MCP会议

MCP（模型上下文协议）服务器，提供对LLM模型“秘密会议”的访问，使任何兼容MCP的客户端都能咨询多个前沿模型，以获得不同的意见、同行排名评估和综合答案。

为什么存在

当与人工智能助手合作时，你会得到一个模型的视角。有时，这正是你所需要的。但对于重要的决策——技术架构、业务战略、创意方向、复杂分析，或任何盲点很重要的情况——多种意见会提出你可能会错过的替代方案。

Concave为任何工作流程带来了民主的人工智能共识。

您可以通过Claude Desktop、Claude Code或任何MCP客户端咨询会议，而不是手动查询多个AI服务。从多个前沿模型（GPT、Claude、Gemini、Grok、DeepSeek）中获取排名意见，并获得代表集体AI智慧的综合答案。

用例包括：

技术的：架构决策、代码审查、调试、API设计
商业：战略分析、提案审查、市场研究综合
创意：撰写反馈、头脑风暴、编辑观点
研究：文献综述、事实核查、多角度分析
决策：利弊分析、风险评估、选项评估

受...启发安德烈·卡帕斯的llm委员会概念。该项目将核心思想重新实现为MCP服务器，以便与人工智能辅助的工作流程无缝集成。

运作原理

秘密会议分为三个阶段：

┌─────────────────────────────────────────────────────────────────┐
│  Stage 1: OPINIONS                                              │
│  Query multiple LLMs in parallel for independent responses      │
│  (GPT, Claude, Gemini, Grok, DeepSeek, etc.)                   │
└─────────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────────┐
│  Stage 2: PEER RANKING                                          │
│  Each model anonymously evaluates and ranks all responses       │
│  Aggregate scores reveal best performers (lower = better)       │
└─────────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────────┐
│  Stage 3: SYNTHESIS                                             │
│  Chairman model synthesizes final answer from collective wisdom │
│  Consensus level reported (strong/moderate/weak/split)          │
│  Tiebreaker vote cast if conclave is split                      │
└─────────────────────────────────────────────────────────────────┘

特性

分层查询：选择成本/深度权衡（快速|排名|完整）
三级议会：高级（前沿）、标准（平衡）、预算（快速/廉价）
一致性协议：检测协议级别，在拆分时触发决胜局
奇怪的秘密会议规模：确保决胜局投票能够打破僵局
轮值主席：每周轮换可防止单一型号偏差
主席预设：情境感知主席选择（代码、创意、推理）
成本估算：在查询之前，知道你会花多少钱
疏散灯：独立基准运行器，用于跟踪随时间变化的性能

安装

先决条件

从获取OpenRouter API密钥https://openrouter.ai/keys
向您的OpenRouter帐户添加积分（按需付费）

设置

# Clone the repository
git clone https://github.com/stephenpeters/conclave-mcp.git
cd conclave-mcp

# Install dependencies
uv sync

# Optional: Create .env file for running tests locally
# (Not required for MCP usage - API key is passed via client config)
echo "OPENROUTER_API_KEY=sk-or-v1-your-key-here" > .env

配置Claude桌面

选项1：桌面扩展（推荐）

打开克劳德桌面
首选 设置>扩展>高级设置>安装扩展。..
导航到 conclave-mcp 目录
按照提示配置您的 OPENROUTER_API_KEY
重新启动克劳德桌面

选项2：手动配置

打开克劳德桌面，转到 设置>开发人员>编辑配置，并添加以下内容 claude_desktop_config.json:

{
  "mcpServers": {
    "conclave": {
      "command": "uv",
      "args": ["run", "--directory", "/path/to/conclave-mcp", "python", "server.py"],
      "env": {
        "OPENROUTER_API_KEY": "sk-or-v1-your-key-here"
      }
    }
  }
}

替换 /path/to/conclave-mcp 使用您的实际路径，保存并重新启动Claude Desktop。

配置Claude代码

使用CLI添加服务器：

claude mcp add --transport stdio conclave -- uv run --directory /path/to/conclave-mcp python server.py --env OPENROUTER_API_KEY=sk-or-v1-your-key-here

或复制 .mcp.json.example 到 .mcp.json 并更新路径：

cp .mcp.json.example .mcp.json
# Edit .mcp.json with your paths and API key

证实 /mcp 克劳德代码或 claude mcp list 在终端。

可用工具

`conclave_quick`

快速平行意见（仅第1阶段）。查询所有秘密模型并返回单个响应。

成本：每次查询约0.01-0.03美元

用于：快速头脑风暴，快速获得不同的观点

`conclave_ranked`

同行排名意见（第1+2阶段）。显示哪种模型在此特定问题上表现最佳。

成本：每次查询约0.05-0.10美元

用于：代码审查，比较方法，看看哪个模型“获胜”

