AI连接MCP服务器
MCP（模型上下文协议）服务器，允许AI代理查询和管理AI Connect平台中的作业。
关于AI Connect工作
AI Connect Jobs是AI Connect平台上一个强大的异步任务管理系统，支持在Slack和WhatsApp等不同平台上创建、监控和执行作业，并支持定时执行、自动重试和超时处理。API提供了创建、列出、查询和取消作业的端点，使开发人员和外部系统能够轻松地将异步处理功能集成到其应用程序中，自动化复杂的工作流，而无需实施整个任务管理基础架构。
特性
此MCP服务器为AI代理提供了以下工具：
- 📋 列出工作：使用高级筛选查询所有作业
- 🔍 获得特定工作：按ID检索特定作业的详细信息
- ✅ 创造就业：创建新作业以立即或按计划执行
- ❌ 取消作业：取消正在运行或计划的作业
- 📊 监视状态：跟踪作业状态（等待、运行、已完成、失败、取消）
技术
- Node.js 随着 TypeScript
- 模型上下文协议（MCP） 通过Anthropic
- 萨德 用于模式验证
- AI连接API 用于与代理作业系统集成
安装
NPX（推荐）
您可以直接使用npx运行MCP服务器，无需安装：
npx @aiconnect/agentjobs-mcp --help本地安装
- 克隆存储库：
git clone
cd agentjobs-mcp- 安装依赖项：
npm install- 配置环境变量（可选）：
MCP服务器的默认值来自 .env.example，因此您可以在不设置任何环境变量的情况下运行它。然而，你 必须 提供用于身份验证的API密钥。
cp .env.example .env编辑 .env 使用您的凭据文件：
DEFAULT_ORG_ID=your-organization # Default: aiconnect
AICONNECT_API_KEY=your-api-key # Required: Must be provided
AICONNECT_API_URL=https://api.aiconnect.cloud/api/v0 # Default
DEFAULT_TIMEZONE=America/Sao_Paulo # Default: UTC (informational only, surfaced via get_context)重要：如果没有提供环境变量，服务器将使用这些默认值：
DEFAULT_ORG_ID:aiconnectAICONNECT_API_URL:https://api.aiconnect.cloud/api/v0AICONNECT_API_KEY：空（必须为API调用提供才能工作）DEFAULT_TIMEZONE:UTC
- 构建项目：
npm run build用法
CLI使用情况
MCP服务器现在支持CLI命令，便于管理：
# Show help and usage information
npx @aiconnect/agentjobs-mcp --help
# Show version information
npx @aiconnect/agentjobs-mcp --version
# Show current configuration status
npx @aiconnect/agentjobs-mcp --config
# Start MCP server (default behavior)
npx @aiconnect/agentjobs-mcp设置环境变量：
# Using environment variables with npx
AICONNECT_API_URL=https://api.aiconnect.cloud/api/v0 \
AICONNECT_API_KEY=your-api-key-here \
npx @aiconnect/agentjobs-mcp
# Or create a .env file (recommended for development)
cp .env.example .env
# Edit .env with your credentials
npx @aiconnect/agentjobs-mcp所需的环境变量：
AICONNECT_API_URL：API端点URL（例如。，https://api.aiconnect.cloud/api/v0)AICONNECT_API_KEY：您的API身份验证密钥
可选环境变量：
DEFAULT_ORG_ID：当工具发生故障时，回退组织IDorg_id参数被省略（默认值：aiconnect)DEFAULT_TIMEZONE：由显示的首选时区get_context工具，以便LLM客户端可以格式化时间戳。仅供参考——不改变其他工具的行为，这些工具继续以UTC为单位发出时间戳（默认值：UTC)
CLI命令示例：
# Quick help
npx @aiconnect/agentjobs-mcp -h
# Check version
npx @aiconnect/agentjobs-mcp -v
# Verify configuration before starting
npx @aiconnect/agentjobs-mcp -c
# Test with environment variables
env AICONNECT_API_URL=https://api.aiconnect.cloud/api/v0 \
AICONNECT_API_KEY=test-key \
