What can you do with this server?

Mini Agent MCP is an intelligent agent server combining built-in utility tools, web search capabilities, and a ReAct-based autonomous agent to complete complex multi-step tasks. It supports client-side LLM reasoning via MCP Sampling or direct OpenAI-compatible API calls. 🤖 ReAct Autonomous Agent (run_agent) * Plans and executes multi-step tasks using a Thought → Action → Observation loop * Chains up to 8 tool calls, combining any available tools automatically * Falls back to a rule-based engine if no LLM is configured 🧮 Built-in Utility Tools * Calculator: Evaluate mathematical expressions (arithmetic, trig, logarithms, constants like pi/e) * Text Analysis (text_stats): Get character/word/sentence/paragraph counts, average word length, and most frequent words * Text Transform (text_transform): Apply uppercase, lowercase, titlecase, reverse, trim, sort lines, remove duplicates, count/replace substrings * Unit Conversion (unit_convert): Convert length, weight, temperature, and data storage units * Date & Time (datetime_info): Get current date/time (with timezone support), format dates, or calculate differences between dates * Random Generation (random_gen): Generate random integers, UUID v4s, custom passwords, or pick/shuffle items from a list 🔍 AnySearch Web Tools * Search (anysearch_search): General or vertical web searches (finance, academic, legal, health, etc.) * Batch Search (anysearch_batch_search): Run up to 5 parallel search queries in a single call * URL Extraction (anysearch_extract): Fetch and convert any webpage's content to clean Markdown (up to 50,000 characters) * Domain Discovery (anysearch_get_sub_domains): Discover available vertical search sub-domains and required parameters before performing specialized searches

Which integrations are available for this server?

Allows the MCP server to call an OpenAI-compatible API for LLM reasoning, enabling the agent to perform complex multi-step tasks using either client-side sampling or direct HTTP with OpenAI models.

How do I use Mini Agent MCP?

1. Click on "Install Server". 2. Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state. 3. In the chat, type @ followed by the MCP server name and your instructions, e.g., "@Mini Agent MCP Search for the area of Canada and convert to square kilometers." 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.

Mini Agent MCP

by Microbiosis

Overview Schema Related Servers Score Discussions

TypeScript

Local

Mini Agent MCP

npm version npm downloads GitHub license GitHub stars MCP Node.js

一个基于 FastMCP + OpenAI SDK 的 MCP 智能代理服务器
集成 ReAct Agent、DAG 工作流、深度研究、持久化记忆、技能学习、AnySearch 检索等能力
单二进制即可托管 / 本地部署 / 嵌入任意 MCP 客户端

一、这是什么

mini-agent-mcp 是一个遵循 Model Context Protocol (MCP) 的 stdio / SSE 服务器：

对外只暴露 1 个 MCP 工具：run_agent——用于没有子 Agent 的应用注入一个"子智能体"
对内托管一个 ReAct 推理代理，自主调用 14 个内部工具（6 个基础工具 + 4 个 AnySearch 工具 + 高级 pipeline 等）完成任务
内置 DAG 工作流与多阶段深度研究管线
通过 ToolManager 统一管理超时、并发、重试、门禁
通过 .memory/ 与 .skills/ 实现本地持久化记忆和技能学习

支持三种 LLM 通信模式（自动级联 fallback）：

MCP Sampling — 客户端模型，零配置
Direct HTTP — 通过 OpenAI SDK 直连任意兼容端点
Rule-based — 基于正则的模式匹配兜底

Related MCP server: mcp-toolkit

二、核心特性

模块	能力
🧮 基础工具	安全数学计算、文本统计、文本转换、单位换算、日期时间、随机生成
🤖 ReAct Agent	原生 Function Calling 多步推理，自动匹配历史技能，Hook 注入
🔗 DAG 工作流	有向无环图编排，并行执行无依赖节点，自动注入上游结果
🔍 深度研究	拆解子问题 → 并行检索 → 综合报告，三阶段管线
💾 记忆系统	4 类标签化持久记忆，按访问频次 LRU 检索
🎯 技能系统	完成任务后提取可复用技能，新任务自动匹配
🌐 AnySearch 集成	自动发现并接入检索工具，仅供 Agent 内部调用
🛡️ 工具门禁	输入长度上限、错误分类、智能重试、超时控制
🔌 三模式 LLM	Sampling → HTTP → Rule-based 透明级联 fallback
🪝 Hooks 扩展	在 LLM 调用前后注入自定义逻辑（Yao 模式）

