AI Workbench MCP

Name: AI Workbench MCP
Author: hrishikesh-thakre

ローカル

github.com/hrishikesh-thakre開発ツール018 週間前に更新

リポジトリ

AI Workbench MCP について

AI Workbenchは、コーディングエージェントのワークフロー向けMCPサーバー兼ローカル監督システムです。証拠の収集、検証、受け入れポリシー、監査可能なレポートを扱い、高リスクの作業には人による確認が必要としています。

主な機能

01ローカル実行の証拠を収集
02作業を検証し受け入れポリシーを適用
03監査可能なレポートとPR成果物を生成
04対応するローカルエージェントのワークフローを監督
05MCPツールで実行記録を分析

活用シーン

01コーディングエージェントの変更に関する証拠を確認
02受け入れ前に検証プロファイルを適用
03accept、needs_review、blockのPR判定を生成
04複数の実行記録を分析

MCP 対応

実行の開始、ポリシーとモデルの選択、実行の記録、検証、品質ゲート、実行分析を行う7つのツールを公開します。GooseなどのMCPホストは `ai-workbench mcp serve` で接続できます。

設定

ローカルサーバーの設定はどのクライアントでも共通です。コピーしてクライアントの MCP 設定ファイルに貼り付けてください。

mcp.json · 共通設定

{
  "mcpServers": {
    "hrishikesh-thakre-ai-workbench": {
      "command": "uvx",
      "args": [
        "ai-workbench-mcp"
      ]
    }
  }
}

起動コマンドuvx ai-workbench-mcp

ローカルサーバーにはマシン上の実行環境（Node.js 18 以上など）が必要です。設定ファイルの場所はクライアントごとに異なります。

パッケージ

pypiai-workbench-mcp0.6.0a0stdio

ツール

掲載時のツール一覧 · 3 週間前に更新

パラメーター	型	必須
docs	any	いいえ
risk	string	いいえ
task	string	はい
prompt	string	いいえ
recipe	any	いいえ
project	string	はい
run_dir	any	いいえ
policy_pack	any	いいえ
include_diff	boolean	いいえ
changed_files	any	いいえ
execution_host	string	いいえ
context_profile	any	いいえ
validation_profile	any	いいえ
auto_select_policy_pack	boolean	いいえ

詳細

AI Workbench

AI Workbench は AI コーディングエージェントを監督し、証拠を収集して作業を検証し、受け入れポリシーを適用し、監査可能で PR 対応済みのレポートを作成します。

公開アルファ版では、ai-workbench というパッケージ名がすでに使用されているため、PyPI パッケージ名は引き続き ai-workbench-mcp です。製品名と CLI 名は AI Workbench です：

pip install ai-workbench-mcp
ai-workbench --help

現在のソースメタデータは、未公開の ai-workbench-mcp==0.8.0a0 を対象としています。この公開アルファ版では、ローカルでの監督、証拠の収集、検証、受け入れポリシー、PR レポートを、1 つの製品として統合しています。

公開アルファ版の警告

スーパーバイザーは自動的な証拠収集の推奨手段ですが、デーモン、Codex フック、OpenCode アダプターの対応はアルファ版の仕組みです。AI Workbench は証拠の品質と受け入れ準備状況を確認しますが、作業が絶対に正しいことを証明するものではありません。リスクの高い作業には、引き続き人間によるレビューが必要です。

アーキテクチャ

AI Workbench スーパーバイザーがローカルの証拠を収集します。
AI Workbench の検証機能が validation_report.json を書き込みます。
AI Workbench の品質ゲートが revision_decision.json を書き込みます。
AI Workbench の PR／レポート機能が accept、needs_review、block を表示します。

エージェントの出力は提案です。Workbench は証拠に基づいて受け入れを判断します。

MCP は接続プロトコルです。AI Workbench MCP はツールサーバーです。受け入れは、選択した検証プロファイルと品質ゲートによって判断されます。エージェントが実行します。Workbench が受け入れます。MCP が両者を接続します。

クイックスタート

プロジェクトを一度登録し、ローカルスーパーバイザーを起動します：

pip install ai-workbench-mcp
ai-workbench supervisor setup --project-dir . --task-type code_change
ai-workbench supervisor start

プロジェクト内で Codex、OpenCode、Goose、またはその他の対応するローカルワークフローを実行します。次に、最新のレポートを確認します：

ai-workbench supervisor status
ai-workbench reports show latest --project-dir .

