AI智能协调系统
AI Skill Hub 推荐使用：AI智能协调系统 是一款优质的MCP工具。AI 综合评分 7.5 分，在同类工具中表现稳健。如果你正在寻找可靠的MCP工具解决方案，这是一个值得深入了解的选择。
📚 深度解析
通过安装 AI智能协调系统，你的 AI 助手将获得额外的工具调用能力，可以用自然语言直接操控该工具的功能，无需学习复杂的命令行语法。MCP 工具的核心价值在于"一次配置，永久增强"——配置完成后，每次与 AI 对话时都可以无缝调用这些工具。
在技术实现上，MCP 工具通过标准的 JSON-RPC 协议与 AI 客户端通信，工具的功能以"工具列表"的形式暴露给 AI 模型，AI 可以按需调用。AI智能协调系统 提供了结构化的工具调用接口，使 AI 模型能够精确地理解和使用每个功能点，显著降低 AI 在工具使用上的错误率。
与传统的 API 集成相比，MCP 工具的优势在于无需编写代码——用户只需在配置文件中添加几行 JSON，即可让 AI 获得全新能力。AI Skill Hub 将 AI智能协调系统 评为 AI 评分 7.5 分，属于同类工具中的优质选择。
📋 工具概览
AI智能协调系统 是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。
📖 中文文档
AI智能协调系统 是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。
- 通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
- 提供结构化工具调用接口，显著降低 AI 集成复杂度
- 支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
- 可与其他 MCP 工具组合叠加，构建完整 AI 工作站
- 轻量无侵入设计，不影响现有系统架构
- 在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
- 通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
- 将多个 MCP 工具组合使用，构建个人专属 AI 工作站
# 方式一：通过 Claude Code CLI 一键安装
claude skill install https://github.com/hoangsonww/AI-Agents-Orchestrator
# 方式二：手动配置 claude_desktop_config.json
{
"mcpServers": {
"ai------": {
"command": "npx",
"args": ["-y", "ai-agents-orchestrator"]
}
}
}
# 配置文件位置
# macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
# Windows: %APPDATA%/Claude/claude_desktop_config.json
- 确认已安装 Node.js（v18 或以上版本）
- 打开 Claude Desktop 或 Claude Code 的 MCP 配置文件
- 按「交给 Agent 安装 → Claude Desktop」标签中的 JSON 配置填入 mcpServers 字段
- 保存配置文件并重启 Claude 客户端
- 重启后，在对话中即可使用本工具
# 安装后在 Claude 对话中直接使用 # 示例： 用户: 请帮我用 AI智能协调系统 执行以下任务... Claude: [自动调用 AI智能协调系统 MCP 工具处理请求] # 查看可用工具列表 # 在 Claude 中输入："列出所有可用的 MCP 工具"
// claude_desktop_config.json 配置示例
{
"mcpServers": {
"ai______": {
"command": "npx",
"args": ["-y", "ai-agents-orchestrator"],
"env": {
// "API_KEY": "your-api-key-here"
}
}
}
}
// 保存后重启 Claude Desktop 生效
AI Coding Tools Orchestrator and Agentic Team Runtime
Five independent systems — an AI Orchestrator, an Agentic Team runtime, an MCP Server, a Context Dashboard, and Graphify (project-to-graph intelligence engine) — that coordinate cloud and local AI coding assistants (Claude, Codex, Gemini, Copilot, Ollama, llama.cpp) to collaborate on software development tasks. Includes enterprise-grade agentic infrastructure with specialized agents, skills library, 34+ MCP tools, project-scoped graph-based context memory, and Graphify's 22-language code analysis with persistent queryable knowledge graphs, interactive visualization, and REST API.
Overview | Architecture | Agentic Infrastructure | System Comparison | Features | Quick Start | Project Structure | Configuration | Deployment | Testing | MCP Server
</div>
---
Overview
AI Coding Tools ships five independent systems in a single repository:
- The Orchestrator runs step-based workflows where AI agents execute tasks in sequence (implement, review, refine).
- The Agentic Team runs a free-communication runtime where role-based agents (Project Manager, Architect, Developer, QA, DevOps) discuss a task in turns until the team lead declares the work complete.
- Graphify turns any project directory into a queryable knowledge graph — classes, functions, imports, call graphs, and design rationale stored in a local SQLite database with FTS5 search.