三、架构总览

┌─────────────────────────────────────────────────────────────────────┐
│                       MCP 客户端 (Claude / ZCode)                   │
│              tools/list 只见 1 个工具: run_agent                    │
│              tools/call 仅可调 run_agent                            │
└─────────────────────────────┬───────────────────────────────────────┘
                              │ run_agent(task)
┌─────────────────────────────▼───────────────────────────────────────┐
│                         FastMCP Server                              │
│              run_agent — 唯一对外的 MCP 工具                          │
└─────────────────────────────┬───────────────────────────────────────┘
                              │
┌─────────────────────────────▼───────────────────────────────────────┐
│                       ToolManager (singleton)                       │
│   超时 / 并发上限 / 智能重试 / 输入门禁 / 调用历史                  │
│   14 个内部工具（外面看不见）                                       │
└─────────────────────────────┬───────────────────────────────────────┘
                              │
        ┌─────────────────────┼──────────────────────┐
        │                     │                      │
        ▼                     ▼                      ▼
   6 个本地工具       run_agent（唯一对外工具）     .memory / .skills
   (calculator, ...   + 内部高级 pipeline              (持久化)
                     仅 Agent 内部使用)
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────────┐
│                    ReAct Agent (src/agent/react.ts)                 │
│                                                                     │
│   LLM ←── CreateHook ── messages ──→ LLM ──→ NextHook → 响应校验    │
│    │                                                              │
│    │ tool_calls                                                    │
│    ▼                                                              │
│  buildToolList() = 6 本地工具 + AnySearch 4 个内部工具              │
│  (AnySearch 懒加载：首次 run_agent 调用时发现并缓存)                │
│                                                                     │
│   ┌─────────────────────────┐    ┌─────────────────────────┐       │
│   │   LLM 模式 (优先级)      │    │     Fallback 链          │       │
│   │   1. MCP Sampling        │ →  │   失败 → 降级到下一模式  │       │
│   │   2. Direct HTTP         │    │                         │       │
│   │   3. Rule-based          │    │                         │       │
│   └─────────────────────────┘    └─────────────────────────┘       │
└─────────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────────┐
│                    持久化层 (本地 JSON)                             │
│   .memory/memories.json   ── 4 类记忆 (fact/preference/task/conv)   │
│   .skills/skills.json     ── 标签评分技能库                         │
└─────────────────────────────────────────────────────────────────────┘

**AnySearch 懒加载时序**：
1. 服务器启动 → 仅注册 `run_agent` 到 FastMCP + 6 个本地工具到内部 ToolManager
2. 客户端调用 `run_agent` → Agent 触发 `ensureAnySearchTools()`
3. 首次：HTTP 连接到 `api.anysearch.com/mcp` 发现工具，缓存 1 小时
4. 后续：命中缓存（除非 TTL 过期或调用 `resetAnySearchCache()`）

四、快速上手

4.1 MCP 客户端配置

stdio 模式（最常用）— 复制到客户端的 MCP 配置文件中：

{
  "mcpServers": {
    "mini-agent-mcp": {
      "type": "stdio",
      "command": "npx",
      "args": ["-y", "mini-agent-mcp"],
      "env": {
        "ANYSEARCH_API_KEY": "",
        "LLM_API_KEY": "sk-your-key",
        "LLM_BASE_URL": "https://api.longcat.chat/openai/v1",
        "LLM_MODEL": "LongCat-2.0",
        "LLM_MAX_TOKENS": "4096"
      }
    }
  }
}

也可直接使用 node dist/index.js 启动本地编译产物（见 §4.3）。

SSE 模式（可选）— 通过 node dist/index.js --sse 启用 httpStream 传输。

4.2 `.env` 配置（fallback）

服务器启动时按以下顺序查找 .env（第一个存在即生效）：

process.cwd()/.env — 启动时的工作目录
<dist 上一级>/.env — 即 npm install 后的项目根目录（dist/index.js 启动场景）
<dist 上两级>/.env — 项目根目录的父目录

