elvatis-mcp
Officialelvatis-mcp
MCP-Server für OpenClaw – macht dein Smart Home, Speichersystem, Cron-Automatisierung und die Orchestrierung von KI-Sub-Agenten für Claude Desktop, Cursor, Windsurf und jeden MCP-kompatiblen KI-Client verfügbar.
Was ist das?
elvatis-mcp verbindet Claude (oder jeden MCP-Client) mit deiner Infrastruktur:
Smart-Home-Steuerung über Home Assistant (Lichter, Thermostate, Staubsauger, Sensoren)
Speichersystem mit täglichen Protokollen, die auf deinem OpenClaw-Server gespeichert werden
Cron-Verwaltung und Auslösung von Cron-Jobs
Multi-LLM-Orchestrierung über 5 KI-Backends: Claude, OpenClaw, Google Gemini, OpenAI Codex und lokale LLMs
Intelligente Prompt-Aufteilung, die komplexe Anfragen analysiert, Teilaufgaben an die richtige KI weiterleitet und den Plan mit Rate-Limiting ausführt
Die Grundidee: Claude ist der Orchestrierer, kann aber spezialisierte Arbeit an andere KI-Modelle delegieren. Programmieraufgaben gehen an Codex. Recherchen gehen an Gemini. Einfache Formatierung geht an dein lokales LLM (kostenlos, privat). Trading und Automatisierung gehen an OpenClaw. prompt_split ermittelt das Routing automatisch, und prompt_split_execute führt den Plan mit Rate-Limiting für Cloud-Agenten aus.
Related MCP server: hass-mcp-server
Was ist MCP?
Das Model Context Protocol ist ein offener Standard von Anthropic, der es KI-Clients ermöglicht, sich mit externen Tool-Servern zu verbinden. Nach Konfiguration kann Claude deine Tools direkt aufrufen – ganz ohne Kopieren und Einfügen.
Multi-LLM-Architektur
You (Claude Desktop / Code / Cursor)
|
MCP Protocol (stdio/HTTP)
|
elvatis-mcp server
|
+--------+--------+--------+--------+--------+--------+
| | | | | | |
Claude OpenClaw Gemini Codex Local llama Home
(CLI) (SSH) (CLI) (CLI) LLM .cpp Asst.
| | | | (HTTP) (proc) (REST)
Reason Plugins 1M ctx Coding | | |
Write Trading Multi- Files LM Stu Turbo- Lights
Review Auto. modal Debug Ollama Quant Climate
Notify Rsch Shell (free!) cache VacuumSub-Agenten-Vergleich
Tool | Backend | Transport | Authentifizierung | Am besten geeignet für | Kosten |
| Claude (Anthropic) | Lokale CLI | Claude-Code-Login | Komplexes Denken, Schreiben, Code-Review. Für Nicht-Claude-MCP-Clients. | API-Nutzung |
| OpenClaw (Plugins) | SSH | SSH-Key | Trading, Automatisierung, mehrstufige Workflows | Selbstgehostet |
| Google Gemini | Lokale CLI | Google-Login | Langer Kontext (1 Mio. Tokens), multimodal, Recherche | API-Nutzung |
| OpenAI Codex | Lokale CLI | OpenAI-Login | Programmierung, Debugging, Dateibearbeitung, Shell-Skripte | API-Nutzung |
| LM Studio / Ollama / llama.cpp | HTTP | Keine | Klassifizierung, Formatierung, Extraktion, umschreiben | Kostenlos |
Sitzungswiederaufnahme bei Sessions
claude_run, gemini_run und codex_run nutzen die CLI-Sitzungswiederaufnahme, um den Cold-Start-Overhead zu eliminieren. Beim ersten Aufruf wird eine neue Sitzung erstellt; nachfolgende Aufrufe führen sie fort, sodass das Modell nur die neue Nachricht erhält, statt den gesamten Gesprächsverlauf erneut zu verarbeiten.
