Skip to main content
Glama
yecllsl

ConsensusWeaverAgent

by yecllsl
OverviewSchemaRelated ServersScoreDiscussions
Python
Local

ConsensusWeaverAgent

ConsensusWeaverAgent 是一个基于 MCP 协议的多 AI 平台答案聚合服务。它通过 Playwright 浏览器自动化，并行向 5 个中文 AI WebApp 提问，收集所有可用答案后由 TRAE 进行汇总、分析与共识提炼。

支持的 AI 平台：豆包、智谱清言、DeepSeek、千问、元宝。

核心功能

  • 并行提问：使用 asyncio.gather 同时向多个平台提问。

  • 答案收集：每个平台返回原始答案、元数据、截图和 HTML 片段。

  • 登录状态管理：每个平台使用独立的持久化用户数据目录，保持登录状态。

  • MCP 工具暴露：提供 ask_ai、list_platforms、check_login、capture_screenshot 四个工具。

  • 共识合成：TRAE 读取成功平台的答案，提炼共识、标注分歧、补充独立观点。

Related MCP server: Claude Code AI Collaboration MCP Server

架构

mcp_server.py  →  PlatformManager  →  BrowserPool
                                    →  DoubaoAdapter
                                    →  ChatGLMAdapter
                                    →  DeepSeekAdapter
                                    →  QianwenAdapter
                                    →  YuanbaoAdapter

  • adapters/：各平台适配器，封装导航、登录检查、提问、等待、截图、开新对话逻辑。

  • core/：配置加载、浏览器池、平台管理器。

  • mcp_server.py：FastMCP 入口，暴露工具。

安装

pip install -r requirements.txt
python -m playwright install chromium

运行时需要在项目根目录放置 config.yaml。

运行

python mcp_server.py

测试

# 全部测试
python -m pytest

# 仅单元测试（不启动浏览器）
python -m pytest -m "not slow and not integration and not e2e"

# 单个文件
python -m pytest tests/unit/test_config.py -v

MCP 工具

工具

说明

ask_ai

并行提问，返回各平台结果与汇总

list_platforms

列出支持的 AI 平台及状态

check_login

检查/等待平台登录状态

capture_screenshot

对指定平台当前页面截图

配置

config.yaml 示例：

browser:
  headless: false
  viewport_width: 1280
  viewport_height: 800

platforms:
  doubao:    { enabled: true, name: "豆包",    base_url: "https://www.doubao.com" }
  chatglm:   { enabled: true, name: "智谱清言", base_url: "https://chatglm.cn" }
  deepseek:  { enabled: true, name: "DeepSeek", base_url: "https://chat.deepseek.com" }
  qianwen:   { enabled: true, name: "千问",    base_url: "https://qianwen.com/chat" }
  yuanbao:   { enabled: true, name: "元宝",    base_url: "https://yuanbao.tencent.com/chat" }

defaults:
  timeout: 120
  min_success: 3
  max_concurrent: 5

在 Trae 中使用

本项目既可以通过 MCP Server 被任意 Agent 调用，也提供了 ConsensusWeaver Skill 供 TRAE 直接触发，实现“用户提问 → 并行询问多个 AI → TRAE 合成共识答案”的完整工作流。

1. 启动 MCP Server

python mcp_server.py

MCP Server 启动后会暴露 ask_ai、list_platforms、check_login、capture_screenshot 四个工具。

2. 在 Trae 中注册 MCP Server

在 Trae 的 MCP 配置中添加 ConsensusWeaver，例如：

{
  "mcpServers": {
    "ConsensusWeaver": {
      "command": "python",
      "args": [
        "%项目所在目录%/ConsensusWeaverAgent/mcp_server.py"
      ],
      "env": {}
    }
  }
}

路径请替换为你本地克隆后的实际位置。

3. 安装 ConsensusWeaver Skill

将本仓库中的 Skill 文件：

.trae/skills/consensusweaver/SKILL.md

复制到 Trae 的 skills 目录下（如 .trae/skills/consensusweaver/SKILL.md），使 TRAE 能够识别并触发该 skill。

4. 使用工作流

当用户在 Trae 中提出需要多角度参考的问题时：

  1. TRAE 自动触发 ConsensusWeaver skill。

  2. Skill 调用 MCP 的 ask_ai，默认同时向 5 个平台提问，最少 3 个成功即进入汇总。

  3. TRAE 读取 results 中 status 为 success 的答案。

  4. TRAE 提炼共识、保留互补观点、标注分歧，并说明失败平台原因。

典型触发问题：

  • “如何学习 Python？请给出不同角度的建议。”

  • “比较 Vue 和 React 的适用场景。”

  • “用 ConsensusWeaver 问一下：未来火星移民最先要解决哪些问题？”

目录结构

.
├── adapters/           # 平台适配器
├── core/               # 浏览器池、平台管理器、配置
├── tests/              # 单元/集成/E2E 测试
├── scripts/            # 调试与测试脚本
├── .trae/skills/       # Trae Skill 定义
├── data/               # 用户数据、截图、日志、测试报告
├── mcp_server.py       # MCP 入口
├── config.yaml         # 配置文件
└── requirements.txt    # Python 依赖

许可

MIT

This server cannot be installed

F
license - not found
-
quality - not tested
B
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.

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/yecllsl/ConsensusWeaverAgent'

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