⚠️ 通过 npx -y mini-agent-mcp 全局拉起时，process.cwd() 取决于 MCP 客户端的工作目录，不一定等于项目根。推荐同时在 MCP 配置文件的 env 块中显式注入变量（见 §4.1），以避免查找路径不一致带来的配置漂移。

cp .env.example .env

# AnySearch API Key（可选 — 不填则匿名访问，有较低速率限制）
ANYSEARCH_API_KEY=

# LLM 直接调用配置（仅 Direct HTTP 模式需要）
LLM_API_KEY=
LLM_BASE_URL=https://api.longcat.chat/openai/v1
LLM_MODEL=LongCat-2.0
LLM_MAX_TOKENS=4096

# 可选：多供应商切换（见 §9.2）
# LLM_PROVIDER=openai
# LLM_PROVIDERS_PATH=/abs/path/to/providers.json

# Agent 行为调优
AGENT_MAX_TURNS=5          # ReAct 推理步数上限（1-50）
AGENT_TOOL_RETRY=1         # 工具失败重试次数（0-3）

# ToolManager 调优
TOOL_MAX_CONCURRENT=10     # 并发执行上限
TOOL_RETRY_COUNT=2         # 瞬时错误重试（0-5）

4.3 本地开发

git clone https://github.com/Microbiosis/mini-agent-mcp.git
cd mini-agent-mcp
npm install
npm run build          # tsc 编译到 dist/
node dist/index.js           # 启动 MCP 服务器（stdio）
node dist/index.js --test    # 自检模式：调用全部 14 个工具
node dist/index.js --sse     # 启用 HTTP Stream 传输

--test 模式运行完成后会 process.exit(0)，适合做 CI 自检。

4.4 验证安装

echo '{"jsonrpc":"2.0","id":1,"method":"initialize","params":{"protocolVersion":"2024-11-05","capabilities":{},"clientInfo":{"name":"probe","version":"1"}}}' \
  | npx mini-agent-mcp

正常情况下会返回 14 个工具的 schema。

五、MCP 工具参考

5.1 唯一对外工具（外部 Agent 唯一可调）

工具	参数	用途	超时
`run_agent`	`task: stringmode?: 'auto'\|'rule'`	把任务委派给内置 ReAct Agent；Agent 自动选择并调用 14 个内部工具完成。`rule` 强制正则模式（无需 LLM）	120s

run_agent 返回结构：

Task: 计算 sqrt(15) + 8
Mode: LLM-powered (HTTP)
Steps: 2

--- Reasoning Trace ---
[Step 1]
  Thought: ...
  Action: calculator
  Observation: Expression: sqrt(15) + 8
Result: 11.872983346207417
[Step 2]
  Thought: ...
  Final Answer: 11.87

--- Final Answer ---
11.87

5.2 内部工具（仅 Agent 可见，外部 tools/list 不可见）

下面 14 个工具不通过 MCP tools/list 暴露——只能由 run_agent 内的 ReAct 循环自动调用。客户端 Agent 通过 run_agent(task) 委派任务，Agent 在内部根据需要挑选并执行这些工具。

基础工具（6 个 — 同步、确定性）

内部工具	参数	用途
`calculator`	`expression: string`	安全数学求值（递归下降解析器，无 `eval()`）。支持 `+ - * / % ^`、括号、函数 `sqrt abs sin cos tan asin acos atan log ln exp floor ceil round`、常量 `pi e`
`text_stats`	`text: string`	字符数、词数、句数、段数、平均词长、Top 5 高频词
`text_transform`	`text: stringoperation` (9 种)`pattern?: stringreplacement?: string`	uppercase/lowercase/titlecase/reverse/trim/remove_duplicates/sort_lines/count_substring/replace
`unit_convert`	`value: numberfrom: stringto: string`	长度/重量/温度/数据单位换算
`datetime_info`	`operation: 'now'\|'format'\|'diff'` + 配套参数	当前时间、格式转换、日期差
`random_gen`	`operation: 'number'\|'uuid'\|'password'\|'pick'\|'shuffle'` + 配套参数	随机整数/UUID/密码/采样/洗牌

高级 pipeline（3 个）

内部工具	用途
`run_workflow`	DAG 工作流编排（多个 Agent 任务按依赖执行）
`deep_research`	三阶段深度研究：拆解 → 检索 → 综合
(复合)	多阶段研究任务的串联入口

记忆工具（3 个 — 持久化到 `.memory/memories.json`）

内部工具	用途
`remember`	存储一条记忆（fact/preference/task/conversation）
`recall`	按标签检索 Top 5 记忆
`memory_stats`	返回记忆统计

