Click on "Deploy Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type @ followed by the MCP server name and your instructions, e.g., "@devbench Run the tests for the current project and summarize failures"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
iThome 鐵人賽 2026 · 全程零 API 成本，所有程式碼都在本機模型上真的跑過。
這個 repo 是整個系列的程式碼與實測數據。文章本身發表在 iThome， 不放在這裡（同一份內容放兩個地方會變成重複內容）。
outputs/ 底下那 11 份 .txt 是關鍵：文章裡每一段「執行結果」都不是手打的，
是用 scripts/run_day.sh 從真機抓回來、再原封不動貼上去的。
你可以拿它們跟自己機器上跑出來的數字對照。
30 天疊出一個叫 devbench 的東西：一個本機開發者工作台。 它從一個 MCP Server 開始，長成一群會分工的 Agent。
Day 1-5 Python 地基 型別 / async / 裝飾器 —— 全部是 MCP SDK 的語法基石
Day 6-10 MCP 協定 三大原語 / JSON-RPC / 傳輸層 / 寫出第一個 Server
Day 11-20 Agent 框架 安全治理 / ADK / LangGraph / ReAct / Plan-and-Execute
Day 21-30 Multi-Agent Supervisor / 記憶 / 評估 / OpenClaw / NVIDIA PAIR① 一個 endpoint 走到底。
從 Day 5 起，全專案只有 src/ironman/config.py 一個地方知道推論端點在哪。
Day 29 裝上 NVIDIA PAIR 之後，同一個 port 會變成整個區網的推論叢集，
而前面 28 天的程式碼一行都不用改。
tests/test_config.py 有一條測試在守這件事——誰把端點寫死，CI 就擋誰。
② Day 1-4 不是無關的 Python 教學。
Day | 語法主題 | 在 Day 10 的回收處 |
2 | 型別提示 / dataclass / Pydantic | tool 的 input schema 就是 |
3 | async / await / asyncio | MCP 協定全非同步 |
4 | 裝飾器 / context manager / generator |
|
Related MCP server: agentic-mcp-server
這個系列跑在一台 NVIDIA GB10（DGX Spark 級） 上：
Ubuntu 24.04.4 LTS / aarch64 · 20 核 · 121 GB 統一記憶體
NVIDIA GB10, driver 580.142
Ollama 0.32.14但你不需要同款機器。除了 Day 28-29 的多節點實測之外， 任何跑得動 Ollama 的機器都能完整重現——把模型換小一點就行。
不是拍腦袋決定的，是 Day 1 實測六個模型跑出來的結果
（完整數據見 outputs/day01.txt）：
角色 | 模型 | 為什麼 |
主力 |
| 86.4 tok/s，而且是唯一答對「MCP 是什麼」的模型 |
小模型 |
| 59.7 tok/s，夠小才開得起高並行（Day 3 / 22 / 29） |
對照組 |
| 交叉驗證 tool schema 沒有綁死單一模型 |
# 1. 裝 uv（user-level，不碰系統 Python）
curl -LsSf https://astral.sh/uv/install.sh | sh
# 2. 建環境
git clone git@github.com:jrlinjr/local-mcp-agent-30days.git
cd local-mcp-agent-30days
uv sync
# 3. 確認 Ollama 通了、模型都在
uv run ironman doctor
# 4. 隨便問一句
uv run ironman chat "用一句話說明 MCP" --streamuv run python days/day01_bench/main.py # 模型選型實測
uv run python days/day02_typing/main.py # dataclass vs Pydantic
uv run python days/day03_async/main.py # 並行度掃描
uv run python days/day04_decorators/main.py # 手刻 @tool 裝飾器
uv run python days/day05_first_llm/main.py # 第一支 LLM 呼叫
uv run python days/day07_primitives/main.py # MCP 三大原語
uv run python days/day08_jsonrpc/raw_client.py # 手刻 JSON-RPC（不用 SDK）
uv run python days/day08_jsonrpc/raw_client.py --sdk # 手刻 client 打官方 server
uv run python days/day09_transport/main.py # stdio vs Streamable HTTP
uv run python days/day10_mcp_server/client_demo.py # devbench MCP Server
uv run pytest -q # 全部測試repo 根目錄已經有一份 .mcp.json：
{
"mcpServers": {
"devbench": {
"command": "uv",
"args": ["run", "python", "days/day10_mcp_server/server.py"]
}
}
}在專案目錄開 Claude Code 就會自動載入，devbench 的四個工具直接可用。
如果你的 GPU 機器不是你打字的那台（我就是），
scripts/ 底下兩支腳本讓你不用在筆電裝任何東西：
cp .env.example .env.local # 填入你的遠端主機（.env.local 不進版控）
bash scripts/sync.sh # 本機 → 遠端（rsync，本機是唯一權威來源）
bash scripts/run_day.sh 03 # 在遠端跑 day03，輸出抓回 outputs/day03.txt主機名刻意不寫死在版控裡——它是內部基礎設施資訊，不該出現在公開 repo。