Metrik | Ohne Sitzungswiederaufnahme | Mit Sitzungswiederaufnahme |
Größe des Prompts pro Anfrage | 18–25 KB | <1 KB (nur die neue Nachricht) |
Antwortzeit von Claude Sonnet | 80–120 s (50 % Hänger-Rate) | 5–10 s |
Stille Hänger-Rate | ~50 % | Nahe bei 0 % |
Sitzungen werden in ~/.openclaw/cli-bridge/cli-sessions.json gespeichert und nach 2 Stunden Inaktivität oder 50 Anfragen ungültig. In jeder Antwort wird die session_id zurückgegeben, damit du prüfen kannst, welche Sitzung verwendet wurde.
Intelligente Prompt-Aufteilung
Das Tool prompt_split analysiert komplexe Prompts und zerlegt sie in Teilaufgaben:
User: "Search my memory for TurboQuant notes, summarize with Gemini,
reformat as JSON locally, then save a summary to memory"
prompt_split returns:
t1: openclaw_memory_search -- "Search memory for TurboQuant" (parallel)
t3: local_llm_run -- "Reformat raw notes as clean JSON" (parallel)
t2: gemini_run -- "Summarize the key findings" (after t1)
t4: openclaw_memory_write -- "Save summary to today's log" (after t2, t3)Verwende prompt_split_execute, um den Plan automatisch auszuführen, oder lass Claude ihn Schritt für Schritt ausführen. Aufgaben werden in Abhängigkeitsreihenfolge verarbeitet, wobei parallele Gruppen gleichzeitig ausgeführt werden. Es gibt drei Analyse-Strategien:
Strategie | Geschwindigkeit | Qualität | Verwendungszweck |
| Sofort | Gut für eindeutige Prompts | Schlüsselwort-Matching, kein LLM-Aufruf |
| 5–30 s | Bestes Reasoning | Dein lokales LLM analysiert den Prompt |
| 5–15 s | Beste Qualität | Gemini-Flach analysiert den Prompt |
| Variabel | Bestmögliche | Kurzschließt einfache Prompts, versucht dann gemini → local → heuristic |
Verfügbare Tools (insgesamt 34)
Home Assistant (7 Tools)
Tool | Beschreibung |
| Liest den Zustand eines beliebigen Home-Assistant-Knotens |
| Steuert die Beleuchtung: an/aus/umschalten, Helligkeit, Farbtemperatur, RGB |
| Steuert Tado-Thermostate: Temperatur, HVAC-Modus |
| Aktiviert Hue-Szenen pro Raum |
| Steuert den Roborock-Saugroboter: starten, stoppen, zur Ladestation, Status |
| Liest alle Temperatur-, Feuchtigkeits- und CO2-Sensoren |
| Listet HA-Automatisierungen auf, löst sie aus, aktiviert oder deaktiviert sie |
Speicher (3 Tools)
Tool | Beschreibung |
| Schreibt eine Notiz in das heutige Tagesloggment |
| Listet das heutige Speicherprotokoll |
| Durchsucht Speicherdateien der letzten N Tage über N Tage |
Cron-Automatisierung (7 Tools)
Tool | Beschreibung |
| Listet alle geplanten OpenClaw-Cron-Jobs auf |
| Löst einen Cron-Job sofort per ID aus |
| Ruft den Scheduler-Status und den Verlauf der letzten Ausführungen ab |
| Erstellt einen neuen Cron-Job (Cron-Ausdruck, Intervall oder einmalig) |
| Bearbeitet einen Cron-Job (Name, Nachricht, Zeitplan, Modell) |
| Löscht einen Cron-Job per ID |
| Zeigt den Verlauf der letzten Ausführungen eines Cron-Jobs |
OpenClaw-Agent (4 Tools)
Tool | Beschreibung |
| Sendet einen Prompt an den OpenClaw-KI-Agenten (alle Plugins aktiviert) |
| Prüft, ob der OpenClaw-Daemon läuft |
| Listet alle installierten Plugins auf |
| Sendet eine Benachrichtigung über WhatsApp, Telegram oder den zuletzt genutzten Kanal |
KI-Sub-Agenten (5 Tools)
Tool | Beschreibung |
| Sendet einen Prompt an Claude über die lokale CLI. Für Nicht-Claude-MCP-Clients (Cursor, Windsurf). |
| Sendet einen Prompt an Google Gemini über die lokale CLI. 1-Mio.-Token-Kontext. |
