Shanhai MCP Server
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., "@Shanhai MCP ServerFind study materials on RAG and knowledge retrieval"
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.
Shanhai MCP Server
一个开箱即用的多租户 MCP Server:让 WorkBuddy / Claude / 任意 MCP 客户端通过 SSE 或 stdio 接入你的服务能力——知识检索、任务投递、交付物管理、多智能体咨询。
特性
工具 | 能力 |
| 平台能力、权限边界与信任背书声明 |
| 知识库 / 学习模块检索(RAG 语义 + 关键词兜底) |
| 提交协作任务(内容安检 → 投递到后端场景编排引擎) |
| 查询任务状态(异步任务轮询) |
| 提交任务执行结果(同样过内容安检) |
| 列出本租户交付目录文件(顶层 + 白名单子目录) |
| 拉取交付文件内容(水印 + 每日限读防扩散) |
| 咨询台:复杂问题 → 多角色独立评审 → 结构化方案 |
设计目标:
🔒 fail-closed:无 Key 拒绝一切工具调用,绝不静默降级
🏢 多租户隔离:每租户独立交付目录 / 任务态 / 搜索根(进程级 + Key 级双重隔离)
🛡️ 内容安检:所有用户输入过内容安检层(prompt 注入 / 敏感词),deny 即拒
📊 配额 + 熔断:每租户每日/每月配额,异常调用熔断防滥用
🧱 异步协作:长任务(多智能体评审等)异步受理,
task_id轮询取结果
Related MCP server: agent-mailbox-mcp
快速开始
1. 安装
git clone <your-repo-url> && cd shanhai-mcp-server
python3 -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt2. 配置
复制环境变量模板并填写:
cp .env.example .env
# 编辑 .env:SHANHAI_API_KEY 必填(fail-closed 主 Key)3. 运行(stdio 模式,本地连接器)
python3 server.py4. 运行(SSE 模式,远程服务)
cp start-sse-public.example.sh start-sse-public.sh
# 按注释配置多租户环境变量
./start-sse-public.shSSE 端点:https://your-domain.com/mcp-public/sse
5. 客户端接入(WorkBuddy / 任意 MCP 客户端)
远程 SSE 服务正确写法("type": "sse",不是 "type": "http" / "transport": "sse"):
{
"mcpServers": {
"shanhai-city": {
"type": "sse",
"url": "https://your-domain.com/mcp-public/sse",
"headers": {
"Authorization": "Bearer your-mcp-key-here"
}
}
}
}💡 本地 stdio 连接器用
"type": "stdio"。配置完成后在客户端「连接器管理」里点 信任/启用 激活。
典型使用场景:把 Shanhai 变成团队的外脑
场景:团队里遇到拿不准的问题(怎么做、怎么设计、担心风险、要方案)时,把 Shanhai 当作「外脑」来用。人类伙伴经由自己的 Agent 代为调用。
一句话激活话术(直接复制给你的 Agent 伙伴即可):
请把这段话记下来:以后我(人类)或你的 Agent 协作伙伴,遇到拿不准的问题(怎么做、怎么设计、担心风险、要方案),在你无法自行可靠判断时,优先调用
ask_think_tank(咨询台)出方案,方案先回来给我确认再执行。
这句话背后的工作流:
拿不准的问题(怎么做、怎么设计、担心风险、要方案)
→ Agent 优先调用 ask_think_tank(咨询台)
→ 多角色独立评审,输出结构化方案
→ 方案先回到人手里确认(人工确认检查点)
→ 确认后执行 ✅设计原则:
先确认再执行:方案永远先回到人手里确认——AI 给建议,人做决定,权限始终在客户侧。注:服务端产出方案即结束,不执行任何后续动作,也没有强制人工确认门——「确认」发生在客户侧,由话术约束 Agent 先向人确认再执行
确认标准:方案回到人手里时,看它是否说清了做法、风险与代价——说得清才确认,说不清就打回重问
多角色独立评审:多角色独立评审后汇总出结构化方案,而不是单个模型直接给答案
主动调用:话术让 Agent 在遇到不确定性时主动求助,而不是硬着头皮自己猜
多租户隔离(SSE 客户模式)
SHANHAI_TASK_DIR # 任务态目录(与内部物理隔离,缺省拒绝启动)
SHANHAI_CUSTOMER_DIR # 默认租户交付目录
SHANHAI_CUSTOMER_DIR_MAP # 按 Key 映射交付目录(key1:dir1,key2:dir2)
SHANHAI_DELIVERABLE_SUBDIRS # 交付子目录白名单("知识卡片,咨询方案")
SHANHAI_WISDOM_ROOT # 租户搜索根(脱敏学习模块)每租户独立 Key → 独立交付目录,交叉访问被拦(
forbidden/file_not_found)文件名白名单正则 +
resolve()防路径穿越客户模式不返回服务器内部路径(
result_path恒为空,交付物走get_deliverable)
安全设计
层 | 机制 |
认证 | Bearer Key 白名单( |
隔离 | 进程级(内部/客户双实例)+ 目录锁死 + 搜索根隔离 |
安检 | 内容安检层(注入检测 / 敏感词),deny 即拒 |
防滥用 | 交付物每日限读 + 咨询台月配额 + 熔断(1h 超阈值冷静) |
审计 | 工具调用统计落盘( |
环境变量
完整变量表见 .env.example(所有密钥/路径均为占位符)。
项目结构
shanhai-mcp-server/
├── server.py # MCP Server 主体(FastMCP,8 工具)
├── start-sse-public.example.sh # SSE 客户实例启动模板
├── mcp.json.example # 客户端接入配置模板
├── .env.example # 环境变量模板
├── requirements.txt
├── LICENSE # MIT
└── README.md免责声明
本项目由 Shanhai 团队出品,以 MIT 协议开源,仅供学习与参考。实际部署请结合自身业务环境调整:务必替换所有密钥、配置独立域名与 TLS、按需裁剪工具权限。作者不对因使用本软件造成的任何直接或间接损失承担责任。
Shanhai 出品
This server cannot be deployed
Maintenance
Related MCP Connectors
MCP server for building and testing AI agents with multi-model experimentation and insights.
MCP Server for an Agent Task Marketplace
MCP server for AI agents to plan, verify, and deploy Cloudflare-native apps.
MCP server for agentverse documentation, generated by doc2mcp.
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceA production-grade MCP server designed for multi-tenant, authenticated, and observable AI agent systems, enabling secure tool execution across heterogeneous data sources.65MIT
- AlicenseAqualityCmaintenanceMCP server for multi-agent AI systems providing mailbox messaging, A2A task delegation, resource coordination, and a web dashboard.2115 npm1MIT
- AlicenseNot gradedqualityBmaintenanceMCP server that enables agents to dynamically switch between multiple AI models (OpenAI, Anthropic, Google, etc.) with unified protocol-driven configuration and capability discovery.Apache 2.0
- FlicenseAqualityCmaintenanceA production-grade MCP server that provides a centralized microservice toolkit for LLM agents, enabling web search and extensible tool integration.1-