Dtcc Agent

dtcc代理

LLM代理接口 DTCC平台. 展示城市数字孪生模拟 主控程序 工具，使Claude和其他LLM代理能够发现数据集，检查城市 上下文，运行环境模拟，并通过自然方法解释结果 语言。

建筑

LLM (Claude) ←→ MCP protocol ←→ dtcc-agent
                                    ├── geocode            (pyproj + Nominatim)
                                    ├── get_buildings       (dtcc_core.datasets)
                                    ├── run_simulation      (dtcc-sim remote or in-process)
                                    ├── compare_scenarios   (composes the above)
                                    ├── list_operations    ─┐
                                    ├── describe_operation  │ dynamic dispatch
                                    ├── run_operation       │ (109 operations)
                                    ├── list_objects        │ with object store
                                    ├── inspect_object      │
                                    ├── delete_object       │
                                    ├── get_field_names     │
                                    ├── export_object       │
                                    ├── object_to_text      │
                                    ├── spatial_query      ─┘
                                    ├── render_object       (dtcc_viewer, offscreen)
                                    └── disk_cache          (spatial containment, TTL eviction)

dtcc代理可以在两种模式下运行：

• 迷你服务模式：Lurkie和MCP服务器在轻量级中运行

Python容器。模拟工具调用 dtcc-sim 迷你服务通过 相同的 dtcc-core Atlas使用的远程数据集协议。

• 直接模式：MCP服务器导入 dtcc_core 和 dtcc_sim 直接

正在进行中。这需要一个完整的科学环境。

先决条件

对于Docker mini服务，您需要：

• 码头工人
• 跑步 dtcc-sim 迷你服务
• 克劳德·奥斯特，要么 CLAUDE_CODE_OAUTH_TOKEN 或 ANTHROPIC_API_KEY

对于直接进程内使用，dtcc代理在与以下相同的环境中运行 dtcc sim。您需要：

• FEniCSx（dolfinx）通过conda
• dtcc核心和dtcc（pip）
• dtcc-sim（pip）
• dtcc-tetgen包装器（来源）

请参阅 dtcc-sim README 有关环境设置说明。

安装

pip install -e .

对于网络聊天机器人附加功能：

pip install -e ".[chatbot]"

用法

使用克劳德桌面/克劳德代码

添加到MCP配置(.mcp.json 或克劳德桌面设置）：

{
  "mcpServers": {
    "dtcc-agent": {
      "command": "python",
      "args": ["-m", "dtcc_agent"]
    }
  }
}

独立

python -m dtcc_agent

Docker迷你服务

开始 dtcc-sim 首先，构建并运行代理服务：

cd ../dtcc-sim
docker compose up -d

cd ../dtcc-agent
mkdir -p data/agent
export DTCC_REMOTE_SERVICES=http://host.docker.internal:8001
export CLAUDE_CODE_OAUTH_TOKEN=...
docker compose up --build

在macOS上，挂载 ~/.claude 对于本地Claude身份验证来说，进入Docker是不够的： Claude Code将OAuth凭据存储在Keychain中。生成容器令牌 在主机上并将其传递到环境中：

claude setup-token
export CLAUDE_CODE_OAUTH_TOKEN="sk-ant-oat01-PASTE-TOKEN-HERE"

不要包裹 claude setup-token 在命令替换中。它是互动的 可以将整个登录屏幕捕获到 CLAUDE_CODE_OAUTH_TOKEN，这使得 克劳德发送了一个无效 Authorization: Bearer ... 头球验证无 打印令牌：

python verify_auth.py --require-oauth

启动Docker后，验证令牌是否到达容器：

docker compose exec -T dtcc-agent python verify_auth.py --require-oauth

ANTHROPIC_API_KEY 如果您更喜欢API-key身份验证，则也支持。

服务正在监听http://localhost:8050并在以下位置公开健康端点 http://localhost:8050/health.

