agent-link

agent-link-mcp

English | 한국어

用于双向 AI Agent 协作的 MCP 服务。启动并与任意 AI 编码 Agent CLI 通信——Claude Code、Codex、Gemini、Aider 等。

适用场景

0.5.2 版修复了 Claude JSON 响应解析问题，可在回复之间保留原始任务、上下文和工作目录，并将取消操作连接到运行中的进程。reply 会使用记录的对话启动新的 CLI 调用，而不会恢复提供方侧的会话。同一会话的并发回复会被拒绝。kill_agent 会等待进程终止；必要时会在五秒后升级终止操作。服务关闭时也会取消活动的子进程。会话保存在内存中，服务重启后不会保留。

• 遇到难解的 bug？——你的 Agent 已经尝试两次但仍未成功。让它向另一个 Agent 寻求新的思路。
• 需要第二种意见？——请另一个 AI 模型进行代码审查或提供架构建议。
• 发挥不同模型的优势——用 Claude 规划，用 Codex 执行，用 Gemini 调研。
• 并行工作——同时启动多个 Agent，处理互不相关的子任务。
• 结对调试——让一个 Agent 向另一个 Agent 解释问题，并获取解决方案。

使用场景

遇到难题时寻求帮助

你的主 Agent 总是在同一个问题上失败？向另一个 Agent 求助：

# Claude Code is stuck on a TypeScript error it can't resolve.
# It spawns Codex for a second opinion:

spawn_agent("codex", "This TypeScript error keeps appearing. How do I fix it?", {
  error: "Type 'string' is not assignable to type 'number'",
  files: ["src/utils.ts"]
})

跨 Agent 代码审查

让另一个模型审查你的 Agent 所做的代码修改：

spawn_agent("claude", "Review these changes for bugs and edge cases", {
  files: ["src/api.ts", "src/handler.ts"],
  intent: "Code review before merge"
})

多 Agent 流水线

构建由多个 Agent 处理不同阶段的流水线：

# Agent 1: Research
spawn_agent("gemini", "Find the best approach for WebSocket reconnection")

# Agent 2: Implementation (using Agent 1's advice)
spawn_agent("codex", "Implement WebSocket reconnection with exponential backoff", {
  files: ["src/ws-client.ts"]
})

# Agent 3: Review
spawn_agent("claude", "Review this implementation for production readiness", {
  files: ["src/ws-client.ts"]
})

双向协作

Agent 也可以反过来提问。宿主会作答，工作随后继续：

Host: spawn_agent("codex", "Add caching to the API layer")
Codex: [QUESTION] Should I use Redis or in-memory cache?
Host: reply("codex-a1b2c3", "Use Redis, we have it in our docker-compose")
Codex: [RESULT] Added Redis caching with 5-minute TTL...

原因

AI 编码 Agent 有时会陷入困境。它们不必一直等你，可以向另一个 Agent 求助。agent-link-mcp 让任何兼容 MCP 的 Agent 都能启动其他 Agent CLI 作为协作者、互相提问并获取结果——整个过程都通过标准 MCP 工具完成。

• 只需在一端安装——只有宿主 Agent 需要安装此 MCP 服务。启动的 Agent 只是 CLI 子进程。
• 双向交互——宿主可以向启动的 Agent 提问，启动的 Agent 也可以反过来提问。
• 支持任意 Agent——适用于任何能够接收提示词并返回文本的 CLI。内置 Claude、Codex、Gemini 和 Aider 配置。
• 多 Agent——同时启动多个 Agent，进行并行协作。

前置条件

需要 Node.js 20 或更高版本，包括 MCP 宿主的 npx 环境。Agent CLI 可能还有各自的额外要求。

agent-link-mcp 会将其他 AI Agent 作为 CLI 子进程启动。你需要安装并完成身份验证，才能使用希望协作的 Agent CLI：

Agent	安装	身份验证
Claude Code	npm install -g @anthropic-ai/claude-code	claude login
Codex	npm install -g @openai/codex	codex login
Gemini CLI	npm install -g @google/gemini-cli	运行 gemini 并按照登录提示操作
Aider	pip install aider-chat	设置 OPENAI_API_KEY 或 ANTHROPIC_API_KEY

只需安装你计划使用的 Agent。agent-link-mcp 会自动检测已安装的 CLI。

安装

# Claude Code
claude mcp add agent-link npx agent-link-mcp

# Codex
codex mcp add agent-link npx agent-link-mcp

# Any MCP client
npx agent-link-mcp

**注意：**只需在你正在使用的 Agent 中安装此 MCP 服务。其他 Agent 会作为子进程启动，无需安装 agent-link-mcp。

工具

spawn_agent

生成一个 Agent 并向其发送任务。

{
  "agent": "codex",
  "task": "Refactor this function for better performance",
  "context": {
    "files": ["src/utils.ts"],
    "error": "TypeError: Cannot read property 'x' of undefined",
    "intent": "Performance improvement"
  },
  "model": "o3",
  "timeoutMs": 7200000
}