技能工具（2 个 — 持久化到 `.skills/skills.json`）

内部工具	用途
`extract_skill`	提取一个可复用技能
`list_skills`	列出所有技能

AnySearch 工具（4 个 — 懒加载）

anysearch_search / anysearch_batch_search / anysearch_extract / anysearch_get_sub_domains（详见 §6）

💡 设计意图：本服务的核心定位是为没有子智能体的 Agent 应用注入"子智能体"能力。外部工具集保持极简（仅 run_agent），全部内部工具由 Agent 自治调度，避免暴露过多工具面干扰主 Agent 的选择。

六、AnySearch 内部工具

懒加载：AnySearch 工具不在启动时连接，而是等到首次调用 run_agent（或 deep_research）时，由 Agent 通过 ensureAnySearchTools() 触发发现 + 注册。这样：

服务器冷启动不受 AnySearch 网络影响
不使用 Agent 功能的客户端完全跳过 AnySearch
工具列表缓存 1 小时（可用 ANYSEARCH_CACHE_TTL_MS 覆盖）

发现后会注册到内部 ToolManager 的工具：

内部名称	功能
`anysearch_search`	通用搜索（支持金融、学术、法律等垂直领域）
`anysearch_batch_search`	1-5 个独立查询的并行搜索
`anysearch_extract`	URL 网页内容提取（最多 50,000 字符 Markdown）
`anysearch_get_sub_domains`	查询垂直领域目录

⚠️ 这些工具仅注册到内部 ToolManager，供 ReAct Agent 在推理循环中自主调用，不 通过 MCP tools/list 暴露给外部客户端——MCP tools/list 始终只返回 1 个工具：run_agent。

匿名可用：不设 ANYSEARCH_API_KEY 也能连接，只是有较低的速率限制；高级使用场景可填 Key 提升配额。

缓存策略：

默认 TTL：1 小时（环境变量 ANYSEARCH_CACHE_TTL_MS，设为 0 每次过期都重发现）
瞬时失败时：保留旧缓存（serving stale cache）—— 可用工具优先于无工具
手动刷新：调用 resetAnySearchCache()（来自 mini-agent-mcp/agent 或内部 API）

容错：MCPRuntime 状态机（idle → connecting → connected → degraded/error/disabled）自动处理瞬时错误（重试）和硬错误（401/403/DNS → 禁用），AnySearch 不可达不会阻塞 Agent 启动。

七、LLM 三模式 + Fallback

run_agent 启动时按优先级选择 LLM 调用方式，失败时自动降级：

┌─────────────────────────────────────────────────────────┐
│  runAgent(task)                                         │
│    ↓                                                    │
│  getLLMMode()                                           │
│    ├─► "sampling" (MCP 客户端支持时)                      │
│    │     ├─ 成功 → 返回                                  │
│    │     └─ 失败 → 检查 Direct HTTP 配置                 │
│    ├─► "http" (设置了 LLM_API_KEY + BASE_URL + MODEL)    │
│    │     ├─ 成功 → 返回                                  │
│    │     └─ 失败 → Fallback                              │
│    └─► "none" (Rule-based 兜底)                          │
│          └─ 永远可执行                                   │
└─────────────────────────────────────────────────────────┘

模式	触发条件	优点	限制
MCP Sampling	MCP 客户端注册了 `sampling` capability	零配置、客户端 LLM	依赖客户端支持
Direct HTTP	设置了 `LLM_API_KEY` + `LLM_BASE_URL` + `LLM_MODEL`	与客户端解耦、可托管	需要 API Key
Rule-based	上述都失败 / 显式 `mode='rule'`	无 LLM 也能跑	仅限 §5.1 基础工具能直接覆盖的任务（数学、单位换、时间、密码、UUID、文本统计、日期差）

关键 API：

getLLMMode(): 'sampling' | 'http' | 'none' — 检查当前可用模式
getLLMConfig() — 返回 Direct HTTP 配置（如有）