`conclave_full`

完成总结（所有3个阶段）。包括共识检测和主席决胜局。

成本：每次查询约0.10-0.20美元

选项:

tier：模型层- "premium", "standard" （默认）， "budget"
chairman：覆盖主席模型（例如。， "anthropic/claude-sonnet-4")
chairman_preset：使用预设("code", "creative", "reasoning", "concise", "balanced")

用于：重要决策、架构选择、复杂调试

`conclave_config`

查看当前配置：秘密会议成员、主席轮换状态、共识阈值。

`conclave_estimate`

在运行查询之前估算成本。

`conclave_models`

列出所有可用型号及其选择编号。显示按层分组并具有稳定编号的模型：

高级级别：1-10
标准层：11-20
预算级别：21-30
主席团：31-40

`conclave_select`

根据型号创建自定义结论。第一个模型成为主席。

conclave_select(models="31,1,11,21")

创建：

董事长：#31（deepseek-r1）
成员：#1（claude-opus-4.5），#11（claude-sonnet-4.5），#21（双子座-2.5-flash）

自定义选择将一直持续到服务器重新启动或 conclave_reset.

`conclave_reset`

清除自定义秘密选择并返回基于层的配置。

自定义模型选择

要完全控制哪些模型参与会议：

列出可用型号：使用 conclave_models 查看所有型号及其编号
选择您的阵容：使用 conclave_select(models="31,1,11,21") -第一位是主席
查询：使用 conclave_quick, conclave_ranked，或 conclave_full 照常
重置：使用 conclave_reset 返回到基于层的配置

工作流程示例:

> conclave_models
## Available Models
### Premium Tier (1-10)
   1. anthropic/claude-opus-4.5
   2. google/gemini-3-pro-preview
   ...

> conclave_select(models="31,1,12,21")
## Custom Conclave Created
Chairman (#31): deepseek/deepseek-r1
Members:
  - #1: anthropic/claude-opus-4.5
  - #12: google/gemini-2.5-pro
  - #21: google/gemini-2.5-flash

> conclave_quick("What is the best approach for...")
[Uses your custom selection]

> conclave_reset
## Custom Conclave Cleared

配置

编辑 config.py 自定义：

秘密会议层级

每一层都有独特的型号（没有重叠），以实现适当的性价比差异化：

# Premium: 6 frontier models for complex questions (~$0.30-0.50/query)
COUNCIL_PREMIUM = [
    "anthropic/claude-opus-4.5",        # Claude Opus 4.5
    "google/gemini-3-pro-preview",      # Gemini 3 Pro
    "x-ai/grok-4",                      # Grok 4 (full reasoning)
    "openai/gpt-5.1",                   # GPT-5.1 (flagship)
    "deepseek/deepseek-v3.2-speciale",  # DeepSeek V3.2 Speciale
    "moonshotai/kimi-k2-thinking",      # Kimi K2 Thinking (1T MoE)
]

# Standard: 4 balanced models (default) (~$0.10-0.20/query)
COUNCIL_STANDARD = [
    "anthropic/claude-sonnet-4.5",      # Claude Sonnet 4.5
    "google/gemini-2.5-pro",            # Gemini 2.5 Pro
    "openai/o4-mini",                   # OpenAI o4-mini
    "deepseek/deepseek-chat-v3.1",      # DeepSeek Chat V3.1
]

# Budget: 4 cheap/fast models (~$0.02-0.05/query)
COUNCIL_BUDGET = [
    "google/gemini-2.5-flash",          # Gemini 2.5 Flash
    "qwen/qwen3-235b-a22b:free",        # Qwen 3 235B (free tier)
    "openai/gpt-4.1-mini",              # GPT-4.1 Mini
    "moonshotai/kimi-k2:free",          # Kimi K2 (free tier)
]

主席轮换

主席池使用 仅推理模型 （非聊天模式）用于高质量合成：

CHAIRMAN_ROTATION_ENABLED = True
CHAIRMAN_ROTATION_DAYS = 7  # Rotate weekly

CHAIRMAN_POOL = [
    "deepseek/deepseek-r1",          # DeepSeek R1 reasoning
    "openai/o3-mini",                # OpenAI o3-mini reasoning
    "anthropic/claude-sonnet-4",     # Claude Sonnet 4 (strong reasoning)
    "qwen/qwq-32b",                  # Qwen QWQ reasoning model
]

共识阈值

CONSENSUS_STRONG_THRESHOLD = 0.75   # 75%+ agreement
CONSENSUS_MODERATE_THRESHOLD = 0.50  # 50-75% agreement
CHAIRMAN_TIEBREAKER_ENABLED = True   # Chairman breaks ties

Eval灯

一个独立的基准运行器，用于测试和比较跨层和随时间变化的秘密会议性能。

测试套件概述

eval套房包括 16项任务 穿过 9类，旨在测试不同的模型功能：

类别	任务	难度	测试内容
数学	2	简易中等	算术、文字题、逐步推理
代码	2	Easy Medium	漏洞检测、概念解释、代码示例
推理	2	中等难度	音节，多步逻辑谜题
分析	2	中等	逻辑谬误，权衡分析
摘要	2	中等	技术文档、业务报告
写作_商务	2	简易介质	专业电子邮件、提案
写作_创意	2	简单媒介	故事开头，原创隐喻
创造性的	1	简单	带解释的类比
事实的	1	简单	面向大众的科学解释