npx @aiconnect/agentjobs-mcp --config本地开发
对于本地开发，您可以使用npm脚本：
# Build and test CLI commands
npm run cli:help
npm run cli:version
npm run cli:config
# Run test suite (if available)
npm run test:cli配置选项
此MCP服务器设计为开箱即用，配置最少。它使用智能回退系统：
- 有环境变量：完全控制所有设置
- 无环境变量：使用默认值
.env.example - 部分配置：环境变量和默认值的混合
默认值（未设置环境变量时）：
DEFAULT_ORG_ID:"aiconnect"AICONNECT_API_URL:"https://api.aiconnect.cloud/api/v0"AICONNECT_API_KEY:""（空-您必须提供此项）DEFAULT_TIMEZONE:"UTC"
错误处理：
- 即使缺少环境变量，服务器也将始终启动。
- 如果
AICONNECT_API_KEY或AICONNECT_API_URL如果没有提供，每个工具在执行时都会返回一条明确的错误消息，指导用户正确配置环境。 - 如果
DEFAULT_ORG_ID如果未设置，则默认为“aiconnect”。 - 如果
DEFAULT_TIMEZONE未设置，默认为“UTC”。此值纯粹是信息性的（由get_context工具），并且不影响其他工具中的时间戳解析或格式化。
运行MCP服务器
npm start服务器将启动并等待通过stdio传输的连接。
Claude桌面配置
要将此MCP服务器与Claude Desktop一起使用，请将以下配置添加到您的 claude_desktop_config.json 文件：
{
"mcpServers": {
"agentjobs": {
"command": "node",
"args": ["/path/to/agentjobs-mcp/build/index.js"],
"env": {
"DEFAULT_ORG_ID": "your-organization",
"AICONNECT_API_KEY": "your-api-key",
"AICONNECT_API_URL": "https://api.aiconnect.cloud/api/v0",
"DEFAULT_TIMEZONE": "America/Sao_Paulo"
}
}
}
}用克劳德代码进行地方发展
对于开发和测试，您可以将此MCP服务器直接添加到您的Claude Code项目中：
# Prerequisites: build the project first
npm install
npm run build
# Configure your .env file
cp .env.example .env
# Edit .env with your API credentials
# Add MCP server to Claude Code (project scope)
claude mcp add --scope project agentjobs -- ./mcp-agentjobs.sh这允许您在开发过程中直接在Claude Code中测试和使用AgentJobs工具，提供即时反馈和更容易的调试。
可用工具
📊 get_jobs_stats
获取代理作业的聚合统计信息，而无需检索单个作业数据。针对仪表板和监控进行了优化，网络开销最小。
参数：
scheduled_at_gte：周期开始（ISO 8601）scheduled_at_lte：周期结束（ISO 8601）org_id：组织筛选器job_type_id：作业类型筛选器tags：标签过滤器（逗号分隔）status：状态筛选器channel_code：通道过滤器
🔧 list_jobs
列出所有具有筛选和分页选项的作业。
参数：
status（可选）：按状态筛选（等待、运行、完成、失败、取消）job_type_id（可选）：按作业类型筛选channel_code（可选）：按频道代码过滤limit（可选）：结果限制（默认值：50）offset（可选）：分页偏移sort（可选）：排序字段和方向include_activities（可选）：将最近的活动附加到每个作业（默认值：false）activities_limit_per_job（可选）：每个作业的最大活动数（1-100，默认值15）activities_total_limit（可选）：整个响应的全球上限（1-3000，默认值500）activities_sort（可选）：created_at或-created_at（默认值-created_at)
🔍 get_job
获取特定作业的详细信息。
参数：
job_id（必填）：要查询的作业IDinclude_activities（可选）：将最近的活动附加为内联覆盖（默认值：false）include_limit（可选）：要附加的最大活动数（1–100，默认值50）include_sort（可选）：created_at或-created_at（默认值-created_at)
🧾 get_job_activities
通过专用数据库检索特定代理作业的审核活动跟踪 /services/activities 终点。支持真正的分页（无截断）和服务器端过滤。用于集中调查作业的活动日志；要快速覆盖最近的活动，请使用 get_job 随着 include_activities=true.