八、Hooks 系统（Yao 模式）

src/agent/react.ts 暴露两个 Hook 点，可在不修改 Agent 内核的前提下注入自定义行为：

import { addCreateHook, addNextHook, clearHooks } from "mini-agent-mcp";

addCreateHook(async (ctx, messages) => {
  // LLM 调用前，可注入 / 修改 / 取消消息
  // ctx: { task, step, maxSteps }
  // 返回 null → 取消本次 LLM 调用
  // 返回 messages 数组 → 替换为新消息
  if (ctx.step === 0) {
    messages.push({ role: "user", content: "[System] 请使用中文回答。" });
  }
  return messages;
});

addNextHook(async (ctx, response) => {
  // LLM 响应后，可校验 / 拦截
  // 返回 "stop" → 立即终止 Agent
  // 返回 "continue" 或 null → 正常继续
  if (response.content?.includes("ERROR")) return "stop";
  return null;
});

// 清空所有 Hook
clearHooks();

典型用途：

注入系统级提示词 / 安全约束
添加审计日志、调用统计
限制工具调用范围（前置门禁）
在响应出现危险模式时紧急停止

九、持久化层

9.1 Memory（`.memory/memories.json`）

interface Memory {
  id: string;               // mem_<timestamp>_<rand>
  type: "fact" | "preference" | "task" | "conversation";
  content: string;
  tags: string[];           // 用于检索
  timestamp: number;        // 创建时间（epoch ms）
  accessCount: number;      // recall 时递增，影响排序
}

检索算法：

标签完全匹配 → 直接召回
按 accessCount + recency 排序
默认返回 Top 5（recall(tags, limit=5)）

9.2 Skill（`.skills/skills.json`）

interface Skill {
  id: string;                  // skill_<timestamp>
  name: string;
  description: string;
  exampleTask: string;
  steps: string[];             // 步骤描述（注入到消息历史）
  tags: string[];              // 匹配关键词
  useCount: number;            // 累计被自动应用次数
  createdAt: number;           // 首次创建时间（永不更新）
  lastUsedAt?: number;         // 最近一次被 matchSkill 匹配并 useSkill() 的时间
  lastUpdatedAt?: number;      // 最近一次 extractSkill() 覆盖内容的时间
}

匹配评分（matchSkill(task)）：

每个匹配 tag：+10
每个 step 前 20 字符出现在 task 中：+5
仅返回 score > 0 的最佳匹配

自动应用：每次 runAgent 启动前都会调用 matchSkill()，若命中则把步骤作为 hint 注入 LLM 消息，并 useSkill() 增加计数 — 这就是"自我学习"的机制。

十、DAG 工作流

run_workflow 接受一个 JSON 数组，按有向无环图执行：

[
  {"id": "fetch", "label": "抓取",  "task": "用 search 工具查询 MCP 协议", "timeout": 60},
  {"id": "sum1",  "label": "摘要1", "task": "把上面的内容翻译成中文", "dependsOn": ["fetch"], "timeout": 30},
  {"id": "sum2",  "label": "摘要2", "task": "提取 3 个关键点",          "dependsOn": ["fetch"], "timeout": 30},
  {"id": "final", "label": "汇总",  "task": "合并两个摘要为最终报告",    "dependsOn": ["sum1", "sum2"]}
]

执行特性：

并行执行：无依赖关系（或依赖已完成的）的步骤会同时启动（Promise.all）
依赖注入：buildStepTask() 把上游步骤的 result.answer 拼到下游任务末尾
环检测：DFS 检测循环依赖，抛出明确错误
死锁处理：若没有 ready 步骤但未全部完成，剩余的标记为 blocked
超时：每步独立超时（秒），默认 60

返回结构：

{
  success: boolean,
  totalDurationMs: number,
  steps: [{ id, label, result, error?, durationMs }]
}

十一、深度研究（deep_research）

三阶段管线，5 分钟超时：

┌───────────────┐      ┌───────────────┐      ┌───────────────┐
│   1. 拆解      │ ──►  │   2. 检索      │ ──►  │   3. 综合      │
│               │      │               │      │               │
│ LLM 把问题    │      │ 每个子问题    │      │ LLM 收到所有  │
│ 拆成 3-5 个   │      │ 触发 run_agent│      │ findings +    │
│ 子问题        │      │ 自动调 search │      │ 原问题，生成  │
│ (fenced code) │      │ 收集 findings │      │ Markdown 报告 │
└───────────────┘      └───────────────┘      └───────────────┘

parseSubQuestions() 容错：

优先解析 fenced code block（``` ... ```）
降级到行扫描，只接受 "- " 开头且 ≥12 字符的行
默认最多 5 个子问题
解析失败 → fallback 为单问题 [原问题]

