ihren API-Schlüssel ein

cp .env.example .env
# Edit .env and paste your Anthropic API key

3. Führen Sie den Orchestrator aus

# Using uv
uv run orchestrator_client.py

# Or directly
python orchestrator_client.py

Sie sehen die interaktive Eingabeaufforderung:

======================================================
   Local Workspace Orchestrator Active
   Type queries, or /help for commands, 'quit' to exit.
======================================================

Orchestrator >

4. Probieren Sie einige Abfragen aus

Orchestrator > list all files in this workspace
Orchestrator > summarize the sample_consumer.csv dataset
Orchestrator > plot the distribution of SpendingScore in sample_consumer.csv
Orchestrator > run the run_analysis.py script

Serverkonfiguration

Der Orchestrator liest server_config.json, um zu erfahren, welche MCP-Server gestartet werden sollen. Das Format verwendet die Standard-MCP-mcpServers-Struktur:

{
  "mcpServers": {
    "workspace_orchestrator": {
      "command": "uv",
      "args": ["run", "workspace_server.py"]
    }
  }
}

Weitere Server hinzufügen

Sie können mehrere Server verbinden — die Tools jedes Servers werden automatisch erkannt und registriert:

{
  "mcpServers": {
    "workspace_orchestrator": {
      "command": "uv",
      "args": ["run", "workspace_server.py"]
    },
    "my_other_server": {
      "command": "python",
      "args": ["other_server.py"]
    }
  }
}

Chat-Befehle

Befehl

Beschreibung

/tools

Alle registrierten Tools nach Server auflisten

/save [filename]

Gesprächsverlauf in JSON-Datei speichern

/load [filename]

Ein gespeichertes Gespräch laden

/reconnect <server>

Verbindung zu einem getrennten Server wiederherstellen

/history

Anzahl der Gesprächsnachrichten anzeigen

/clear

Gesprächsverlauf löschen

/help

Alle verfügbaren Befehle anzeigen

quit

Orchestrator beenden

Verfügbare Tools

Schreibgeschützte Tools

Tool

Beschreibung

list_workspace_files

Dateien und Unterverzeichnisse in einem Workspace-Pfad auflisten

summarize_csv_dataset

Form, Spalten, dtypes und zusammenfassende Statistiken für eine CSV-Datei zurückgeben

run_shell_command

Einen freigegebenen Shell-Befehl ausführen (ls, cat, grep usw.)

Destruktive Tools

Tool

Beschreibung

write_file

Eine Datei im Workspace erstellen oder überschreiben

execute_python_script

Ein Python-Skript ausführen und stdout/stderr zurückgeben

plot_column_distribution

Ein Histogramm-PNG für eine CSV-Spalte erzeugen

Ressourcen

URI

Beschreibung

workspace://files

Listet alle Dateien im Workspace-Stammverzeichnis auf

workspace://schema/{file_name}

Spaltennamen + dtypes für eine CSV-Datei

Sicherheit

  • Schutz vor Pfad-Traversal: Alle Tools, die Dateien akzeptieren, validieren Pfade mithilfe von os.path.realpath() + pathlib.Path.resolve(), um Angriffe durch Verzeichnis-Traversal zu verhindern.

  • Shell-Befehls-Zulassungsliste: run_shell_command erlaubt nur eine kuratierte Auswahl schreibgeschützter Befehle (ls, cat, grep, head, tail usw.).

  • Skript-Sandboxing: execute_python_script führt Skripte in einem Unterprozess mit einem 30-Sekunden-Timeout aus, der über cwd auf das Workspace-Verzeichnis beschränkt ist. Hinweis: Dies ist keine echte Sandbox — der Unterprozess besitzt dieselben Betriebssystem-Berechtigungen wie der Serverprozess.

  • Tool-Annotationen: Jedes Tool trägt readOnlyHint- / destructiveHint-Annotationen, damit MCP-Clients die Sicherheit einschätzen können.

CLI-Optionen

python orchestrator_client.py --help

options:
  --log-level {DEBUG,INFO,WARNING,ERROR}   Set logging verbosity (default: INFO)
  --system-prompt TEXT                     Custom system prompt for Claude
  --config PATH                            Path to server_config.json

Umgebungsvariablen

Variable

Beschreibung

Standard

ANTHROPIC_API_KEY

Ihr Anthropic-API-Schlüssel (erforderlich)

—

LOG_LEVEL

Ausführlichkeit der Protokollierung

INFO

Projektstruktur

local-workspace-orchestrator/
├── orchestrator_client.py    # MCP client + Anthropic integration
├── workspace_server.py       # FastMCP server with workspace tools
├── server_config.json        # MCP server connection configuration
├── main.py                   # Stub entry point
├── run_analysis.py           # Example analysis script
├── sample_consumer.csv       # Sample dataset
├── pyproject.toml            # Project metadata + dependencies
├── requirements.txt          # Pinned pip dependencies
├── .env.example              # API key template
├── .gitignore                # Git ignore rules
└── README.md                 # This file

Lizenz

MIT

This server cannot be installed

-
license - not tested
Not graded
quality - not tested
C
maintenance

How are these scores calculated?

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

  • Frenchie

    OCR, transcription, file extraction, and image generation for AI agents via MCP.

  • mcp

    Augments MCP Server - A comprehensive framework documentation provider for Claude Code

  • AgentDrive

    Cross-agent artifact workspace with provenance across Claude Code, Codex, Cursor, LangGraph.

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/aniketmehetre/local_workspace_orchestrator-MCP-SERVER'

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