Docker布局镜像 dtcc-sim:

• Dockerfile
• docker-compose.yml
• build_docker.sh

可用工具

仿真工具（硬编码）

动态调度工具（109次操作）

可视化工具

动态调度工具公开 全部 dtcc核心：

运作原理

对象存储和管道

结果来自 run_operation 以短8个字符存储在内存中 十六进制ID。您将这些ID作为参数传递给后续操作， 建造多级管道：

run_operation("datasets.point_cloud", {"bounds": [...]})
  → result_id: "a1b2c3d4"   (PointCloud stored in memory)

run_operation("builder.build_terrain_raster", {"pc": "a1b2c3d4", "cell_size": 2.0})
  → result_id: "e5f6g7h8"   (Raster stored, built from the point cloud)

标记的参数 is_object_ref: true 在 describe_operation 输出 接受这些ID。调度员会自动从商店中解析它们。

商店使用LRU驱逐（默认限制为2GB）来防止无限制 长时间会话期间的记忆增长。

什么会被退回

run_operation 从不返回原始数组数据。相反，它会返回 特定类型的摘要：

• 点云：num_points、界限、分类计数、z-stats
• 网格：num_vertices、num_faces、界限、标记信息
• 光栅：形状、单元格大小、边界、值统计（min/max/mean/std）
• 城市：num_buildings，has_terrain，高度统计
• 元组：每个元素都用链接的ID单独存储

使用 inspect_object(id) 以获取任何存储对象的详细摘要。

磁盘缓存

昂贵的操作（数据集下载、构建器计算）是 自动缓存到磁盘 /tmp/dtcc_cache/。缓存使用：

• 空间遏制 对于数据集：如果缓存的结果覆盖了

大于请求的区域，缓存的数据将被重用和裁剪。

• 内容指纹识别 对于构建器：输入对象按以下方式散列

它们的元数据（类型、大小、来源），因此与 即使在会话之间，等效的输入也会命中缓存。

• TTL驱逐 （7天）和a 磁盘预算 （10 GB），带

最古老的第一次驱逐。

两者 run_operation （通过调度员）和 get_buildings （直接 MCP工具）在从外部源获取之前检查磁盘缓存。

示例

示例1：热浪影响分析

User: "How does a heatwave affect Lindholmen in Gothenburg?"

Agent calls: geocode("Lindholmen")
  → bounds [318866, 6399800, 319366, 6400300] in EPSG:3006

Agent calls: get_buildings(bounds)
  → 47 buildings, 3–45m height

Agent calls: compare_scenarios("urban_heat_simulation", bounds,
               {air_temperature: 20}, {air_temperature: 38})
  → baseline mean 17.8°C, heatwave mean 36.2°C, max 47.1°C

Agent: "Temperature increases by 18.4°C on average, with dangerous
        peaks of 47.1°C in street canyons..."

示例2：地形分析管道

下载点云，构建地形光栅，然后计算坡度：

User: "Analyze the terrain slope around Chalmers"

Agent calls: geocode("Chalmers")
  → bounds [319700, 6399500, 320200, 6400000]

Agent calls: list_operations(search="terrain")
  → shows datasets.point_cloud, builder.build_terrain_raster,
    builder.raster.slope_aspect, ...

Agent calls: run_operation("datasets.point_cloud",
               {"bounds": [319700, 6399500, 320200, 6400000]})
  → result_id: "a1b2c3d4", summary: 1.2M points, z range 5–48m

Agent calls: run_operation("builder.build_terrain_raster",
               {"pc": "a1b2c3d4", "cell_size": 2.0})
  → result_id: "e5f6g7h8", summary: 250×250 raster, elevation 5–48m

Agent calls: run_operation("builder.raster.slope_aspect",
               {"dem": "e5f6g7h8"})
  → result_ids: ["f9g0h1i2", "j3k4l5m6"]  (slope + aspect rasters)

Agent calls: inspect_object("f9g0h1i2")
  → slope raster: mean 0.12 rad (7°), max 0.8 rad (46°)

Agent: "The terrain around Chalmers is mostly gentle (mean slope 7°)
        with some steep sections reaching 46° near the hillside..."

示例3：建筑物和树木清单

User: "What buildings and trees are in Lindholmen?"