確定済みの実行から PR 対応済みの成果物を生成します：

ai-workbench pr-gate --run-dir runs/<run_id>

正規のローカル実行台帳は次のとおりです：

runs/<run_id>/
  task_metadata.json
  final_prompt.md
  model_selection.json
  model_output.md
  validation_report.json
  revision_decision.json
  run_log.jsonl
  metadata.json
  transcript.jsonl
  commands.jsonl
  workspace/
  validation/
  artifacts/

validation_report.json と revision_decision.json が、受け入れに関する最終的な判断基準です。補助的なスーパーバイザーレポートはローカルの証拠であり、Workbench の成果物の代わりにはなりません。

Codex フック

プロジェクトローカルの Codex フックをインストールします：

ai-workbench setup codex --project-dir . --task-type code_change

Codex を再起動するか、新しいセッションを開始して /hooks を開き、プロジェクトのフックを確認して、一度信頼します。フックイベントが観測されるまでは、スーパーバイザーのステータスレポートでは、Codex の対応状況は「設定済み、未検証」と表示されます。

Goose MCP

AI Workbench では、引き続き同じ MCP ツールのライフサイクルを利用できます。次の方法で、Goose または別の MCP ホストにサーバーを登録します：

ai-workbench mcp serve

7 つの MCP ツールは引き続き利用できます：

workbench_open_run
workbench_select_policy_pack
workbench_select_model
workbench_record_execution
workbench_validate_run
workbench_quality_gate
workbench_analyze_runs

PR ゲート

Workbench の PR 受け入れ機能は、実際の Workbench 実行証拠を使用します：

ai-workbench pr-gate \
  --run-dir runs/<run_id> \
  --out runs/pr_gate/pr_comment.md \
  --json-out runs/pr_gate/pr_decision.json

結果は次のいずれかに限られます：

accept
needs_review
block

証拠がない場合、読み取れない場合、またはスキャフォールドのみの場合は、ブロックされます。CI の成功、アップロード済みの成果物、固定された PR コメント、モデル自身による自己申告は、受け入れの証拠にはなりません。

ブートストラップ用アセット

スターター設定、プロンプト、レシピ、ドキュメント、GitHub PR ゲートワークフローをリポジトリに追加するには：

ai-workbench bootstrap --target .

ブートストラップでは runs/ は無視対象のままです。

パッケージデモ

パッケージのみを使った合成デモを実行するには：

ai-workbench demo --target ./workbench-first-run

フィクスチャの証拠を使って、PR ゲートの結果 accept、needs_review、block を確認できます。実際の対象リポジトリで受け入れを実行するものではありません。

開発

python -m pip install -e ".[dev,publish]"
python -m pytest -q -p no:cacheprovider
python -m ruff check . --no-cache
python -m mypy --no-sqlite-cache --no-incremental
ai-workbench demo --target runs/package_demo_smoke
ai-workbench validate --project ai_workbench_mcp --profile scaffold --run-dir runs/scaffold-smoke

runs/ はコミットしないでください。コミットするサンプル証拠はサニタイズし、examples/ の下に配置してください。

ドキュメント

レシピ：

エビデンスのサンプル：

ライセンス

Apache-2.0 です。LICENSE を参照してください。統合された Prove It コードの MIT ライセンス由来の帰属表示は、NOTICE に保持されています。

Markdown 対応

ログインしてコメント

MCP は初めてですか？

プロトコルの概要から最初のサーバーの導入まで、よくある疑問にまとめて答えます。

入門ガイドを読む

AI アプリケーションが外部のツールやデータソースに統一的な方法で接続するためのオープンなプロトコルです。クライアントはモデルとの対話を担い、MCP サーバーはツール・リソース・プロンプトテンプレートを提供します。標準メッセージでやり取りするため、1 つのサーバーを複数のクライアントで再利用できます。