mcp-pickaxe

MCP Pickaxe 服务

一个 MCP（Model Context Protocol）服务，可将 Claude 等 AI 助手连接到 Pickaxe 平台。通过自然语言直接管理 AI Agent、知识库、用户和分析数据。

为什么要使用它？

如果你正在 Pickaxe 上构建 AI Agent，这个 MCP 服务可以让你：

• 分析 Agent 对话 - 查看聊天记录，找出知识盲区并提升 Agent 性能
• 管理知识库 - 无需离开 AI 工作流，即可创建、更新文档并将其连接到 Agent
• 管理用户 - 创建用户、管理访问权限、发送邀请并跟踪使用情况
• 跨多个工作室操作 - 在单个会话中无缝切换不同的 Pickaxe 工作室
• 自动化工作流 - 让 Claude 处理重复的 Pickaxe 管理任务

功能

类别	工具
工作室	列出已配置的工作室，在工作室之间切换
聊天记录	获取并分析 Agent 对话日志
文档	创建、列出、获取、删除文档，以及将文档连接到 Agent 或断开连接
用户	创建、列出、获取、更新、删除用户，以及发送邀请
产品	列出可用产品和产品组合
记忆	列出记忆架构，获取用户记忆

前提条件

• Node.js 18+
• 拥有 API 访问权限的 Pickaxe 账户
• 你的 Pickaxe Studio API 密钥

安装

选项 1：从 npm 安装（推荐）

npx mcp-pickaxe

或全局安装：

npm install -g mcp-pickaxe

选项 2：克隆并构建

git clone https://github.com/aplaceforallmystuff/mcp-pickaxe.git
cd mcp-pickaxe
npm install
npm run build

配置

1. 获取 Pickaxe API 密钥

1. 登录 Pickaxe Studio
2. 前往 Settings > API
3. 复制你的 Studio API 密钥（以 studio- 开头）

2. 配置 MCP 客户端

用于 Claude Desktop

将以下内容添加到 Claude Desktop 配置文件：

macOS：~/Library/Application Support/Claude/claude_desktop_config.json

Windows：%APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "pickaxe": {
      "command": "node",
      "args": ["/path/to/mcp-pickaxe/dist/index.js"],
      "env": {
        "PICKAXE_STUDIO_MAIN": "studio-your-api-key-here"
      }
    }
  }
}

用于 Claude Code

添加到 ~/.claude.json：

{
  "mcpServers": {
    "pickaxe": {
      "command": "node",
      "args": ["/path/to/mcp-pickaxe/dist/index.js"],
      "env": {
        "PICKAXE_STUDIO_MAIN": "studio-your-api-key-here"
      }
    }
  }
}

多工作室配置

要使用多个 Pickaxe 工作室，请添加多个环境变量：

{
  "env": {
    "PICKAXE_STUDIO_PRODUCTION": "studio-xxx-xxx-xxx",
    "PICKAXE_STUDIO_STAGING": "studio-yyy-yyy-yyy",
    "PICKAXE_STUDIO_DEV": "studio-zzz-zzz-zzz",
    "PICKAXE_DEFAULT_STUDIO": "PRODUCTION"
  }
}

然后在请求中指定要使用的工作室：

• 如果设置了 PICKAXE_DEFAULT_STUDIO，则在未指定工作室时使用该工作室
• 如果只配置了一个工作室，则自动使用该工作室
• 否则，将 studio="STAGING"（或类似值）传递给任意工具

使用场景

以下是在生产环境中使用 mcp-pickaxe 构建的实际工作流。

1. 使用 n8n 进行安全监控

场景： 实时检测 29 个以上 AI Agent 中的提示词注入尝试。

实现方式： 一个 n8n 工作流每小时为所有 Agent 轮询一次 chat_history，根据注入检测模式（存储在 Notion 中）检查消息，并按严重级别转发警报：

• HIGH/CRITICAL → Telegram 警报 + Notion 日志
• LOW/MEDIUM → 仅记入 Notion 日志

n8n Schedule (hourly)
    → Fetch patterns from Notion
    → Loop through 29 pickaxe IDs
    → Fetch chat_history for each
    → Detect injections (regex patterns)
    → Route by severity → Alert/Log

使用的工具： chat_history、studios_list

结果： 在整个工作室范围内实现实时安全监控，并支持动态管理检测模式和按严重级别发送警报。

2. 知识库自动研究工作流

场景： 自动核查事实并维护 31 篇以上的知识库文章。

实现方式： 一个 n8n 工作流从 Notion 查询知识库文章，提取关键声明，通过 Perplexity API 核查事实，按风险级别对变更进行分类，并将其分流至自动更新或人工审核。

Daily Schedule (2am)
    → Query KB articles from Notion
    → Filter by day (hash-based, ~1/7th daily)
    → Extract key claims
    → Perplexity fact-check
    → Classify: none/low/major risk
    → Route: auto-update or create review task