返回结构包含 subQuestions、totalSteps、durationMs 和完整的 Markdown 报告（执行摘要 + 关键发现 + 结论）。

十二、配置参考

12.1 全部环境变量

变量	必需	默认	用途
`LLM_API_KEY`	视模式	—	Direct HTTP 模式的 API Key（裸 Key，不带 `Bearer`）
`LLM_BASE_URL`	视模式	—	OpenAI 兼容端点（需含 `/v1`）
`LLM_MODEL`	视模式	—	模型名
`LLM_MAX_TOKENS`	否	`4096`	单次生成上限
`LLM_PROVIDER`	否	`default`	从 `providers.json` 选命名供应商
`LLM_PROVIDERS_PATH`	否	—	命名供应商配置文件路径
`AGENT_MAX_TURNS`	否	`5`	ReAct 推理步数上限（1-50）
`AGENT_TOOL_RETRY`	否	`1`	工具失败重试（0-3）
`TOOL_MAX_CONCURRENT`	否	`10`	ToolManager 并发上限
`TOOL_RETRY_COUNT`	否	`2`	瞬时错误重试（0-5）
`ANYSEARCH_API_KEY`	否	匿名	AnySearch 提升配额
`ANYSEARCH_CACHE_TTL_MS`	否	`3600000`	AnySearch 工具发现缓存 TTL（毫秒；`0` = 每次过期都重发现）

12.2 多供应商配置（`providers.json`）

{
  "openai": {
    "apiKey": "sk-...",
    "baseUrl": "https://api.openai.com/v1",
    "model": "gpt-4o-mini"
  },
  "deepseek": {
    "apiKey": "sk-...",
    "baseUrl": "https://api.deepseek.com/v1",
    "model": "deepseek-chat"
  }
}

启动时设置 LLM_PROVIDERS_PATH=/path/to/providers.json + LLM_PROVIDER=openai。

⚠️ 安全提示：providers.json 含明文 API Key，请务必：
加入 .gitignore，不要提交到仓库
文件权限设为 chmod 600（Linux/macOS）
在 CI/CD 中通过密钥管理服务注入，避免硬编码
推荐优先使用 .env + 环境变量方式（§4.2），多供应商配置仅在需要运行时切换模型时使用

12.3 内置供应商参考

供应商	`LLM_BASE_URL`	`LLM_MODEL` 示例
LongCat	`https://api.longcat.chat/openai/v1`	`LongCat-2.0`
OpenAI	`https://api.openai.com/v1`	`gpt-4o-mini`
DeepSeek	`https://api.deepseek.com/v1`	`deepseek-chat`
Moonshot (Kimi)	`https://api.moonshot.cn/v1`	`moonshot-v1-8k`
SenseNova	`https://token.sensenova.cn/v1`	`sensenova-6.7-flash-lite`
Ollama (本地)	`http://localhost:11434/v1`	`llama3.2`

十三、项目结构

mini-agent-mcp/
├── LICENSE                           # Apache-2.0
├── README.md                         # 本文件
├── .env.example                      # 环境变量模板
├── package.json
├── tsconfig.json
├── server.json                       # MCP Registry 元数据
├── assets/icon.png                   # 商店图标
├── scripts/                          # 14 个独立测试脚本
│   ├── test-tools-list.mjs           # 通过 JSON-RPC 探测 tools/list
│   ├── test-agent.mjs                # ReAct (rule + LLM) 双模式
│   ├── test-workflow.mjs             # DAG + deep_research
│   ├── test-deep-research*.mjs       # 深度研究变体
│   ├── test-memory-skill.mjs         # 持久化层 CRUD
│   ├── test-anysearch*.mjs           # AnySearch 集成
│   ├── test-dag-buildStepTask.mjs    # 纯函数单元测试
│   ├── test-research-parser.mjs      # 解析器单元测试
│   └── ...                           # 集成 / 回归脚本
├── src/
│   ├── index.ts                      # FastMCP 入口 + 工具注册
│   ├── agent/
│   │   ├── react.ts                  # ReAct 推理循环 + Hooks
│   │   ├── llm.ts                    # OpenAI SDK + Sampling
│   │   └── index.ts                  # run_agent / getLLMMode 等公共 API 重导出
│   ├── tools/
│   │   ├── manager.ts                # ToolManager (超时/并发/重试)
│   │   ├── registry.ts               # 工具注册中心 (本地 + AnySearch 统一入口)
│   │   ├── index.ts                  # 6 个内置工具的导出桶
│   │   ├── types.ts                  # ToolDefinition / ToolResult
│   │   ├── calculator.ts             # 安全数学解析器
│   │   ├── text.ts                   # text_stats + text_transform
│   │   ├── converter.ts              # 单位换算
│   │   ├── datetime.ts               # 日期时间
│   │   ├── random.ts                 # 随机生成
│   │   ├── anysearch.ts              # AnySearch 工具包装
│   │   └── anysearch-client.ts       # MCPRuntime 状态机
│   ├── workflow/
│   │   ├── dag.ts                    # DAG 工作流编排
│   │   └── research.ts               # 深度研究三阶段管线
│   ├── memory/index.ts               # 持久化记忆
│   └── skill/index.ts                # 技能提取与匹配
└── dist/                             # 编译产物