| Sendet eine Programmieraufgabe an OpenAI Codex über die lokale CLI. |
| Sendet einen Prompt an ein lokales LLM (LM Studio, Ollama, llama.cpp). Kostenlos, privat. Unterstützt Streaming. |
| Startet/stoppt/konfiguriert einen llama.cpp-Server mit TurboQuant-Cache-Unterstützung. |
Systemverwaltung (4 Tools)
Tool | Beschreibung |
| Health-Check für alle Dienste gleichzeitig mit Latenz (HA, SSH, LLM, CLIs) |
| Mom- und Entladen von Modellen auf LM Studio / Ollama |
| Anzeigen von Gateway-, Agent- oder Systemprotokollen des OpenClaw-Servers |
| Hoch-, runter- und Auflisten von Dateien auf dem OpenClaw-Server über SSH |
Routing und Orchestrierung (3 Tools)
Tool | Beschreibung |
| Zeigt einen Routingleitfaden um. Übergib eine Aufgabe, um eine konkrete Hammer-Empfehlung für das Objekt zu erhalten. |
| Analysiert einen komplexen Prompt und zerlegt ihn in Teilaufgaben mit Agenten-Zuordnung. |
| Führt einen Split-Plan aus: Teilaufgaben werdenn den AgentL in Anzahl einer Reihenfolge mit Rate-Limiting zugewiesen. |
Dashboard
Endpunkt | Beschreibung |
| Automatisch aktualisierendes HTML-Dashboard (Service-Zustand, geladende Modelle) |
| JSON-API für programmatische Zustandsabfragen |
Testergebnisse
Allenvorab: Alle Tests laufen gegen Live-Dienste (LM Studio mit Deepseek R1 Qwen3 8B, OpenClaw-Server via SSH).
elvatis-mcp integration tests
Local LLM (local_llm_run)
Model: deepseek/deepseek-r1-0528-qwen3-8b
Response: "negative"
Tokens: 401 (prompt: 39, completion: 362)
PASS local_llm_run: simple classification (21000ms)
Extracted: {"name":"John Smith","age":34}
PASS local_llm_run: JSON extraction (24879ms)
Error: Could not connect to local LLM at http://localhost:19999/v1/chat/completions
PASS local_llm_run: connection error handling (4ms)
Prompt Splitter (prompt_split)
Strategy: heuristic
Agent: codex_run
Summary: Fix the authentication bug in the login handler
PASS prompt_split: single-domain coding prompt routes to codex (1ms)
Strategy: heuristic
Subtasks: 3
t1: codex_run -- "Refactor the auth module"
t2: openclaw_run -- "check my portfolio performance and"
t3: home_light -- "turn on the living room lights"
Parallel groups: [["t1","t3"],["t2"]]
Estimated time: 90s
PASS prompt_split: heuristic multi-agent splitting (0ms)
Subtasks: 4, Agents: openclaw_memory_write, gemini_run, local_llm_run
Parallel groups: [["t1","t3","t4"],["t2"]]
PASS prompt_split: cross-domain with dependencies (1ms)
Strategy: local->heuristic (fallback)
Subtasks: 1
PASS prompt_split: local LLM strategy (with fallback) (60007ms)
Routing Guide (mcp_help)
Guide length: 2418 chars
PASS mcp_help: returns guide without task (0ms)
Recommendation: local_llm_run (formatting task)
PASS mcp_help: routes formatting task to local_llm_run (0ms)
Recommendation: codex_run (coding task)
PASS mcp_help: routes coding task to codex_run (0ms)
Memory Search via SSH (openclaw_memory_search)
Query: "trading", Results: 5
PASS openclaw_memory_search: finds existing notes (208ms)
-----------------------------------------------------------
11 passed, 0 failed, 0 skipped
-----------------------------------------------------------Führe die Tests selbst aus:
npx tsx tests/integration.test.tsVoraussetzungen: .env konfiguriert, lokaler LLM-Server läuft, über SSH erreichbarer OpenClaw-Server.
Benchmarks
Vollständige Benchmark-Suite, Methodik und Anleitung für Community-Beiträge findest du in BENCHMARKS.md.