- The MCP Server bridges both engines to IDE-based AI assistants.
- The Context Dashboard visualizes the graph memory. Each system carries its own adapters, configuration, UI, and CLI — they share zero code and zero imports.
Beyond the core engines, we provide a complete Agentic Infrastructure that empowers AI agents:
- 9 Specialized Agents for web, backend, security, DevOps, AI/ML, database, mobile, performance, and documentation
- 22 Reusable Skills across development, testing, security, DevOps, AI/ML, and documentation
- 34+ MCP Tools for code analysis, security scanning, testing, DevOps, and context memory
- Graph Context System with hybrid search (BM25 + semantic) for persistent memory and learning
- Domain Rules encoding best practices for security, database, API design, performance, and AI/ML
[!TIP] Quickstart with the Orchestrator for structured workflows, or the Agentic Team for open-ended collaboration. Both systems benefit from the shared agentic infrastructure and context memory. See QUICKSTART.md for quick setup instructions to get started in ~2 minutes. Or, see #quick-start below for a detailed walkthrough.
High-Level Overview
Nuxt 3 + Flask + Socket.IO"] O_CORE["Core Engine
Workflow Manager
Task Manager"] O_ADAPT["Adapters
Claude | Codex | Gemini
Copilot | Ollama | llama.cpp"] O_RESIL["Resilience
Retry | Fallback | Offline"] O_OBS["Observability
Prometheus | Logging | Health"] O_SEC["Security Module
Validation | Rate Limiting | Audit"] O_INFRA["Infra
Cache | Async Executor | Config Manager"] O_CONF["orchestrator/config/agents.yaml"] end subgraph AgenticTeam["agentic_team/"] A_CLI["CLI REPL"] A_UI["Web UI
Nuxt 3 + Flask + Socket.IO"] A_ENGINE["Engine
Free Communication
Lead-Gated Output"] A_ADAPT["Adapters
Claude | Codex | Gemini
Copilot | Ollama | llama.cpp"] A_FALLBACK["Fallback + Offline"] A_CONF["orchestrator/config/agents.yaml"] end end O_CLI --> O_CORE O_UI --> O_CORE O_CORE --> O_ADAPT O_CORE --> O_RESIL O_CORE --> O_OBS O_CORE --> O_SEC O_CORE --> O_INFRA O_ADAPT --> ExtCloud["Cloud CLIs
claude | codex | gemini | copilot"] O_ADAPT --> ExtLocal["Local Backends
Ollama | llama.cpp"] A_CLI --> A_ENGINE A_UI --> A_ENGINE A_ENGINE --> A_ADAPT A_ENGINE --> A_FALLBACK A_ADAPT --> ExtCloud A_ADAPT --> ExtLocal style Orchestrator fill:#1a1a2e,stroke:#16213e,color:#e0e0e0 style AgenticTeam fill:#1a2e1a,stroke:#162e16,color:#e0e0e0
Technology Stack Overview
Feature Highlights
Prerequisites
- Operating System: Linux, macOS, or Windows (WSL recommended)
- Python: 3.8 or higher
- Node.js: 20+ (for Web UI)
- Memory: Minimum 4GB RAM
- Disk Space: 1GB for installation + workspace
- Network: Required for AI CLI tools and updates
- Claude Code: Installed, setup, and signed in on your machine (Required for any workflows using Claude Code - if you run
claudein terminal and it works, you're good) - OpenAI Codex: Installed and authenticated (if using Codex agent, try running
codexand see if it responds) - Google Gemini CLI: Installed and authenticated (if using Gemini agent, try
gemini --versionto verify) - GitHub Copilot CLI: Installed and authenticated (if using Copilot agent, try
copilot --versionto verify) - Llama.cpp or Ollama: If using local LLM agents, ensure they are installed and configured properly (try running
ollama listorllamacpp --helpto verify) - Optional: Docker and Docker Compose for containerized setup
Install
git clone https://github.com/hoangsonww/AI-Agents-Orchestrator.git
cd AI-Agents-Orchestrator
python3 -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
pip install -r requirements.txt
chmod +x ai-orchestratorVerify Installation
./ai-orchestrator --help # Show all commands
./ai-orchestrator agents # List available agents
./ai-orchestrator workflows # List available workflows
./ai-orchestrator validate # Validate configurationDeployment
Docker Compose (Recommended)
Both systems are packaged in a single multi-stage Docker image. The docker-compose.yml runs each as a separate service.
