MCP炼油厂
别名:m-r,mr,mcp-refinery--在与另一个仓库中的Cursor交谈时，可以使用其中任何一个。
用于自我改进MCP服务器的代理交付系统。
根据其自身经过验证的模式评估服务器。在更改任何内容之前，始终要求对齐。在所有托管服务器上传播改进。MCP SDK之外的零外部依赖。
有关完整的体系结构、原理和图表，请参阅 建筑.md.
从其他来源参考MCP炼油厂
当您在另一个连接了此MCP服务器的Cursor项目中时，您可以说：
Please consult with m-r about this server's error handlingAsk mr to review this with the following research: @research-article.mdUse mcp-refinery to ingest this deep analysis and suggest improvements光标将识别 m-r / mr / mcp-refinery 作为此MCP服务器并自动路由到facade工具。
喂养大型研究（50k+字符）
当你有一篇来自ChatGPT、Gemini或任何来源的长篇研究文章时：
选项A——文件引用（建议用于非常大的内容）
- 将研究输出保存到项目中的文件中（例如。
research/gemini-deep-dive.md) - 在游标中，说：
Please consult with m-r using this research: @research/gemini-deep-dive.md游标读取文件并将完整内容传递给 ingest 工具自动。
选项B——直接粘贴（适用于中等长度）
- 将研究直接粘贴到光标提示中：
Please have m-r ingest this research and suggest improvements for cursor-context-layer:
MCP服务器的 ingest 和 refine 这两种工具都接受任何长度的原始研究内容。该系统自动在安全性、可靠性、devex和性能方面进行分析。
选项C——多轮 如果研究对于单个提示来说太大，请将其拆分为逻辑部分，并一次提供一个：
Please have m-r ingest this (part 1 of 3): @research/part1.md每一轮都会存储调查结果。共识引擎融合了所有回合。
自我完善
炼油厂可以使用与其他服务器相同的管道来改进自己。没有设置更改，没有工作区切换，只有一个可执行文件。
从任何工作区 （例如，在工作时 cursor-context-layer):
Please have m-r improve itself based on this research: @article.mdUse the refine tool with target_server_id="self" intent="improve error handling"从mcp炼油厂工作区:
Please refine self — focus on cleanup hygiene所有的自我提升都要通过同样的对齐门。炼油厂自己的源路径和工具列表作为上下文自动注入。自我改进和改进另一台服务器之间的唯一区别在于上下文的来源——为“自我”自动注入，为他人提供代理。
target_server_id 接受以下任何一项： "self", "mr", "m-r", "mcp-refinery" --他们都决心使用炼油厂自己的代码库。
快速开始
npm install
npm run build && npm run bundle添加到光标MCP设置：
{
"mcpServers": {
"mcp-refinery": {
"command": "node",
"args": ["C:/Projects/V2/mcp-refinery/dist/mcp-refinery.cjs"],
"env": {
"REFINERY_DATA_PATH": "./data",
"REFINERY_SOURCE_PATH": "C:/Projects/V2/mcp-refinery"
}
}
}
}REFINERY_DATA_PATH--其中存储了管道状态和审计日志（默认值：./data)REFINERY_SOURCE_PATH--精炼厂自己的源根，用于从其他工作区进行自我改进（可选；从项目目录运行时自动检测）
API密钥继承自您的系统环境。集 ANTHROPIC_API_KEY 在您的shell配置文件中。添加 OPENAI_API_KEY, GOOGLE_AI_API_KEY，或 XAI_API_KEY 稍后，模型将立即可用，无需重新启动。
如何使用
五种外观工具。从这里开始。内部工具可供高级使用。
饲料研究
Use the ingest tool with target_server_id="my-server" content="
"该系统阅读文章，从多个角度提取结构化的发现，根据基线质量模式对其进行评估，计算共识，并提出建议。
优化服务器
Use the refine tool with target_server_id="my-server" intent="improve error handling"运行完整的流程：研究、分类、分类、， 用户对齐、计划、执行、， 清理，释放，传播。如果服务器已注册，则仅 target_server_id 和 intent 是必需的。
咨询专家
Use the consult tool with question="should we migrate to SSE transport?"聘请合适的专业代理，并对关键决策进行多模式审议。