Referenz-Hardware
Komponente | Spezifikation |
CPU | AMD Threadripper 3960X (24 Kerne / 48 Threads) |
GPU | AMD Radeon RX 9070 XT Elite (16 GBGDDR6) |
RAM | 128 GB DDR4ER |
OS | Windows 11 Pro |
Laufzeit | LM Studio + Vulkan ( |
Lokale LLM-Inferenz (LM Studio, Vulkan-GPU, --gpu max)
Median aus 3 Läufen, max_tokens=512. Aufgaben: Klassifizierung (1-Wort-Sentiment), Extraktion (JSON), Schlussfolgerung (Arithmetik), Codegenerierung (Python-Funktion). Vulkan ist die empfohlene Laufzeit für die AMD RX 9070 XT (4 von 5 Modellen gegenüber ROCm gewonnen).
Modell | Parameter | classify | extract | reason | code | Ø tok/s |
Phi 4 Mini Reasoning | 3B | 2.6s | 1.9s | 4.7s | 4.8s | 106 |
Deepseek R1 0528 Qwen3 | 8B | 3.0s | 6.5s | 7.2s | 7.4s | 70 |
Qwen 3.5 9B | 9B | 6.2s | 4.0s | 8.4s | 7.2s | 48 |
Phi 4 Reasoning Plus | 15B | 0.4s | 9.7s | 3.5s | 9.9s | 40 |
GPT-OSS 20B | 20B | 0.6s | 0.6s | 0.6s | 1.9s | 63 |
GPU-Beschleunigung vs. CPU (Deepseek R1 8B, Vulkan): classify 7.2x schneller, extract 3.8x schneller.
Sub-Agent-Vergleich (gleiche Aufgabe, verschiedene Backends)
Agent | Backend | Ø Latenz | Kosten | Hinweise |
local_llm_run | GPT-OSS 20B (Vulkan GPU) | 1.0s | Kostenlos | 4x schneller als Codex, 6x schneller als Claude |
codex_run | OpenAI Codex CLI | 4.1s | Pay-per-use | Am besten für Programmieraufgaben |
claude_run | Claude Sonnet 4.6 | 6.3s (5-10s bei Sitzungsfortsetzung) | Pay-per-use | Am besten für komplexe Reasoning-Aufgaben |
gemini_run | Gemini 2.5 Flash | 34.0s | Kostenlose Stufe | CLI-Startup-Overhead, am besten für lange Kontexte |
Service-Latenz (system_status)
Service | Latenz | Hinweise |
Home Assistant (REST API) | 48-84 ms | Lokales Netzwerk, direktes HTTP |
OpenClaw SSH | 273-299 ms | LAN-SSH + Befehlsausführung |
Local-LLM (Modellliste) | 19-38 ms | LM Studio localhost-API |
Claude CLI (Versionscheck) | 472-478 ms | CLI-Startup-Overhead |
Codex CLI (Versionscheck) | 131-136 ms | CLI-Startup-Overhead |
Gemini CLI (Versionscheck) | 4.700-4.900 ms | CLI-Startup + Auth-Prüfung |
prompt_split-Genauigkeit (heuristische Strategie)
Metrik | Ergebnis |
Erfolgsquote | 10/10 (100%) |
Genauigkeit der Aufgabenanzahl | 10/10 (100%) |
Ø-Agenten-Übereinstimmung | 100% |
Latenz | <1ms (kein LLM-Aufruf) |
Verbesserungen in v0.8.0+: Regex-Abgleich mit Wortgrenzen, Komma-Splitting bei Klauseln für Multi-Agent-Prompts, Routing-Regeln pro Tool, openclaw_notify-Routing. Den vollständigen Testkorpus findest du in BENCHMARKS.md.
Möchtest du Benchmarks deiner Hardware beitragen? Siehe BENCHMARKS.md.
Anforderungen
Node.js 18 oder höher
OpenSSH-Client (vorinstalliert auf Windows 10+, macOS, Linux)
Eine laufende OpenClaw-Instanz, die per SSH erreichbar ist
Eine Home-Assistant-Instanz mit einem langlebigen Zugriffstoken
Optional (für Sub-Agents):
claude_run:npm install -g @anthropic-ai/claude-codeund einmalclaudeausführen, um dich zu authentifizierengemini_run:npm install -g @google/gemini-cliundgemini auth logincodex_run:npm install -g @openai/codexundcodex loginlocal_llm_run: ein OpenAI-kompatibler lokaler Server:
Installation
Global installieren:
npm install -g @elvatis_com/elvatis-mcpOder direkt über npx verwenden (keine Installation erforderlich):
npx @elvatis_com/elvatis-mcpJede Version wird von GitHub Actions aus einem gepushten v*-Tag erstellt und veröffentlicht – aus genau dem Commit, den der Tag benannt.