:5001"] AUI["agentic-team-ui
:5002"] PROM["prometheus
:9091
(monitoring profile)"] GRAF["grafana
:3000
(monitoring profile)"] end OUI --> SHARED_VOL["Shared Volumes
output/ workspace/ logs/ sessions/"] AUI --> SHARED_VOL PROM --> OUI PROM --> AUI GRAF --> PROM style OUI fill:#2b6cb0,stroke:#2c5282,color:#fff style AUI fill:#276749,stroke:#22543d,color:#fff style PROM fill:#c05621,stroke:#9c4221,color:#fff style GRAF fill:#6b46c1,stroke:#553c9a,color:#fff
```bash
Quick Start
Screenshots
Some screenshots of the Web UIs and CLI interfaces:
<p align="center"> <img src="docs/images/ui.png" alt="Orchestrator Web UI" width="100%"/> <br/> <em>Orchestrator Web UI — real-time task execution dashboard with agent status and workflow controls</em> </p>
<p align="center"> <img src="docs/images/agentic-team.png" alt="Agentic Team Web UI" width="100%"/> <br/> <em>Agentic Team Web UI — role-based multi-agent collaboration with live communication view</em> </p>
<p align="center"> <img src="docs/images/graph.png" alt="Context Graph Dashboard" width="100%"/> <br/> <em>Context Graph Dashboard — interactive knowledge graph visualization with node inspection and hybrid search</em> </p>
<p align="center"> <img src="docs/images/cli.png" alt="Orchestrator CLI" width="100%"/> <br/> <em>Orchestrator CLI — command-line interface for task execution and agent management</em> </p>
<p align="center"> <img src="docs/images/cli-3.png" alt="Agentic Shell REPL" width="100%"/> <br/> <em>Agentic Shell REPL — interactive shell for direct agent communication and debugging</em> </p>
<p align="center"> <img src="docs/images/mcp.png" alt="MCP Tools REPL" width="100%"/> <br/> <em>MCP Tools REPL — interactive console for exploring and testing 34+ MCP tools across both engines</em> </p>
Configuration Files
| File | Purpose |
|---|---|
.claude/CLAUDE.md | Main instructions for Claude Code — imports AGENTS.md and sets project context |
.claude/settings.json | Claude project settings (permissions, model preferences) |
.codex/config.toml | Codex project configuration |
.codex/agents/*.toml | Codex agent role definitions with system prompts |
AGENTS.md | Shared instructions read by all AI coding agents (Codex, Gemini CLI, etc.) |
AGENTIC_INFRA.md | Full documentation of the agentic infrastructure |
With options
./ai-orchestrator agentic-shell --max-turns 16 --offline
Configuration
Both systems read their configuration from their own orchestrator/config/agents.yaml file. The files follow the same schema but are independent.
MCP Server (Optional -- Model Context Protocol)
Both systems are optionally exposed via a FastMCP server (mcp_server/, port 8000), letting any MCP-compatible client (Claude Desktop, other LLM agents, or custom Python scripts) drive task execution programmatically.
```bash
Orchestrator Workflow Execution
The Orchestrator processes tasks through a configurable pipeline of AI agents. Each step in a workflow maps to a specific agent and role.
Available Workflows
| Workflow | Pipeline | Use Case |
|---|---|---|
default | Codex --> Gemini --> Claude | Production-quality code with full review |
quick | Codex only | Fast prototyping |
thorough | Codex --> Copilot --> Gemini --> Claude --> Gemini | Mission-critical code |
review-only | Gemini --> Claude | Analyzing existing code |
document | Claude --> Gemini | Documentation generation |
offline-default | local-code --> local-instruct | Local-only, no cloud dependency |
hybrid | local-code --> Claude (fallback: local-instruct) | Local drafts with cloud review |
Integration tests only
make test-integration
Start MCP server (stdio -- for Claude Desktop integration)
python -m mcp_server.server
System Comparison
The two systems serve different collaboration models. Choose based on your use case.
