Civitas
Civitas
Civitas ist ein autonomes Multi-Agenten-System zur Lebensmittelbeschaffung, das Verhandlung, Evidenz-Herkunftsanalyse, adaptive Neuplanung, deterministische Optimierung und abgesicherte MCP-Ausführung kombiniert. Die angestrebte Produktschnittstelle ist ein Codex-kompatibler MCP-Server: Operatoren formulieren ein Beschaffungsziel in natürlicher Sprache, Codex ruft die Werkzeuge auf Absichtsebene von Civitas auf, und Civitas übernimmt den vollständigen Planungs- und Sicherheitsworkflow.
Spezialisierte Parliament-Agenten untersuchen konkurrierende Ziele und vergleichen die vom Solver erzeugten Beschaffungsalternativen. Eine evidenzbewusste Jury bewertet anschließend Herkunft, echte Quellenunabhängigkeit, Widersprüche und gegnerischen Dissens, bevor eine Aktion die Sicherheitsgrenze der Ausführung passieren kann.
Die React-Anwendung ist ein optionaler, schreibgeschützter Betrachter für Evidenz- und Ausführungsaudits und nicht der primäre Einstiegspunkt des Produkts. Das Repository enthält strenge eingehende MCP-Verträge, die transportneutrale Beschaffungsfassade, eine deterministische Integrationssuite und die betrachterbasierte False-Consensus-Demonstration. Die Bereitstellungskomposition, die diese Bausteine mit PostgreSQL, einem dauerhaften Worker und echten Beschaffungsanbietern verbindet, bleibt umgebungsspezifisch. Siehe MCP_INTERFACE.md, MCP_AGENT_WORKPLAN.md, PLAN.md, AGENTS.md, TECH_STACK.md und SECURITY.md.
Produktschnittstelle
Die beabsichtigte Bereitstellung hat MCP auf beiden Seiten der Anwendung:
Operator → Codex → Civitas MCP server → planning / Jury / execution services
→ procurement-provider MCP serversCodex ist verantwortlich für Konversation, Absichtserfassung, Fortschrittsberichterstattung und die Präsentation von Genehmigungsanfragen. Civitas bleibt maßgeblich für typisierte Eingaben, Evidenzabruf, Optimierung, Parliament, Jury und Dissent, Neuplanung, Frische-Revalidierung, Genehmigungsbindung, Idempotenz und Ausführungsprüfung. Eine Modell- oder Chatnachricht kann diese Kontrollen nicht umgehen.
Die primäre Interaktion sollte so klein wie möglich sein:
User: Protect seven days of demand across our warehouses while minimizing waste.
Codex: Civitas found false consensus on a stale lead-time source and replanned.
The revised plan has Integrity 92/100 and all hard gates pass.
Approve the exact plan for execution?Related MCP server: sentarion-mcp
Entwicklung
Voraussetzungen: Python 3.12, uv, Node.js 24, pnpm 10.31.0 und Docker Compose.
uv sync --frozen --all-groups
pnpm install --frozen-lockfile
docker compose up -d postgres
uv run alembic upgrade headPostgreSQL hört standardmäßig auf Port 55432, um eine Kollision mit einer lokalen Installation zu vermeiden. Setzen Sie CIVITAS_POSTGRES_PORT, um diesen zu überschreiben.
Führen Sie die erforderlichen Prüfungen wie folgt aus:
uv run ruff format --check .
uv run ruff check .
uv run mypy
uv run pytest
pnpm format
pnpm lint
pnpm typecheck
pnpm buildFühren Sie die aktuelle Demonstrations-API und den optionalen Audit-Betrachter lokal wie folgt aus:
uv run uvicorn civitas.api.app:create_app --factory --host 127.0.0.1 --port 8001
pnpm --filter @civitas/web devDer Vite-Entwicklungsserver leitet /api-Anfragen an http://127.0.0.1:8001 weiter.
civitas.api.app:create_app ist die lokale, simulierte Demonstrations-API. Sie verwendet keinen Live-Anbieter und verursacht keine echten Beschaffungsnebenwirkungen. Halten Sie sie an Loopback gebunden. Die persistenzgestützte API-Factory in civitas.api.guarded_api erfordert ein Bearer-Token von mindestens 32 Zeichen und eine Organisationsbindung, wenn sie durch eine Bereitstellung zusammengesetzt wird.
Demo
Die aktuelle End-to-End-Integrationsdemo ist eine False-Consensus-Fallakte. Sie beginnt damit, dass Anbieter A auf der Grundlage gemeinsamer veralteter Evidenz gewinnt, durchläuft eine Clean-Room-Dissent-Prüfung, öffnet die Planung erneut, genehmigt Anbieter B nach frischer öffentlicher Evidenz und führt anschließend eine Frische-Revalidierung und eine vor Duplikaten geschützte MCP-Ausführung durch.
Führen Sie die Golden-Suite wie folgt aus:
uv run pytest tests/golden/test_scenarios.py -qFühren Sie die integrationsorientierten Prüfungen wie folgt aus:
uv run pytest tests/integration/test_demo_api.py tests/unit/execution/test_service.py tests/contract/test_mcp_integration.py -qFür die Offline-Betrachterdemonstration öffnen Sie http://127.0.0.1:5173, wählen Sie False consensus with clean-room dissent und starten Sie den Lauf. Der SSE-Stream wird erzeugt, während das Szenario ausgeführt wird. Die Ereignisliste sollte diese Abfolge zeigen:
evidence retrieval
→ Parliament proposal / challenge / concession
→ Jury investigate
→ clean-room Dissent evidence
→ replanning
→ Jury approve
→ freshness revalidation
→ execution succeeded
→ duplicate execution downgraded to duplicateTool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
Related MCP Connectors
Control plane for autonomous software labor. Agents claim objectives over MCP with audit trail.
Coordinate multiple AI agents over MCP: atomic claims, leases, shared ledger, handoffs, tasks.
Multi-agent governance: task orchestration, compliance, decision validation, and ML predictions.
AI work orchestration for plans, tasks, teams, and coding-agent dispatch.
Related MCP Servers
- AlicenseAqualityDmaintenanceEnables any MCP client to drive a multi-agent orchestration engine with planning, specialist tools, critic revision, and human-in-the-loop approval for sensitive actions.3MIT
- AlicenseCqualityAmaintenanceEnables governed multi-agent orchestration with pre-dispatch cost estimation, dependency-aware dispatch, and auditable recall, all protected by a fail-closed policy gate.13Apache 2.0
- FlicenseCqualityBmaintenanceEnables AI agents to collaborate via shared blackboard state, multi-agent deliberation, human-in-the-loop proposal approval, operating-mode control, and audit logging through MCP.11-
- AlicenseNot gradedqualityCmaintenanceAn MCP server that enables Alexa+ to autonomously orchestrate multi-step household tasks by decomposing goals into parallel tool calls — cross-session memory and dietary/allergy auditing, culinary planning with wine pairings, Amazon Fresh cart assembly with human-in-the-loop purchase approval, smart-home ambiance and climate control, and calendar scheduling. It pairs AWS Bedrock multi-agent reasoning with Streamable HTTP transport and interactive generative UI cards, carousels, and live IoT sliders.MIT