SECURITY.md beschreibt, was dieser Ablauf garantiert und was nicht, und wie du eine installierte Version verifizierst.
Im CHANGELOG.md ist festgehalten, was jede Version enthält.
Wo kann ich es verwenden?
elvatis-mcp funktioniert in jedem MCP-kompatiblen Client. Jeder Client verwendet seine eigene Konfigurationsdatei.
Client | Transport | Konfigurationsdatei |
Claude Desktop / Cowork (Windows MSIX) | stdio |
|
Claude Desktop / Cowork (macOS) | stdio |
|
Claude Code (global, alle Projekte) | stdio |
|
Claude Code (nur dieses Projekt) | stdio |
|
Cursor / Windsurf / andere | stdio oder HTTP | Siehe App-Dokumentation |
Claude Desktop und Cowork nutzen dieselbe Konfigurationsdatei. Claude Code ist ein separates System.
Konfiguration
1. Erstelle deine .env-Datei
cp .env.example .env# Required
HA_URL=http://your-home-assistant:8123
HA_TOKEN=your_long_lived_ha_token
SSH_HOST=your-openclaw-server-ip
SSH_USER=your-ssh-username
SSH_KEY_PATH=~/.ssh/your_key
# Optional: Local LLM
LOCAL_LLM_ENDPOINT=http://localhost:1234/v1 # LM Studio default
LOCAL_LLM_MODEL=deepseek-r1-0528-qwen3-8b # or omit to use loaded model
# Optional: Sub-agent models
GEMINI_MODEL=gemini-2.5-flash
CODEX_MODEL=o32. Konfiguriere deinen MCP-Client
Claude Desktop (macOS)
Bearbeite ~/Library/Application Support/Claude/claude_desktop_config.json:
{
"mcpServers": {
"elvatis-mcp": {
"command": "npx",
"args": ["-y", "@elvatis_com/elvatis-mcp"],
"env": {
"HA_URL": "http://your-home-assistant:8123",
"HA_TOKEN": "your_token",
"SSH_HOST": "your-openclaw-server-ip",
"SSH_USER": "your-username",
"SSH_KEY_PATH": "/Users/your-username/.ssh/your_key"
}
}
}
}Claude Desktop (Windows MSIX)
Öffne diese Datei (erstelle sie bei Bedarf):
%LOCALAPPDATA%\Packages\Claude_pzs8sxrjxfjjc\LocalCache\Roaming\Claude\claude_desktop_config.json{
"mcpServers": {
"elvatis-mcp": {
"command": "C:\\Program Files\\nodejs\\node.exe",
"args": ["C:\\path\\to\\elvatis-mcp\\dist\\index.js"],
"env": {
"HA_URL": "http://your-home-assistant:8123",
"HA_TOKEN": "your_token",
"SSH_HOST": "your-openclaw-server-ip",
"SSH_USER": "your-username",
"SSH_KEY_PATH": "C:\\Users\\your-username\\.ssh\\your_key"
}
}
}
}Unter Windows immer vollständige absolute Pfade angeben. Die MSIX-Sandbox erkennt
~oder relative Pfade nicht auf.
Claude Code (dieses Projekt)
Kopiere .mcp.json.example nach .mcp.json (gitignored, wird nie committet) und trage deine Pfade und SSH-Daten ein. Kopiere danach .env.example nach .env für die restliche Konfiguration.
Claude Code (global)
claude mcp add --scope user elvatis-mcp -- node /path/to/elvatis-mcp/dist/index.jsHTTP-Transport (Remote-Clients)
MCP_TRANSPORT=http MCP_HTTP_PORT=3333 npx @elvatis_com/elvatis-mcpVerbinde deinen Client mit http://dein-server:3333/mcp.