参数	类型	默认值	描述
agent	string	必填	Agent 名称（"claude"、"codex"、"gemini"、"aider"）
task	string	必填	任务描述
context	object	—	可选的 { files, error, intent, diff }。diff: true 会包含 git diff 输出。diff: "staged" 仅包含暂存内容。
cwd	string	cwd	Agent 进程的工作目录
model	string	—	要使用的模型（例如 "o3"、"gpt-5.4"、"claude-sonnet-4"、"gemini-2.5-pro"）。通过 --model 标志传入。
thinking	string	—	思考／推理深度；支持的值取决于所选的 CLI 和模型。Claude：--effort，Codex：-c model_reasoning_effort，Aider：--reasoning-effort。
retry	boolean	false	失败时自动重试（最多 3 次）。
escalate	boolean	false	重试时自动提高思考级别。需要设置 retry: true。
timeoutMs	number	3600000	超时时间，单位为 ms。默认值：1 小时。

返回以下其中一种：

• { status: "done", agentId: "codex-a1b2c3", result: "..." } — 任务已完成
• { status: "waiting_for_reply", agentId: "codex-a1b2c3", question: "..." } — Agent 需要澄清
• { error: "...", agentId: "codex-a1b2c3" } — 发生错误

spawn_agents

并行运行多个 Agent。一次性返回所有结果。

{
  "agents": [
    { "agent": "codex", "task": "Review for bugs", "context": { "diff": true } },
    { "agent": "claude", "task": "Review for security", "context": { "diff": true } }
  ],
  "cwd": "/path/to/project"
}

返回 { summary: { total, succeeded, failed, waiting }, results: [...] }。

reply

回答已生成的 Agent 提出的问题，并继续对话。

{
  "agentId": "codex-a1b2c3",
  "message": "Yes, you can remove the side effects"
}

kill_agent

中止正在运行的 Agent 会话。

{
  "agentId": "codex-a1b2c3"
}

list_agents

列出可用的 Agent CLI。

{
  "agents": [
    { "name": "claude", "command": "claude", "source": "auto", "available": true },
    { "name": "codex", "command": "codex", "source": "auto", "available": true },
    { "name": "gemini", "command": "gemini", "source": "auto", "available": false }
  ]
}

get_status

获取活跃的 Agent 会话。

{
  "sessions": [
    { "agentId": "codex-a1b2c3", "agent": "codex", "status": "waiting_for_reply", "startedAt": "..." }
  ]
}

工作原理

You (using Claude Code)
  ↓
"Ask Codex to help with this refactoring"
  ↓
Claude Code → spawn_agent("codex", task, context)
  ↓
agent-link-mcp server → spawns `codex` CLI as subprocess
  ↓
Codex processes the task...
  ↓
Codex: "[QUESTION] Should I remove the side effects?"
  ↓
agent-link-mcp → parses response → returns to Claude Code
  ↓
Claude Code → reply("codex-a1b2c3", "Yes, remove them")
  ↓
agent-link-mcp → re-invokes Codex with accumulated context
  ↓
Codex: "[RESULT] Refactoring complete. Here's what I changed..."
  ↓
Claude Code receives the result and continues working

配置

使用 outputFormat: "json" 的自定义配置文件必须输出单个结果对象，其中包含字符串类型的 result 字段（Claude 打印模式格式）。is_error: true 或错误的 subtype 会被视为失败；元数据不会包含在对话中。

自动检测

agent-link-mcp 会自动检测已安装的 Agent CLI：

Agent	CLI 命令
Claude Code	claude
Codex	codex
Gemini	gemini
Aider	aider

自定义 Agent

通过 ~/.agent-link/config.json 配置文件添加自定义 Agent：

{
  "agents": {
    "codex": {
      "command": "/usr/local/bin/codex",
      "args": ["--full-auto"],
      "promptFlag": null,
      "outputFormat": "text"
    },
    "my-local-llm": {
      "command": "ollama",
      "args": ["run", "codellama"],
      "promptFlag": null,
      "outputFormat": "text"
    }
  }
}

使用 AGENT_LINK_CONFIG 环境变量覆盖配置文件路径。

模型选择

可以通过 model 参数指定生成的 Agent 应使用的模型：

# Use a specific model for Codex
spawn_agent("codex", "Debug this issue", { model: "o3" })

# Use a specific model for Claude
spawn_agent("claude", "Review this code", { model: "claude-sonnet-4" })

模型名称会通过 Agent CLI 的 --model 标志传入。如果省略，Agent 将使用其默认模型。

思考／推理深度

通过 thinking 参数控制 Agent 的推理深度：

# High reasoning for complex debugging
spawn_agent("codex", "Debug this race condition", { thinking: "high" })

# Max effort for Claude
spawn_agent("claude", "Architect a new auth system", { thinking: "max" })

Agent	标志	取值
Claude	--effort	low、medium、high、max
Codex	-c model_reasoning_effort	取决于模型，例如 low、medium、high、xhigh
Aider	--reasoning-effort	low、medium、high

如果省略，Agent 将使用其默认推理级别。

超时

默认超时时间为 1 小时（3,600,000ms）。可以针对每次调用进行覆盖：

# 2 hour timeout for complex tasks
spawn_agent("codex", "Refactor the entire auth system", { timeoutMs: 7200000 })

对话协议

生成的 Agent 会收到格式化回复的说明：

• [QUESTION] ... — 需要主 Agent 澄清
• [RESULT] ... — 任务已完成

如果 Agent 不遵循此格式，则将整个输出视为结果。

开发

在本地运行 npm ci、npm run build 和 npm test。测试使用离线 Node.js 测试样例，不会调用模型提供商。CI 为手动触发（workflow_dispatch），且需要可用的自托管运行器；推送和拉取请求不会启动 GitHub 托管的作业。

许可证

MIT