lingflow-mcp 1.3.0

LingFlow MCP Server - 将 LingFlow 工程流能力暴露为 MCP 工具（Phase 3 完成，21个工具，8个功能域）

LingFlow MCP Server v1.3.0

将 LingFlow v3.7.0 的工程流能力封装为 MCP (Model Context Protocol) 服务器，使 AI 助手（Claude Desktop、Cursor 等）可直接调用 LingFlow 功能。

版本: v1.3.0 (Phase 3 完成) 状态: ✅ 生产就绪 工具数量: 21 个 功能域: 8 个 测试通过率: 80% (Phase 3), 100% (Phase 1+2)

🎯 什么是 MCP？

MCP 是 Anthropic 推出的标准化协议，允许 AI 应用通过统一接口调用外部工具。将 LingFlow 封装为 MCP 服务器后：

• ✅ 零集成接入：任何支持 MCP 的 AI 客户端可直接使用
• ✅ 自然语言交互：无需学习命令行语法
• ✅ 生态融合：可与其他 MCP 服务器协同工作

🚀 快速开始

安装

# 从 PyPI 安装 LingFlow
pip install lingflow-core

# 安装 MCP SDK
pip install mcp

# 安装 LingFlow MCP Server
cd mcp_server
pip install -e .

启动服务器

# 基础启动
lingflow-mcp run

# 自定义配置
lingflow-mcp run --work-dir /path/to/project --log-level DEBUG

查看可用工具

lingflow-mcp tools

测试连接

lingflow-mcp test

🛠️ 可用工具

Phase 1: 高优先级工具 (P0) ✅

工具名称	描述	分类
list_skills	列出所有可用技能（8个内置）	查询
run_skill	执行指定技能	执行
review_code	8维度代码审查	审查
get_github_trends	采集 GitHub 趋势项目	情报
get_npm_trends	采集 npm 趋势包	情报

Phase 2: 中优先级工具 (P1) ✅

工作流管理:

工具名称	描述	新增
list_workflows	列出所有工程流（15+），支持过滤	⭐
run_workflow	执行工程流（异步，支持3种策略）	⭐
get_workflow_status	获取工作流详细状态	🆕

需求管理:

工具名称	描述	新增
create_requirement	创建需求（支持分类和标签）	⭐
get_requirement	获取需求详情	✅
update_requirement	更新需求信息	🆕
list_requirements	列出需求（支持过滤和分页）	🆕
link_requirement_to_branch	关联需求到 Git 分支	🆕

异步任务:

工具名称	描述	新增
get_task_status	查询异步任务状态	✅
list_tasks	列出所有异步任务	🆕

总计: 15 个工具

Phase 3: 运维监控工具 (P2) ✅

测试运行:

工具名称	描述	新增
run_tests	运行测试套件（支持单元/集成测试）	⭐
get_coverage	获取测试覆盖率（支持多种格式）	⭐
generate_test_report	生成测试报告（Markdown/JSON/HTML）	⭐

运维监控:

工具名称	描述	新增
get_health_status	系统健康检查（磁盘/内存/CPU）	⭐
get_metrics	性能指标（CPU/内存/磁盘/进程）	⭐
detect_anomaly	异常检测（基于历史数据和阈值）	⭐

工具总数: 21 个 (Phase 1: 5, Phase 2: 10, Phase 3: 6)

📖 使用示例

在 Claude Desktop 中使用

1. 配置 Claude Desktop：

编辑 ~claude_desktop_config.json（macOS/Linux）或 %APPDATA%\Claude\claude_desktop_config.json（Windows）：

{
  "mcpServers": {
    "lingflow": {
      "command": "lingflow-mcp",
      "args": ["run"]
    }
  }
}

2. 重启 Claude Desktop

3. 在对话中使用：

用户: 列出所有开发类工作流

Claude: [自动调用 list_workflows(type_filter="dev")]
返回: 3 个开发工作流

用户: 执行功能开发工作流

Claude: [自动调用 run_workflow(workflow_id="feature-dev")]
返回: task_id=workflow_abc123, 状态=pending

用户: 创建一个新需求

Claude: [自动调用 create_requirement(...)]
返回: requirement_id=req-456

工作流管理示例

import asyncio
from lingflow_mcp import create_server

async def workflow_example():
    server = create_server()

    # 列出所有工作流
    workflows = await server._execute_tool(
        "list_workflows",
        {"type_filter": "dev"}
    )
    print(f"开发工作流: {workflows['total']} 个")

    # 执行工作流
    result = await server._execute_tool(
        "run_workflow",
        {
            "workflow_id": "feature-development",
            "params": {"feature": "user-auth"},
            "strategy": "hybrid"
        }
    )
    print(f"任务 ID: {result['task_id']}")

    # 查询状态
    status = await server._execute_tool(
        "get_workflow_status",
        {"workflow_id": "feature-development"}
    )
    print(f"状态: {status['workflow']['status']}")

asyncio.run(workflow_example())

需求管理示例

async def requirement_example():
    server = create_server()

    # 创建需求
    req = await server._execute_tool(
        "create_requirement",
        {
            "title": "添加用户认证",
            "description": "实现 OAuth2.0 登录功能",
            "priority": "high",
            "category": "feature",
            "tags": ["security", "auth"]
        }
    )
    req_id = req["requirement_id"]