Agent calls: geocode("Lindholmen")
  → bounds [318866, 6399800, 319366, 6400300]

Agent calls: run_operation("datasets.buildings",
               {"bounds": [318866, 6399800, 319366, 6400300]})
  → result_id: "b1c2d3e4", 47 buildings, heights 3–45m

Agent calls: run_operation("datasets.point_cloud",
               {"bounds": [318866, 6399800, 319366, 6400300]})
  → result_id: "f5g6h7i8"

Agent calls: run_operation("builder.trees_from_pointcloud",
               {"pc": "f5g6h7i8"})
  → result_id: "j9k0l1m2", 128 trees, height 4–18m

Agent calls: list_objects()
  → 3 objects, 45 MB total

Agent: "Lindholmen has 47 buildings (3–45m tall) and approximately
        128 detected trees (4–18m tall) from the LiDAR data..."

示例4：3D建筑可视化

下载某个区域的建筑物并渲染3D屏幕截图：

User: "Show me the buildings in Lindholmen"

Agent calls: geocode("Lindholmen")
  → bounds [318866, 6399800, 319366, 6400300]

Agent calls: run_operation("datasets.buildings",
               {"bounds": [318866, 6399800, 319366, 6400300]})
  → result_id: "b1c2d3e4", 47 buildings, heights 3–45m

Agent calls: render_object("b1c2d3e4")
  → {"image_path": "/tmp/dtcc_screenshots_xxx/b1c2d3e4.png",
     "type": "City", "width": 1200, "height": 800}

Agent: "Here's a 3D rendering of the 47 buildings in Lindholmen.
        The tallest building reaches 45m..."

示例5：地形可视化管道

构建地形光栅并渲染它：

User: "Visualize the terrain around Chalmers"

Agent calls: geocode("Chalmers")
  → bounds [319700, 6399500, 320200, 6400000]

Agent calls: run_operation("datasets.point_cloud",
               {"bounds": [319700, 6399500, 320200, 6400000]})
  → result_id: "a1b2c3d4", 1.2M points

Agent calls: run_operation("builder.build_terrain_raster",
               {"pc": "a1b2c3d4", "cell_size": 2.0})
  → result_id: "e5f6g7h8", 250×250 raster, elevation 5–48m

Agent calls: render_object("e5f6g7h8")
  → {"image_path": "/tmp/dtcc_screenshots_xxx/e5f6g7h8.png",
     "type": "Raster", "width": 1200, "height": 800}

Agent: "Here's the terrain raster for the Chalmers area. Elevation
        ranges from 5m near the waterfront to 48m on the hillside..."

示例6：发现操作

Agent calls: list_operations(category="builder")
  → 73 operations: build_terrain_raster, build_city_surface_mesh,
    trees_from_pointcloud, merge_meshes, slope_aspect, ...

Agent calls: describe_operation("builder.build_city_surface_mesh")
  → params: city (object_ref, required), max_mesh_size (float, default 10),
    min_mesh_angle (float, default 20.7), ...

Agent calls: describe_operation("builder.pc_filter.remove_vegetation")
  → params: pc (object_ref, required)
  → returns: PointCloud

网络聊天机器人（Lurkie）

聊天机器人提供了一个基于浏览器的聊天界面，由Claude Agent SDK提供支持。

安装

pip install -e ".[chatbot]"

跑

python -m chatbot

然后打开http://localhost:8050在您的浏览器中。日志被写入 /tmp/dtcc_lurkie_logs/.

运作原理

聊天机器人使用Claude Agent SDK作为MCP服务器连接到dtcc代理。 用户消息通过WebSocket发送，Claude的响应（包括工具调用） 以及3D渲染）实时流回。

特征：

• 对话记忆：过去的交易记录存储在ChromaDB和

通过RAG检索以提供跨会话上下文。

• 错误恢复：如果恢复的SDK会话失败（例如上下文

限制），聊天机器人会自动重试新的会话。

• 会话管理：会话将在1小时后过期。“新聊天”

按钮允许用户在不重新加载的情况下重新开始。

• 安全：渲染的markdown用DOMPurify进行消毒，以

防止XSS。

许可证

MIT许可证。该项目是 DTCC平台 开发于 数字双城中心.