推进管道
Use the pipeline_next tool with pipeline_id="..."检查状态
Use the pipeline_status tool管道
每条管道都按顺序穿过覆盖层。三个方面是 强制性的:
flowchart LR
R[Research] --> C[Classify] --> T[Triage]
T --> A{{"⚡ ALIGN
User approves"}}
A --> P[Plan] --> E[Execute]
E --> CL["🧹 CLEANUP
+ doc freshness"]
CL --> D["📄 DOCUMENT"]
D --> REL[Release] --> PR[Propagate]
PR --> FB["📈 FEEDBACK
lessons learned"]
style A fill:#ff9,stroke:#333,stroke-width:2px
style CL fill:#e8f5e9,stroke:#2e7d32
style FB fill:#e3f2fd,stroke:#1565c0- 这 对齐 在更改任何内容之前，gate总是会暂停以供用户确认
- 这 清理 pass捕获过时的导入、失效的导出、孤立的文件、过时的文档和未对齐的图表
- 这 文件 pass确保文档随代码一起发布——不发布过时的文档
- 这 反馈 step记录下一个周期的优势、劣势和经验教训
模型路由
系统知道来自4个提供商的模型，但仅路由到检测到API密钥的提供商：
| 提供者 | 环境变量 | 模型 |
|---|---|---|
| 人类学 | ANTHROPIC_API_KEY | 克劳德·奥普，十四行诗，俳句 |
| OpenAI | OPENAI_API_KEY | gpt-4或gpt-4o-ini |
谷歌 GOOGLE_AI_API_KEY | Gemini Pro，Flash | |
| xAI | XAI_API_KEY | Grok 3 |
每次通话时都会实时检查密钥——添加密钥会立即生效。
对于关键决策，两个架构师层模型审查相同的问题（多模型审议）。当他们不同意时，冲突就会转移到用户身上。
MCP工具（39）
立面（从这里开始）
| 工具 | 目的 |
|---|---|
ingest | 输入研究文章——提取研究结果，计算共识，提出建议 |
refine | 全面改进管道——通过校准闸门发布进行研究 |
consult | 为关键决策提供多模式审议的专家咨询 |
pipeline_next | 将活动管道推进到下一个覆盖步骤 |
pipeline_status | 检查管道状态——当前覆盖、进度、下一步需要什么 |
pipeline_cancel | 取消卡住或不需要的管道 |
pipeline_purge | 清除之前会话中的所有孤立管道 |
ResearchOps（受控研究生命周期）
| 工具 | 目的 |
|---|---|
research_new | 使用完整的脚手架和管道创建新的研究案例 |
research_advance | 通过受理推进案件→ 合成→ 回顾→ 决定→ 冻结→ 实施→ 评估→ 释放 |
research_status | 检查案例状态或列出所有带有进度指示器的案例 |
research_consult | 查询案例中的决策、证据或工件内容 |
research_validate | 运行确定性验证检查（结构、PHI、审查、冻结、预算） |
持续改进（反馈循环）
| 工具 | 目的 |
|---|---|
feedback_query | 查询优势、劣势以及从过去的管道运行中吸取的经验教训 |
当管道完成时，会自动记录反馈。研究叠加参考了过去的反馈，为研究提示注入了“机构记忆”。
内部（高级）
服务器: server_register, server_list
研究: research_start, research_store, research_consensus, research_query
决定: improvements_triage, decision_record_adr, decision_check_oscillation, decision_capture_scorecard
交付: delivery_plan, delivery_create_pr, delivery_release, governance_approve, governance_check
路由: model_list, model_classify, deliberation_start, deliberation_submit, deliberation_resolve, deliberation_status
知识: baselines, cleanup_checklist
可观测性: audit_query, audit_stats, search_similar
存储
所有州 data/ 作为JSON文件。没有数据库。删除 data/ 重置。
构建
.\build.ps1 # Full build + bundle + MCP connection config
.\build.ps1 -VerifyOnly # Check bundle + settings alignment only依赖项
运行时: @modelcontextprotocol/sdk, zod 开发: typescript, tsx, esbuild