    # 更新需求
    await server._execute_tool(
        "update_requirement",
        {
            "requirement_id": req_id,
            "status": "approved"
        }
    )

    # 关联到分支
    await server._execute_tool(
        "link_requirement_to_branch",
        {
            "requirement_id": req_id,
            "branch_name": "feature/user-auth"
        }
    )

    print(f"需求 {req_id} 已创建并关联到分支")

asyncio.run(requirement_example())

🔧 配置选项

环境变量

变量名	描述	默认值
LINGFLOW_WORK_DIR	工作目录	当前目录
GITHUB_TOKEN	GitHub API Token	-
NPM_TOKEN	npm Token	-
LINGFLOW_LOG_LEVEL	日志级别	INFO
LINGFLOW_READ_ONLY	只读模式	false

CLI 参数

lingflow-mcp run [OPTIONS]

选项:
  --host TEXT          监听地址（默认: localhost）
  --port INTEGER       监听端口（默认: 8000）
  --work-dir PATH      工作目录
  --log-level TEXT     日志级别（INFO/DEBUG/WARNING/ERROR）

🏗️ 架构设计

┌─────────────────────────────────────────┐
│  AI Client (Claude Desktop, Cursor)     │
└─────────────────┬───────────────────────┘
                  │ MCP Protocol (stdio)
┌─────────────────▼───────────────────────┐
│     LingFlow MCP Server v1.3.0          │
│  ┌───────────────────────────────────┐  │
│  │  Tool Registry (21 tools)        │  │
│  │  - Skills (2)                    │  │
│  │  - Code Review (1)               │  │
│  │  - Intelligence (2)              │  │
│  │  - Workflows (3)                 │  │
│  │  - Requirements (5)              │  │
│  │  - Task Management (2)           │  │
│  │  - Testing (3) ⭐                │  │
│  │  - Monitoring (3) ⭐              │  │
│  └─────────────┬─────────────────────┘  │
│                │                         │
│  ┌─────────────▼─────────────────────┐  │
│  │  LingFlow Core (v3.7.0)           │  │
│  │  - 33 skills                      │  │
│  │  - 15+ workflows                  │  │
│  │  - Code review                    │  │
│  │  - Intelligence system            │  │
│  │  - Requirements traceability      │  │
│  │  - Test automation                │  │
│  │  - System monitoring              │  │
│  └───────────────────────────────────┘  │
└─────────────────────────────────────────┘

🔄 异步任务支持

对于长时间运行的工具（如工作流执行），MCP 服务器支持异步模式：

1. 提交任务：立即返回 task_id
2. 查询状态：使用 get_task_status 查询进度
3. 列表任务：使用 list_tasks 查看所有任务

# 提交异步任务
result = await server._execute_tool(
    "run_workflow",
    {"workflow_id": "feature-development"}
)

# 返回: {"task_id": "workflow_abc123", "status": "pending"}

# 查询状态
status = await server._execute_tool(
    "get_task_status",
    {"task_id": "workflow_abc123"}
)

# 返回: {"task_id": "workflow_abc123", "status": "running", ...}

# 列出所有运行中的任务
tasks = await server._execute_tool(
    "list_tasks",
    {"status_filter": "running"}
)

🛡️ 安全性

文件系统权限

MCP 服务器默认限制在工作目录内操作，可在配置中扩展：

from lingflow_mcp.config import ServerConfig

config = ServerConfig(
    work_dir=Path("/my/project"),
    allowed_paths=[
        Path("/my/project"),
        Path("/shared/libs"),
    ],
    read_only=False,  # 设置为 True 只读模式
)

API Token 安全

使用环境变量传递敏感信息：

export GITHUB_TOKEN="ghp_xxx"
export NPM_TOKEN="npm_xxx"
lingflow-mcp run

📊 性能指标

指标	数值
工具数量	21
功能域	8
工具响应时间	<200ms (同步)
异步任务创建	<50ms
并发支持	10 个异步任务
内存占用	~70MB (基础)
缓存命中率	>80% (情报工具)

🧪 测试

# 运行单元测试
cd mcp_server
pytest tests/

# 运行功能测试
python test_mcp_functionality.py

# 测试 MCP 服务器
lingflow-mcp test

测试覆盖: 100% (Phase 1 + Phase 2), 80% (Phase 3)

📚 文档

• MCP 协议规范
• LingFlow 主文档
• 工具和功能域完整说明 - 21个工具详细说明
• 最终完成报告 - v1.3.0 总结
• Phase 3 完成报告
• Phase 2 完成报告
• MCP 封装可行性评估

🐛 故障排查

问题：MCP SDK 未安装

pip install mcp

问题：LingFlow 导入失败

pip install lingflow-core

问题：工具调用超时

增加超时时间：

config = ServerConfig(
    task_timeout=600,  # 10 分钟
)

📄 许可证

MIT License - 与 LingFlow 主项目一致

🎉 路线图

v2.0.0 (未来计划)

• WebSocket 支持
• 实时监控仪表板
• 云端部署版本
• 多语言支持 (JavaScript, Go)

---

LingFlow MCP Server v1.3.0 - 众智混元，万法灵通 🚀

从命令行工具到 AI 生态的基础设施组件