mcpField
L
Liminal

Liminal

远程服务
physea.aiAI 与智能体02 周前更新

关于 Liminal

Liminal 是面向 AI Agent 的托管推理层,可拆解目标、延续上下文并将工作路由到实际工具。决策可复现,并会随已知上下文变化而调整。

主要功能

  1. 01将目标拆解为结构化工作
  2. 02把请求路由到实际工具
  3. 03执行多来源研究
  4. 04通过表单收集个性化信息
  5. 05保存上下文、素材和偏好
  6. 06接收反馈与结果

适用场景

  1. 01将复杂请求转为有依据的结果
  2. 02从多个来源研究问题
  3. 03根据个性化回答优化结果

MCP 相关

Liminal 是通过 streamable HTTP 连接的托管远程 MCP 服务。MCP 客户端可使用其工具,并通过 API 密钥或 OAuth 2.1 验证。

配置

远程服务无需本地安装。选择你使用的客户端,复制配置或使用一键安装。

服务地址https://liminality.physea.ai/mcp
一键复制安装命令
Claude CodeTerminal
Cursor.cursor/mcp.json
VS Code.vscode/mcp.json
Claude Desktopclaude_desktop_config.json
Windsurf~/.codeium/windsurf/mcp_config.json

命令在终端中运行;JSON 粘贴到对应客户端的 MCP 配置后重启。需要授权的服务会在首次连接时提示登录。

全部服务地址
Streamable HTTPhttps://liminality.physea.ai/mcp需要授权

工具

详细介绍

Liminal

Liminal

借助 Liminal,提升你的工作效率。告别重复劳动,在已有解决方案的基础上继续推进。

文档 · 获取免费密钥 · 示例

Glama 上的 Liminal 官方 MCP 注册表 smithery 徽章 MCP 徽章


Liminal 通过原子化、确定性的基础框架,将目标转化为结构化工作:为范围设定护栏,汇总资源与约束,发现差距,并组织研究和后续步骤。同时,它会延续上下文和优先级,让你的 AI 能在已有工作的基础上继续推进。

通过 MCP 轻松连接,或使用桌面应用。

安装

远程服务,无需在本地构建或运行。前往 https://physea.ai/signup 获取密钥,然后将其添加到你的客户端。examples/ 中提供了适用于各客户端的即用配置文件,以及首次求解指南。

Claude Code

claude mcp add liminal --transport http https://liminality.physea.ai/mcp --header "X-API-Key: YOUR_KEY"

Cursor

添加到 ~/.cursor/mcp.json:

{
  "mcpServers": {
    "liminal": {
      "url": "https://liminality.physea.ai/mcp",
      "headers": { "X-API-Key": "YOUR_KEY" }
    }
  }
}

VS Code

添加到 .vscode/mcp.json:

{
  "servers": {
    "liminal": {
      "type": "http",
      "url": "https://liminality.physea.ai/mcp",
      "headers": { "X-API-Key": "YOUR_KEY" }
    }
  }
}

Docker(stdio 桥接)

对于需要容器的客户端或目录,Dockerfile 使用 mcp-remote 封装远程端点:

docker build -t liminal-mcp . && docker run -i --rm -e API_KEY=YOUR_KEY liminal-mcp
  • 端点: https://liminality.physea.ai/mcp
  • 传输方式: 可流式传输的 HTTP(远程托管)
  • 身份验证: 通过 X-API-Key 或 Authorization: Bearer 使用 API 密钥,或使用 OAuth 2.1。
  • 注册表名称: ai.physea/liminality(官方 MCP 注册表)

它是什么

Liminal 是一个推理层,位于你的 Agent 与它可以调用的工具之间。它不会根据记忆直接回答,而是先梳理请求的结构,再将各部分路由到实际资源。

它采用上下文依赖的确定性。同一个问题在已知上下文相同的情况下,每次都会以相同方式路由,因此结果可复现,也可以把路由交给其他人并获得相同结果。上下文改变时,路由也会随之调整。确定性体现在决策方式上,而不是一份冻结的预设答案缓存。

工具

  • solve 是入口工具。将任何复杂问题交给它。它会梳理结构(分解问题、关联实际工具、评估决策),并返回经过处理的结果:针对选择提供评分后的决策框架,或针对问题提供有依据的答案。
  • research 会进行更深入的多来源研究,为问题收集实际信息。
  • ask_form / apply_form:当答案取决于你的具体情况时,它会返回一份简短的选择题表单。转交表单后,apply_form 会将答案纳入考量,生成更精准的结果。
  • get_my_context:查看已知的关于你的信息,以及你已连接的内容。
  • register_asset / set_preference:告知它你的资料,以及你偏好的结果形式。
  • report_feedback / report_outcome:反馈结果的表现情况,让路由随着使用不断改进。
  • composio_connect:连接工具,以便对其执行操作。

发现

  • https://liminality.physea.ai/.well-known/mcp
  • https://liminality.physea.ai/.well-known/agent.json
  • https://liminality.physea.ai/llms.txt

链接


© 2026 Physea Labs。保留所有权利。“Liminal”、该名称及徽标均为 Physea 的商标。 此代码库是托管服务的目录条目;不授予对该服务、其软件或数据的任何权利。服务的使用受 https://physea.ai/mcp 上的条款约束。

评论

支持 Markdown

第一次接触 MCP?

从协议是什么,到在客户端里装上第一个服务,这几条回答覆盖了大多数入门问题。

一个开放协议,规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话,MCP 服务负责提供工具、资源和提示模板,两者通过标准消息通信,同一个服务可以被不同客户端复用。