run_day.sh 抓回來的輸出會先過 scripts/scrub.py，把絕對路徑與主機名換成
<專案根目錄> 之類的中性字樣，因為那些輸出會被原封不動貼進文章。
uv run pytest -q # 36 項端到端測試，不 mock
python3 scripts/verify_outputs.py # 文章數字 vs outputs/ 逐字比對verify_outputs.py 掃過每篇文章的程式碼區塊，把有數字的實測宣稱（tok/s、秒數、byte 數、pid、JSON-RPC 訊息框）挑出來，到 outputs/ 裡逐字比對，找不到就失敗。程式重跑之後數字會變，這條檢查會逼我把文章一起更新，而不是留著舊值。
文章不在這個 repo 裡，所以 clone 下來跑它會說「沒有文章可查核」，那是正常的。留著它是為了說清楚 outputs/ 裡那些數字是怎麼被把關的。
tests/test_config.py 裡有一條測試在守伏筆一：全專案只有 config.py 可以寫死推論端點，誰違反誰就掛。
scripts/scrub.py 在擷取輸出時自動抹掉絕對路徑與主機名——那些輸出會被原封不動貼進文章，不該帶著我的使用者名稱跑出去。
文章發表於 iThome 鐵人賽 2026。這裡列出對應的程式碼與實測輸出。
Day | 主題 | 程式碼 | 實測輸出 |
1 | 開賽宣言：模型選型實測 | ||
2 | 型別提示、dataclass 與 Pydantic | ||
3 | async / await 與 asyncio | ||
4 | 裝飾器、Context Manager、Generator | ||
5 | 用 uv 建專案 + 呼叫第一支 LLM API | ||
6 | MCP 是什麼：Host / Client / Server | 觀念篇 | — |
7 | MCP 三大原語：Tools、Resources、Prompts | ||
8 | JSON-RPC 2.0 與 MCP 訊息生命週期 | ||
9 | 傳輸協定：stdio vs Streamable HTTP | ||
10 | 實作：用 Python SDK 寫一個 MCP Server |
src/ironman/ 共用地基
config.py ★ 唯一的設定來源（Day 29 的伏筆）
models.py Day 2 的資料模型，後面一路沿用
llm.py ★ 全系列唯一打 Ollama 的地方
cli.py uv run ironman ...
days/ 每一天的可執行範例
outputs/ 真實執行輸出（文章裡每個數字的來源）
tests/ 端到端測試，不 mock
scripts/ 遠端執行、輸出清洗、數字查核MCP Python SDK 用的是 2.x。v1 的 from mcp.server.fastmcp import FastMCP
已改名為 from mcp.server.mcpserver import MCPServer，
且回應物件的欄位從 camelCase 改成 snake_case
（protocolVersion → protocol_version）。
網路上多數教學還停在 v1，照抄會直接爆——Day 10 有完整說明。
程式碼採用 MIT License，隨你使用、修改、散布。
文章本身不在這個 repo 裡（發表於 iThome），著作權另計。 若你在自己的文章或簡報引用這裡的實測數據，附上出處連結就好。
查看專案最近的 git commit 紀錄。
Inputs: count. Returns: result
依照 glob 樣式列出專案內的檔案。
Inputs: limit, pattern. Returns: result
讀取專案內的一個檔案並回傳內容（附行號）。
Inputs: path (required), max_lines. Returns: result
在專案內執行 pytest 並回傳結果摘要。
Inputs: target. Returns: result
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
Scored across 4 tools
Each tool performs a distinct operation: listing files, running tests, viewing git history, and reading file contents. There is no overlap or ambiguity between any pair of tools.
The verb_noun pattern is mostly consistent (list_files, run_tests, read_file), but git_log deviates slightly as it reads more like a noun compound than a verb phrase. Overall, naming is clear and predictable.
Four tools is a well-scoped set for a development inspection environment. Each tool serves a clear purpose without redundancy, and the count feels neither too thin nor bloated.
The tool set covers the core read-only workflows: enumerating, reading, testing, and version tracking. Missing write/edit capabilities could be a gap in some augmentation contexts, but for a benchmark or inspection tool, this surface is mostly sufficient.
Self-hosted AI workspace: semantic RAG document search, long-term memory, and AI chat via MCP.
GitHub Copilot MCP: code, repo, PR, workflow tools for AI assistants.
MCP server that lets your AI assistant build and deploy apps, hosting each one at a live URL.
AI-native git hosting — repos, PRs, issues, CI gates, and AI code review over MCP (60 tools).
