Tenx MCP代理设置和AI编排
此存储库包含我为 TRP 1–MCP设置挑战.\ 它演示了我如何配置 Tenx MCP分析服务器，使用显式规则管理AI编码代理，并迭代评估这些规则如何影响代理行为。
所有文档和工件都是故意的 合并到这个README中 使评估简单透明。
______________________________________________________________________
🎯 挑战目标
这一挑战的目标是：
- 配置和验证 Tenx MCP分析服务器
- 在AI代理交互期间保持活动的MCP连接
- 设计有效 AI代理治理规则 基于最佳实践
- 实验代理行为并观察可测量的变化
- 清晰地记录结果、挑战和见解
讨论的核心问题：
*我是否有能力使用MCP工具和行为规则有意地编排和指导AI编码代理？*
______________________________________________________________________
🛠 环境与工具
- 石斑鱼类： VS Code
- AI工具： GitHub副本和GitHub副本聊天（代理模式）
- MCP服务器： Tenx反馈分析MCP
- 操作系统： 视窗
- 身份验证： GitHub OAuth
______________________________________________________________________
📂 项目结构
尽管为了便于审查，所有文档都合并到了本自述文件中，但该项目遵循一个清晰而有意的结构：
tenx mcp代理设置/ ├── .github/ │ └── copilot-instructions.md#AI代理行为规则（包括在下面） ├── .vscode/ │ └── mcp.json#Tenx mcp服务器配置 ├── docs/ │ └── mcp-report.md#活动报告和见解（包括在下面） └── README.md#合并文档
内容 copilot-instructions.md 和 mcp-report.md 在本README中完整复制。
______________________________________________________________________
🔌 Tenx MCP配置摘要
Tenx MCP分析服务器是使用VS Code的MCP集成和HTTP传输配置的。
设置的关键特征：
- MCP在后台非侵入性运行
- AI代理交互会自动记录
- 日志记录意图清晰度、上下文质量、回合数和性能信号
- 身份验证通过GitHub OAuth处理
一旦启动，MCP服务器将分析工具直接暴露给AI代理，而不会中断正常的工作流程。
______________________________________________________________________
🧠 AI代理规则（副驾驶指令.md）
以下规则用于控制和指导AI编码代理的行为。
代理商操作规程
角色和意图
- 充当高级协作编码合作伙伴
- 优化清晰度、正确性和可维护性
- 不要把速度放在理解之上
交互原则
- 当需求不明确时，提出澄清问题
- 在继续之前明确陈述假设
- 比起大的变化，更喜欢小的、可验证的步骤
- 表面权衡和相关替代方案
推理与规划 在编写代码之前：
- 用自己的话重述任务
- 提出简明的执行计划
- 识别风险、未知因素或假设
只有在对齐后才能继续。
代码规范
- 可读性胜过聪明
- 遵循现有的项目惯例
- 仅在意图不明显的情况下添加评论
- 避免不必要的抽象或过度工程化
反馈循环
- 总结完成任务后所做的工作
- 提出一个可能的改进或后续行动
- 标记潜在的未来风险或问题
安全与控制
- 不要修改未明确提及的文件
- 未经批准，不得引入新的依赖关系
- 不要伪造API、配置或行为
______________________________________________________________________
🧪 实验与迭代
在挑战过程中，我通过以下方式迭代地改进了代理行为：
- 发出具有不同模糊程度的提示
- 调整规则以加强规划和澄清
- 观察结构、冗长和正确性的变化
- 确保MCP记录在交互过程中保持活跃
- 验证小规则更改是否产生了有意义的行为转变
______________________________________________________________________
📄 活动报告（mcp-Report.md）
我所做的
- 使用Tenx MCP分析服务器配置VS代码
- 通过GitHub OAuth对MCP服务器进行身份验证
- 创建并迭代AI代理治理规则
- 测试不同约束下的代理响应
- 监控行为和日志一致性
______________________________________________________________________
什么奏效了
- 实施计划步骤显著提高了响应质量
- 要求披露假设减少了错误输出
- 限制代理自主性提高了可预测性和一致性
- 小而明确的规则对行为产生了巨大的影响
______________________________________________________________________
什么不起作用
- 过于严格的冗长控制有时会删除有用的上下文
- 含糊的提示偶尔仍需要澄清
- 由于Windows SSL/网络问题，初始Git推送失败
______________________________________________________________________
故障排除和解决方案
- 将GitHub推送失败确定为本地SSL/网络问题
- 测试了多种补救策略
- 从HTTPS切换到SSH进行Git操作
- 成功推送和维护存储库访问
______________________________________________________________________
🔍 获得的关键见解
- AI代理规则充当 行为契约，而不是简单的说明
- 明确的规划要求优于模型切换
- 假设披露对于减少幻觉至关重要
- MCP日志记录捕获 互动质量，而不仅仅是输出
- 有效的人工智能协作更多地取决于治理而不是工具
______________________________________________________________________