能力标签

🔌 MCP 🤖 Agent 🔄 工作流 🐳 Docker 💻 CLI 🔗 REST API 🖼 视觉 🔊 TTS 🎙 STT ✨ GPT

🔌

MCP工具

混合智能代理

基于 Python · 让 AI 助手直接操作你的系统与工具

英文名：chimera-agent

⭐ 12 Stars 💻 Python 📄 Apache-2.0 🏷 AI 8.0分

8.0AI 综合评分

aiai-agentpython

⬇ 下载源码 ZIP ⚙️ 配置说明 📺 TG 频道

✦ AI Skill Hub 推荐

经 AI Skill Hub 精选评估，混合智能代理获评「强烈推荐」。这款MCP工具在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 8.0 分，适合有一定技术背景的用户使用。

📚 深度解析

混合智能代理是一款基于 MCP（Model Context Protocol）标准协议的 AI 工具扩展。MCP 协议由 Anthropic 开发并开源，旨在建立 AI 模型与外部工具之间的标准化通信接口，目前已被 Claude Desktop、Claude Code、Cursor 等主流 AI 工具采纳。

通过安装混合智能代理，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。混合智能代理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 将混合智能代理评为 AI 评分 8.0 分，属于同类工具中的优质选择。

📋 工具概览

混合智能代理是一款遵循 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。

GitHub Stars

⭐ 12

开发语言

Python

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

Apache-2.0

AI 综合评分

8.0 分

工具类型

MCP工具

Forks

—

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

📌 核心特色

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

🎯 主要使用场景

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

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：通过 Claude Code CLI 一键安装
claude skill install https://github.com/brcampidelli/chimera-agent

# 方式二：手动配置 claude_desktop_config.json
{
  "mcpServers": {
    "------": {
      "command": "npx",
      "args": ["-y", "chimera-agent"]
    }
  }
}

# 配置文件位置
# macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
# Windows: %APPDATA%/Claude/claude_desktop_config.json

📋 安装步骤说明

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

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 安装后在 Claude 对话中直接使用
# 示例：
用户: 请帮我用 混合智能代理 执行以下任务...
Claude: [自动调用 混合智能代理 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"

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

// claude_desktop_config.json 配置示例
{
  "mcpServers": {
    "______": {
      "command": "npx",
      "args": ["-y", "chimera-agent"],
      "env": {
        // "API_KEY": "your-api-key-here"
      }
    }
  }
}

// 保存后重启 Claude Desktop 生效

📑 README 深度解析真实文档完整度 37/100 含工作流图查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

简介

Features

Quickstart

You need Python 3.11+ and uv (a fast Python installer).

1. Install — from PyPI:

pip install chimera-agent

That gives you the chimera command. (The examples below use uv run chimera for a from-source checkout — with a pip install, just run chimera ….) To hack on Chimera itself, clone the repo:

git clone https://github.com/brcampidelli/chimera-agent.git
cd chimera-agent
uv sync --extra dev

2. Add one AI provider key. The easiest is an OpenRouter key — one key unlocks 100+ models. ```bash cp .env.example .env

open .env and set, for example: CHIMERA_OPENROUTER_KEYS=sk-or-...


**3. Check everything is ready**

bash uv run chimera doctor


**4. Try it**

bash uv run chimera chat # have a conversation (it remembers) uv run chimera run "Explain what you can do in 3 bullets" uv run chimera fuse "What's the best way to learn to cook?" --show-panel # see several models blended uv run chimera solve "add a hello() function to app.py and a test for it" --verify "pytest -q"


**Run it on a server (so it works 24/7):**

bash docker compose up -d # gateway + scheduler; restarts automatically

Full guide (Docker or systemd, scheduling, backups, security): **[docs/deploy.md](docs/deploy.md)**.

**5. Do something real in 5 minutes: email triage.** Point Chimera at your inbox and get a
ten-second digest — read-only, classify URGENT / PERSONAL / NEWSLETTER / COLD-SALES, and
optionally schedule it every morning:

bash uv run chimera workflow examples/email_triage/triage.yaml -w ./triage_workspace ``` Setup + daily scheduling + honest caveats: examples/email_triage/README.md.

How Chimera compares

Chimera doesn't try to out-channel the giant agent projects. It bets on the three things a real reverse-engineering study of five leaders (OpenClaw, Hermes, nanobot, CrewAI, LangGraph) found they all leave open — and makes them its core:

🧬 Self-evolution with a fitness signal. The others "learn" by appending whatever happened, or by human pull requests — nothing measures whether a learned change actually helped. Chimera keeps a change only when a verified result proves it did: the evolution step is gated on the real working-tree diff and an honest A/B, never the model's say-so. Independent evidence this matters: EvoAgentBench (arXiv 2607.05202) measured that automatic, ungated experience-encoding methods routinely produce negative transfer — one popular method regressed −12.3 points on tasks it wasn't tuned on. Chimera's gate now also runs a transfer holdout: a learned change must not regress a disjoint, same-capability slice before it's promoted, so it can't just memorize its own eval.
🛡️ Security by architecture. Prompt injection is now widely considered unpatchable; the popular agents mitigate at the app layer or declare it out of scope (one shipped 135k publicly-exposed instances and a marketplace ~12% full of malicious skills). Chimera tracks taint provenance end-to-end, strips control tokens from untrusted content, narrows tool access on a tainted run, guards side-effecting retries, and runs untrusted code in an opt-in locked-down container.
📊 Honest, published benchmarks. ~20% of a popular leaderboard's "solved" cases are actually wrong. Chimera reports every number with a confidence interval — including the runs where it didn't win — and never re-rolls for significance. A recorded paired run shows the full loop tripling a weak model's pass rate (17% → 67%), reported one pair short of significance, honestly. And on the official Terminal-Bench, a pre-registered N=40 A/B landed at a variance-dominated floor with no significant difference either way — published as-is (bench/terminal_bench/RESULTS.md), including retracting a wrong intermediate read once the control arm was measured. Null results and self-corrections ship too; that's the point.