十四、安全与设计理念

安全约束：

所有 API Key 仅通过环境变量传递，永不入代码
ToolManager 内置输入长度门禁（默认 10,000 字符；calculator 500 字符）
错误分类：hard (401/403/DNS/refused) 直接失败；transient (timeout/429/5xx) 自动重试 + 指数退避（最多 8s）
计算器使用自研递归下降解析器，不使用 eval()

设计原则：

协议优先：严格遵守 MCP JSON-RPC over stdio/SSE
分层解耦：ToolManager 统一抽象，工具实现可插拔
级联容错：LLM / 网络 / 工具层均有多级 fallback
本地优先：记忆 / 技能持久化到本地 JSON，无需外部数据库
零配置可启动：最小可用配置为 0（默认走 Sampling 或 Rule-based）
可观测性：Hooks（§八）提供 LLM 调用前后拦截点，可注入审计日志 / 调用统计 / 安全告警；ToolManager 内置调用历史，便于回放与调试

十五、许可证

十六、相关链接

Install Server

license - permissive license

quality

maintenance

How are these scores calculated?

Maintenance

–Maintainers

–Response time

–Release cycle

–Releases (12mo)

Commit activity

Resources

Need Help?

Related Servers

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Tools

View all tools

Latest Blog Posts

Your AI Chatbot Just Exposed Your CEO's Salary to an Intern
By Om-Shree-0709 on July 2, 2026.
Agent Identity
MCP Security
OAuth Delegation
Why MCP Servers Need Execution Sandboxing (And Why Your Current Stack Isn't Enough)
By Om-Shree-0709 on June 30, 2026.
Agentic Ai
Prompt Injection
WebAssembly
Lightport: Open-Sourcing Glama's AI Gateway
By punkpeye on April 27, 2026.
OpenAI
open source

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/Microbiosis/mini-agent-mcp'

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

Mini Agent MCP

一、这是什么

二、核心特性

三、架构总览

四、快速上手

4.1 MCP 客户端配置

4.2 .env 配置（fallback）

4.3 本地开发

4.4 验证安装

五、MCP 工具参考

5.1 唯一对外工具（外部 Agent 唯一可调）

5.2 内部工具（仅 Agent 可见，外部 tools/list 不可见）

基础工具（6 个 — 同步、确定性）

高级 pipeline（3 个）

记忆工具（3 个 — 持久化到 .memory/memories.json）

技能工具（2 个 — 持久化到 .skills/skills.json）

AnySearch 工具（4 个 — 懒加载）

六、AnySearch 内部工具

七、LLM 三模式 + Fallback

八、Hooks 系统（Yao 模式）

九、持久化层

9.1 Memory（.memory/memories.json）

9.2 Skill（.skills/skills.json）

十、DAG 工作流

十一、深度研究（deep_research）

十二、配置参考

12.1 全部环境变量

12.2 多供应商配置（providers.json）

12.3 内置供应商参考

十三、项目结构

十四、安全与设计理念

十五、许可证

十六、相关链接

Maintenance

Resources

Looking for Admin?

Tools

Latest Blog Posts

MCP directory API

4.2 `.env` 配置（fallback）

记忆工具（3 个 — 持久化到 `.memory/memories.json`）

技能工具（2 个 — 持久化到 `.skills/skills.json`）

9.1 Memory（`.memory/memories.json`）

9.2 Skill（`.skills/skills.json`）

12.2 多供应商配置（`providers.json`）