运行评估

# Run all 16 tests at standard tier (default)
python eval.py

# Run at different tiers
python eval.py --tier premium    # 6 frontier models (~$0.30-0.50/query)
python eval.py --tier standard   # 4 balanced models (~$0.10-0.20/query)
python eval.py --tier budget     # 4 cheap/fast models (~$0.02-0.05/query)

# Different modes
python eval.py --mode quick      # Stage 1 only (fastest, cheapest)
python eval.py --mode ranked     # Stage 1 + 2 (adds peer rankings)
python eval.py --mode full       # All 3 stages (default, includes synthesis)

# Filter by category
python eval.py --category math
python eval.py --category code
python eval.py --category reasoning

# Don't save results to disk
python eval.py --no-save

# Combine options
python eval.py --tier premium --mode full --category reasoning

输出格式

结果保存到 evals/eval___.json 与：

元数据：时间戳、层级、模式、主席模型
摘要：成功率、总时间、每项任务的平均时间
结果：每个任务的详细信息包括：

- 单个模型响应 - 同行排名（排名/完整模式） - 主席综合（全模式） - 共识级别

输出示例

🏛️  Conclave Eval-Light
   Tier: standard | Mode: full | Tasks: 16
--------------------------------------------------

[1/16] Running: math_arithmetic (math)
   ✓ Completed in 12.34s

[2/16] Running: math_word_problem (math)
   ✓ Completed in 15.67s
...

==================================================
📊 EVAL SUMMARY
==================================================
Tier: standard | Mode: full
Chairman: deepseek/deepseek-r1
Tasks: 16/16 successful
Total time: 287.45s
Avg per task: 17.97s

📋 Results by Task:
  ✓ math_arithmetic (easy) - 12.34s
  ✓ math_word_problem (medium) - 15.67s
  ✓ code_debug (easy) - 11.23s
  ...

💾 Results saved to: evals/eval_standard_full_20251204_143052.json

比较层级

在所有层中运行相同的评估，以比较模型质量与成本：

python eval.py --tier budget --category reasoning
python eval.py --tier standard --category reasoning
python eval.py --tier premium --category reasoning

然后比较JSON输出，看看不同的模型层在相同任务上的表现。

用例

场景	推荐工具	为什么
“查看此功能”	`conclave_ranked`	查看哪种模型捕获的问题最多
“Redis与PostgreSQL的会话？”	`conclave_full`	重要决策，需要综合考虑
“此功能的想法”	`conclave_quick`	快速多样的头脑风暴
“调试此错误”	`conclave_quick`	快速并行诊断
“重写此段”	`conclave_full` + `chairman_preset="creative"`	创意合成
“这个建筑听起来怎么样？”	`conclave_full` + `chairman_preset="code"`	技术综合

工具输出示例

## Conclave Full Result

**Consensus: ✅ STRONG** (75% agreement)

---

### Chairman's Synthesis

_Chairman: deepseek/deepseek-r1_

[Synthesized answer incorporating best points from all models...]

---

### Model Rankings (lower is better)

1. **claude-sonnet-4.5**: 1.50
2. **o4-mini**: 2.00
3. **gemini-2.5-pro**: 2.75
4. **deepseek-v3.1**: 3.75

_First-place votes:_ claude-sonnet-4.5=3, o4-mini=1

项目结构

conclave-mcp/
├── server.py      # MCP server entry point (5 tools)
├── conclave.py    # Core 3-stage council logic
├── config.py      # Model tiers, chairman rotation, cost estimates
├── eval.py        # Standalone benchmark runner
└── evals/         # Saved evaluation results

添加模型

OpenRouter支持200多种型号。在以下位置查找型号IDhttps://openrouter.ai/models

# Add to COUNCIL_* lists in config.py
"x-ai/grok-4"                    # xAI Grok
"meta-llama/llama-4-maverick"    # Meta Llama
"mistralai/mistral-large-2"      # Mistral
"deepseek/deepseek-r1"           # DeepSeek reasoning

重要：保持每层模型的唯一性（没有重叠），以便进行适当的区分。

OpenRouter的工作原理

OpenRouter是一个统一的API网关-您不需要使用OpenAI、Google、Anthropic等单独的帐户。一个API密钥，一个信用余额，访问所有模型。

注册：https://openrouter.ai
添加积分（预付，或启用自动充值）
对所有模型使用单个API密钥

许可证

麻省理工学院

归因

受...启发安德烈·卡帕斯的llm委员会原版是一个用于交互式探索LLM比较的web应用程序。该项目将理事会概念重新实现为MCP服务器，用于与人工智能辅助编辑器集成，增加了共识协议和分层机制。

Council MCP

快速接入

详细介绍