参数：
job_id（必填）：代理作业的IDorg_id（可选）：组织范围status（可选）：submitted,completed，或canceledactivity_type_code（可选）：开放字符串代码（例如。，ai_completion)source_type（可选）：dispatch,process_module，或directlimit（可选）：页面大小（默认值50）offset（可选）：分页偏移量（默认值0）sort（可选）：排序字段/方向（默认-created_at)
✅ create_job
创建新作业以供执行。
参数：
target_channel：目标通道配置job_type_id：作业类型IDconfig：作业配置（超时、重试等）params：作业特定参数scheduled_at（可选）：计划执行的日期/时间delay（可选）：以分钟为单位的随机延迟
❌ cancel_job
取消正在运行或计划的作业。
参数：
job_id（必填）：要取消的作业的IDreason（可选）：取消原因
作业状态
作业可以具有以下状态值：
WAITING：等待执行的作业SCHEDULED：计划在未来执行的作业RUNNING：作业当前正在运行COMPLETED：作业已成功完成FAILED：作业失败CANCELED：作业已取消
使用示例
列出正在运行的作业
Agent: "Show me all jobs that are currently running"查询特定作业
Agent: "What's the status of job job-123?"创建计划作业
Agent: "Create a daily report job for Slack channel C123456 to run tomorrow at 9 AM"取消作业
Agent: "Cancel job job-456 because it's no longer needed"项目结构
agentjobs-mcp/
├── src/ # TypeScript source code
│ ├── index.ts # Main MCP server entry point
│ ├── config.ts # Configuration loader
│ └── tools/ # Directory for all MCP tools
│ ├── get_jobs_stats.ts # Tool for getting job statistics
│ ├── list_jobs.ts # Tool for listing jobs
│ ├── get_job.ts # Tool for getting a job
│ ├── get_job_activities.ts # Tool for getting a job's activity trail
│ ├── create_job.ts # Tool for creating a job
│ └── cancel_job.ts # Tool for canceling a job
├── build/ # Compiled JavaScript code
├── docs/ # Documentation
│ └── agent-jobs-api.md # API documentation
├── package.json # Dependencies and scripts
├── tsconfig.json # TypeScript configuration
├── .env.example # Environment variables example
└── README.md # This file发展
可用脚本
npm run build：编译TypeScriptnpm start：运行已编译的服务器npm run debug：在调试模式下运行服务器，并记录详细日志npm run test:tools：在不启动服务器的情况下测试工具加载npm run cli:config：显示当前配置npm run cli:version：显示版本信息npm run cli:help：显示帮助信息
调试
有关详细的调试信息，请参阅 调试指南.
快速调试命令：
# Test configuration
npm run cli:config
# Test tool loading
npm run test:tools
# Run in debug mode
MCP_DEBUG=true npm run debug
# Use debug helper script (Fish shell)
./debug.fish help
./debug.fish quick调试环境：
# Copy debug environment template
cp .env.debug .env
# Edit .env with your API credentials
# Run with debug environment
./debug.fish debug-with-env添加新工具
添加新工具很简单：
- 在内部创建一个新的TypeScript文件
src/tools/目录（例如。，my_new_tool.ts). - 按照现有模式实现工具逻辑。服务器将在启动时自动检测并注册它。
- 重新编译项目
npm run build. - 测试用
npm run test:tools以验证加载。
贡献
- 分叉项目
- 创建要素分支(
git checkout -b feature/new-feature) - 提交您的更改(
git commit -am 'Add new feature') - 推到分支(
git push origin feature/new-feature) - 打开拉取请求
许可证
该项目根据 MIT许可证.
支持
有关AI Connect工作的技术支持或问题：
- 检查 API 文档
- 联系AI Connect开发团队
______________________________________________________________________
备注：该项目是使用Anthropic mcp工具脚手架开发的，用于与AI Connect平台集成。