Umgebungsvariablen
Steuerung Hauptbeschreibung:
Erforderlich
Variable | Beschreibung |
| Home-Assistant-Basis-URL, z.B. |
| Hostname oder IP des OpenClaw-Servers |
Optional
Variable | Standard | Beschreibung | |
| – | Langlebiges Home-Assistant-Zugriffstoken | |
|
| SSH-Port | |
|
| SSH-Benutzername | |
|
| Pfad zum SSH- | |
|
| URL des OpenClaw-Gateways | |
| – | Optionales API-Token für das Gateway | |
| – | Benannter Agent für | |
|
| Standardmodell für | |
| – | Standardmodell für | |
`graphql_LLM_ENDPOINT | ` |
| URL des lokalen LLM-Servers (LM-Studio-Standard) |
| – | Standardmodellfür das lokale LLM (leer lassen, um das geladene Modell des Servers zu verwenden) | |
|
| Transportmodus: | |
|
| HTTP-Port | |
| – | Auf | |
|
| Verzeichnis für dauerhafte Nutzungsdaten (Ratenbegrenzung) | |
| – | JSON-String mit Überschreibungen der Ratenbegrenzungen pro Agent |
Lokales LLM-Setup
elvatis-mcp funktioniert mit jedem OpenAI-kompatiblen lokalen Server. Drei verkzeugte Optionen:
LM Studio (empfohlen für Desktop)
Lade es herunter von lmstudio.ai
Lade ein Modell (z.B. Deepseek R1 Qwen3 8B, Phi 4 Mini)
Klicke in der Seitenleiste auf „Local Server“ und aktiviere es
Der Server läuft unter
http://localhost:1234/v1(Standard)
Ollama
ollama serve # starts server on port 11434
ollama run llama3.2 # downloads and loads modelSetze LOCAL_LLM_ENDPOINT=http://localhost:11434/v1 in deiner .env.
llama.cpp
llama-server -m model.gguf --port 8080setze LOCAL_LLM_ENDPOINT=http://localhost:8080/v1 in deiner .env.
Empfohlene Modelle nach Aufgabe
Modell | Größe | Beste Wahl für |
Phi 4 Mini | 3B | Schnelle Klassifizierung, Formatierung, Extraktion |
Deepseek R1 Qwen3 | 8B | Reasoning, Analyse, Prompt-Splitting |
Phi 4 Reasoning Plus | 15B | Komplexes Reasoning mit hoher Qualität |
GPT-OSS | 20B | Allgemeine Zwecke, längere Antworten |
Reasoning-Modelle (Deepseek R1, Phi 4 Reasoning) umgeben ihre Gedankengänge mit ``-tags. elvatis-mcp entfernt diese automatisch, um dir saubere Antworten zu liefern.
SSH-Einrichtung
Die cron-, Memory- und OpenClaw-Tools kommunizieren per SSH mit deinem Server.
Auf Windows löst elvatis-mcp den SSH-Binary automatisch über ssh.exe unter C:\Windows\System32\OpenSSH\ssh.exe auf und wiederholt bei temporären Verbindungsfehlern. Setze SSH_DEBUG=1 für ausführliche Ausgabe.
# Verify connectivity
ssh -i ~/.ssh/your_key your-username@your-server "openclaw --version"
# Optional: SSH tunnel for OpenClaw WebSocket gateway
ssh -i ~/.ssh/your_key -L 18789:127.0.0.1:18789 -N your-username@your-serverSlash-Befehl /mcp-help
In Claude Code zeigt der Slash-Befehl /mcp-help den kompletten Routing-Guide für alle 34 Tools als formatierte Ausgabe an:
/mcp-help # full guide
/mcp-help openclaw_status # help for a specific tool
/mcp-help analyze this trading strategy for risk # routing recommendationRatenbegrenzung
Cloud- Sub-Agents (claude_run, codex_run, gemini_run) sind ratenbegrenzt, um unkontrollierbare Kosten zu verhindern. Standardeinstellungen:
Agent | /min | /Std | /Tag | Geschätzte Kosten |
| 5 | 30 | 200 | $0.03 |
| 5 | 30 | 200 | $0.02 |
| 10 | 60 | 500 | $0.01 |
Lokale Agents (local_llm_run, home_*, openclaw_*) sind unbegrenzt.