使用的工具： doc_list、doc_get、doc_create、doc_connect

结果： 通过自动事实核查和重大变更的人工参与，确保知识库内容保持最新。

3. Agent 性能评审

场景： 每季度评审培训工作室，找出知识库缺口和用户痛点。

工作流：

1. "Fetch chat history from my training agents"
2. "Analyze: which questions got unclear or uncertain responses?"
3. "List all KB documents - which topics are missing?"
4. "Check user stats - who's most active, who's churning?"
5. "Create KB documents addressing the top 3 gaps"
6. "Connect new documents to the relevant agents"

使用的工具： chat_history、doc_list、doc_create、doc_connect、user_list

结果： 根据真实的用户对话而非猜测，改进知识库。

4. 多工作室运营

场景： 在单个 Claude 会话中管理多个 Pickaxe 工作室。

配置：

{
  "env": {
    "PICKAXE_STUDIO_PRODUCTION": "studio-xxx",
    "PICKAXE_STUDIO_STAGING": "studio-yyy",
    "PICKAXE_STUDIO_DEV": "studio-zzz",
    "PICKAXE_DEFAULT_STUDIO": "PRODUCTION"
  }
}

工作流：

1. "List users in PRODUCTION - how many signups this month?"
2. "Switch to STAGING - list products"
3. "Compare KB document counts across all studios"
4. "Find which studio has the most chat activity"

使用的工具： studios_list、user_list、doc_list、products_list

结果： 无需手动切换上下文或 API 密钥，即可查看多个工作室的信息。

5. 用户记忆审计

场景： 查看 Agent 对用户的记忆内容，以满足个性化需求和隐私合规要求。

工作流：

1. "List all memory schemas defined in the studio"
2. "Get memories for [email protected]"
3. "What does the system know about this user's situation?"
4. "Which memory fields are most populated across users?"

输出示例：

User: [email protected]
Nickname: "Cautious Educator from Madrid"
Summary: "Teaching [language] for [platform] at low hourly rate,
         considering self-employment status due to
         uncertain income"
Memories: 1 stored

使用的工具： memory_list、memory_get_user、user_list

结果： 查看个性化数据，以改进产品并满足 GDPR 合规要求。

---

快速入门示例

配置完成后，你可以用自然语言与 Pickaxe 交互：

分析 Agent 性能

“显示我的支持 Agent 最近的 20 条对话”

“用户提出了哪些我的 Agent 无法回答的问题？”

管理知识库

“根据以下内容创建一份名为 ‘FAQ’ 的新文档：[你的内容]”

“将 FAQ 文档关联到我的客户支持 Agent”

“列出我的知识库中的所有文档”

用户管理

“显示所有用户及其使用情况统计”

“创建一个邮箱为 [email protected] 的新用户，并授予其 Pro 产品的访问权限”

“向这些邮箱发送邀请：[邮箱列表]”

多工作室运营

“列出我的暂存工作室中的所有用户”

“比较生产环境和暂存环境中的文档”

可用工具

工作室管理

• studios_list - 列出所有已配置的工作室和当前默认工作室

聊天记录

• chat_history - 获取某个 Agent 的对话历史
  • 参数：pickaxeId、skip、limit、format（"messages" 或 "raw"）、studio

文档管理

• doc_create - 根据内容或 URL 创建文档
• doc_list - 列出所有文档（支持分页）
• doc_get - 获取指定文档
• doc_delete - 删除文档
• doc_connect - 将文档关联到某个 Agent
• doc_disconnect - 取消文档与某个 Agent 的关联

用户管理

• user_list - 列出所有用户及其访问权限和使用信息
• user_get - 根据邮箱获取指定用户
• user_create - 创建新用户
• user_update - 更新用户详情、产品或使用情况
• user_delete - 删除用户
• user_invite - 发送电子邮件邀请

产品

• products_list - 列出可用产品/套餐

记忆

• memory_list - 列出记忆架构
• memory_get_user - 获取为某个用户收集的记忆

开发

# Run in development mode (auto-reloads)
npm run dev

# Build for production
npm run build

# Run the built version
npm start

故障排除

“未配置 Pickaxe 工作室”

请确保 MCP 配置中至少设置了一个 PICKAXE_STUDIO_* 环境变量。

“找不到工作室”

检查工作室名称是否完全匹配（不区分大小写）。运行 studios_list 查看可用选项。

“Pickaxe API 错误 (401)”

你的 API 密钥无效或已过期。请从 Pickaxe Studio 设置中获取新的密钥。

“Pickaxe API 错误 (403)”

你的 API 密钥无权执行此操作。请检查你的 Pickaxe 账户权限。

Contributing

Contributions are welcome! Please see CONTRIBUTING.md for guidelines.

License

MIT License - see LICENSE for details.

Links

• Pickaxe Platform
• Pickaxe Studio
• Model Context Protocol
• MCP Specification