lingflow-mcp

# LingFlow MCP Server v1.3.0 将 LingFlow v3.7.0 的工程流能力封装为 [MCP (Model Context Protocol)](https://modelcontextprotocol.io/) 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 ```bash # 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 ```bash # 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 ```bash lingflow-mcp tools ``` ### 测试连接 ```bash 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 |…