Nutzungsdaten werden persistent in ~/.elvatis-mcp/usage.json gespeichert. Überschreibe Raten mit der Umgebungsvariable RATE_LIMITS:
RATE_LIMITS='{"claude_run":{"perMinute":3,"perDay":100}}'Entwicklung
Entwicklungsmodus:
git clone https://github.com/elvatis/elvatis-mcp
cd elvatis-mcp
npm install # builds automatically via prepare script
cp .env.example .env # fill in your values
node dist/index.js # starts in stdio mode, waits for MCP clientWatch-Modus für den Live-Build:
npm run devIntegrationstests ausführen:
npx tsx tests/integration.test.tsProjektstruktur
src/
index.ts MCP server entry, tool registration, transport, dashboard
config.ts Environment variable configuration
dashboard.ts Status dashboard HTML renderer
ssh.ts SSH exec helper (Windows/macOS/Linux)
spawn.ts Local process spawner for CLI sub-agents (supports stdin piping)
session-registry.ts CLI session registry: persist/resume Claude, Gemini, Codex sessions
tools/
home.ts Home Assistant: light, climate, scene, vacuum, sensors
home-automation.ts HA automations: list, trigger, enable, disable
memory.ts Daily memory log: write, read, search (SSH)
cron.ts OpenClaw cron: list, run, status (SSH)
cron-manage.ts OpenClaw cron: create, edit, delete, history (SSH)
openclaw.ts OpenClaw agent orchestration (SSH)
openclaw-logs.ts OpenClaw server log viewer (SSH)
notify.ts WhatsApp/Telegram notifications via OpenClaw
claude.ts Claude sub-agent (local CLI, for non-Claude clients)
gemini.ts Google Gemini sub-agent (local CLI)
codex.ts OpenAI Codex sub-agent (local CLI)
local-llm.ts Local LLM sub-agent (OpenAI-compatible HTTP)
local-llm-models.ts LM Studio model management (list/load/unload)
llama-server.ts llama.cpp server manager (start/stop/configure)
file-transfer.ts File upload/download via SSH
system-status.ts Unified health check across all services
splitter.ts Smart prompt splitter (multi-strategy)
split-execute.ts Plan executor with agent dispatch and rate limiting
help.ts Routing guide and task recommender
routing-rules.ts Shared routing rules and keyword matching
rate-limiter.ts Rate limiting + cost tracking for cloud sub-agents
tests/
unit.test.ts 42 unit tests (no external services needed)
integration.test.ts Live integration testsLizenz
Apache-2.0 – Copyright 2026 Elvatis
Maintenance
Resources
Unclaimed servers have limited discoverability.
Looking for Admin?
If you are the server author, to access and configure the admin panel.
Related MCP Servers
- AlicenseBqualityDmaintenanceAn MCP server that integrates with the OpenClaw API to enable AI assistants to send messages across multiple platforms, execute system commands, and manage calendar events and emails.51MIT
- AlicenseAqualityCmaintenanceMCP server for full Home Assistant control, enabling AI agents to manage dashboards, automations, files, apps, entities, and more via REST API, WebSocket, and SSH.66116MIT
- AlicenseNot gradedqualityAmaintenanceMCP server with persistent memory, voice understanding, multi-thread orchestration, and remote control via Telegram for AI assistants.2,2995MIT
- AlicenseNot gradedqualityDmaintenanceMCP server providing persistent memory, goal tracking, self-reflection, and background monitoring for any MCP-compatible AI agent.1MIT
Related MCP Connectors
MCP server for AI agents to plan, verify, and deploy Cloudflare-native apps.
An MCP memory server. One memory your agents share — across models, devices and apps.
Cloud-hosted MCP server for durable AI memory
Latest Blog Posts
- Who's Calling? MCP Hosts Are an Identity Blind Spot (And the Spec Knows It)By Om-Shree-0709 on .mcpAgent IdentityOAuth 2.1
- Your AI Chatbot Just Exposed Your CEO's Salary to an InternBy Om-Shree-0709 on .Agent IdentityMCP SecurityOAuth Delegation
- Why MCP Servers Need Execution Sandboxing (And Why Your Current Stack Isn't Enough)By Om-Shree-0709 on .Agentic AiPrompt InjectionWebAssembly
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/elvatis/elvatis-mcp'
If you have feedback or need assistance with the MCP directory API, please join our Discord server