| Dimension | Orchestrator (orchestrator/) | Agentic Team (agentic_team/) |
|---|---|---|
| **Collaboration model** | Step-based pipeline (sequential) | Free role-to-role communication (turns) |
| **Agent identity** | Tool names (codex, gemini, claude) | Roles (PM, Architect, Developer, QA, DevOps) |
| **Control flow** | Dynamic metrics-based planner or workflow YAML step order | Team lead (PM) gates completion dynamically |
| **When to use** | Dynamic planning, or repeatable pipelines: implement, review, refine | Open-ended tasks needing discussion and consensus |
| **CLI entry point** | ai-orchestrator shell | ai-orchestrator agentic-shell |
| **Web UI port** | :5001 | :5002 |
| **Config file** | orchestrator/config/agents.yaml | agentic_team/config/agents.yaml |
| **Built-in workflows** | Dynamic planner (metrics-based routing), plus 7 static (default, quick, thorough, review-only, document, offline-default, hybrid) | N/A (turn-based, no fixed pipeline) |
| **Fallback strategy** | Per-step cloud-to-local routing | Independent fallback manager |
| **Observability** | Prometheus metrics, structured logging, health probes, report generation | Health and readiness probes |
| **Security module** | Input validation, rate limiting, audit logging | N/A (inherits from adapter layer) |
| **Shared code** | None | None |
本项目是一个 AI 编码工具的orchestrator和agentic team runtime，包含五个独立的系统，包括orchestrator和agentic team。orchestrator负责管理基于步骤的工作流程，AI 代理执行任务；agentic team负责管理基于角色的代理，代理讨论任务直到团队领导宣布任务完成。
本项目的功能包括orchestrator和agentic team两个独立的系统。orchestrator负责管理基于步骤的工作流程，AI 代理执行任务；agentic team负责管理基于角色的代理，代理讨论任务直到团队领导宣布任务完成。
本项目需要以下环境依赖和系统要求：Linux、macOS或Windows（WSL推荐）、Python 3.8或更高版本、Node.js 20或更高版本（用于Web UI）、4GB RAM或更高、1GB磁盘空间或更高、网络连接。
安装步骤：克隆项目代码，激活虚拟环境，安装依赖项，设置orchestrator配置文件，设置agentic team配置文件，设置claude配置文件，设置codex配置文件。
使用教程：使用orchestrator CLI工具，使用agentic team CLI工具，使用claude CLI工具，使用codex CLI工具。
配置说明：orchestrator配置文件，agentic team配置文件，claude配置文件，codex配置文件，环境变量，关键参数。
工作流/模块说明：orchestrator工作流，agentic team工作流，claude工作流，codex工作流，工作流管道，工作流角色，工作流步骤，工作流配置文件，工作流参数，工作流依赖项。
该工具提供了智能协调多个AI编程助手的功能，提高了开发效率和质量，但仍需要进一步优化和测试。
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Python 依赖冲突：建议用 venv / uv 隔离环境
- Docker：AI-Agents-Orchestrator 提供官方镜像，docker compose up 一键启动
- CLI：直接 npm install -g / pip install，命令行调用
- 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
- 提供结构化工具调用接口，显著降低 AI 集成复杂度
- 支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
- 可与其他 MCP 工具组合叠加，构建完整 AI 工作站
- 轻量无侵入设计，不影响现有系统架构
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
👥 适合人群
🎯 使用场景
- 在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
- 通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
- 将多个 MCP 工具组合使用，构建个人专属 AI 工作站
⚖️ 优点与不足
- +MIT 协议，可免费商用
- +标准化 MCP 协议，生态互联性强
- +与 Claude 官方生态无缝对接
- +即插即用，配置简单快捷
- −依赖 Claude 客户端，非 Claude 用户无法使用
- −MCP 协议仍在持续演进，接口可能变更
- −需要一定的配置步骤
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。
❓ 常见问题 FAQ
总体来看，AI智能协调系统 是一款质量良好的MCP工具，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。
| 原始名称 | AI-Agents-Orchestrator |
| 原始描述 | 开源MCP工具：🪈 Intelligent orchestration system that coordinates multiple AI coding assistan。⭐61 · Python |
| Topics | mcpagentic-aiai-agentsclaudecodexcopilotpython |
| GitHub | https://github.com/hoangsonww/AI-Agents-Orchestrator |
| License | MIT |
| 语言 | Python |
收录时间：2026-06-06 · 更新时间：2026-06-06 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。
🤖 交给 Agent 安装 · AI智能协调系统
选择 Agent 类型，复制安装指令后粘贴到对应客户端