Algernon MCP

Algernon MCP

编排一支团队，保持思考。

Algernon 是一个开源的 Model Context Protocol 服务，让任何 助手——Claude、Codex 或任何 MCP 客户端——都能**将范围明确的并行子任务 分派给一支低成本工作者团队，收集结果，并腾出精力思考。**编排一支团队，节省 Token，保持思路连贯。

你将获得什么

• **昂贵的大模型不再处理繁重琐事。**成本高昂的编排模型将重复性 子任务交给一支由小型、低成本工作者组成的团队，只负责整合结果。它不再 生成繁琐内容，也不必把整个任务都塞进一个上下文中。
• **每个工作者只看到自己负责的部分。**明确限定范围后，工作者可以是 小型、快速、低成本的模型——还能同时运行多个。
• **自带密钥。没有遥测、没有账户、没有供应商锁定。**这支团队使用 你已付费的任意服务提供商运行，也可以免费使用本地模型。

自己验证——一条命令，无需付费密钥

节省资源并非口号，而是可以亲自运行的基准测试。默认使用免费本地模型 （ollama，llama3.2:3b），任何人都能复现：

git clone https://github.com/sammyboi81/algernon && cd algernon
./scripts/verify.sh          # or:  python -m benchmark

它用两种方式运行同一批子任务——由编排模型独自完成（SOLO），或由 Algernon 分派给多个工作者——并打印每种方式实际测得的Token 数和耗时。代表性输出 （llama3.2:3b，6 个任务）：

metric                                  SOLO (do-it-itself)  ALGERNON fan-out
--------------------------------------------------------------------------
LLM calls                                              1                 6
input tokens                                         136               225
output tokens (the generation grind)                 282               279
total tokens                                         418               504
wall-clock seconds                                 42.11             34.49

如实解读：编排模型在 SOLO 模式下自行生成了282 个输出 Token，而使用 Algernon 时生成了 0 个——这些内容改由低成本工作者生成。每个工作者只读取 约 38 个输入 Token，而编排模型一次性处理了全部 136 个。代价也如实列出：分派 任务后总 Token 数多了 21%（每个工作者都要额外处理少量提示词开销）。你用 部分总 Token 换取昂贵模型的思考空间。耗时取决于团队的并行程度；每次运行的 数字会略有不同。亲自运行，看看自己的结果。

治愈 Algernon

在 Flowers for Algernon 中，悲剧在于心智会衰退——先变得敏锐， 再逐渐迷失，而最残酷的是，每次衰退发生时，它都会感到意外。

如今我们使用 AI 的方式中，也存在一种更隐蔽的类似衰退：你把一项漫长的串行任务 交给助手，它埋头苦干；等它完成时，已经被任务淹没——上下文耗尽，思路中断， 再也没有余力思考或与你交流。心智不再活跃，而是被埋没了。

**Algernon 让你的 AI 始终保持思考。**它不再被一项串行任务淹没，而是将工作 分派出去——把范围明确的并行子任务交给一支小型、低成本工作者团队——这样， 负责编排的心智就不必一次性承担全部繁重工作。它始终轻松自如，始终能自由推理、 在构建过程中随时回答你，并保留真正重要的上下文。编排一支团队，节省 Token， 保持思考自由。

它与 ArkHive 相辅相成：

• ArkHive = *让记忆持久保存。*你的 AI 可以回顾并查找自己的历史记录—— 不再每天早上都从一张白纸开始。
• Algernon = *工作时保持思路清晰。*你的 AI 不会把自己埋进一项 串行任务中；它负责编排，并保持思考。

两者结合，便能治愈 Algernon 式困境：让智能既不会在会话之间逐渐消退，也不会 在单次会话中被任务淹没。

功能

Algernon 是一个与服务提供商无关的扇出引擎。你只需描述一批小型、相互独立的子任务；Algernon 就会使用你自己的 LLM 密钥并发执行这些任务，然后将收集到的结果交还给负责协调的模型。大模型负责规划和整合；低成本的工作节点负责并行执行繁重工作。

• **独立运行。**仅使用 Python 标准库、mcp SDK 和 httpx。没有隐藏服务、账号或遥测数据收集。
• **自带密钥。**子 Agent 使用的是你自己的服务提供商。Algernon 提供协调功能，不会让推理费用超出预期。
• **设计上范围明确。**每个子任务都简短且彼此隔离，因此工作节点可以使用小型、快速、低成本的模型，并且可以同时运行多个。

自带 LLM 密钥

Algernon 与服务提供商无关。设置环境变量，即可将其指向你已付费使用的任意 API：

Anthropic：

export ANTHROPIC_API_KEY="sk-ant-..."
# optional: export ANTHROPIC_MODEL="claude-haiku-4-5"   # the cheap fleet worker

OpenAI 兼容（OpenAI，或任何兼容 OpenAI 格式的端点——本地或托管均可）：

export OPENAI_API_KEY="sk-..."
export OPENAI_BASE_URL="https://api.openai.com/v1"   # or your own endpoint
# optional: export OPENAI_MODEL="gpt-4o-mini"          # the cheap fleet worker

如果同时设置了两个密钥，则使用 Anthropic。工作节点模型默认使用小型、低成本的档位（claude-haiku-4-5 / gpt-4o-mini）；你可以通过上方的环境变量覆盖默认值，也可以在每次调用时通过工具的 model 参数指定。低成本工作节点集群正是这个项目的核心。

**新增：Claude Code Seatbelt。**一些 Hook 可让 Claude Code（以及 Cursor）在执行任何不可逆操作前征求许可，在此链中跨会话记住项目，并且在代码实际运行前拒绝宣称“已完成”。引擎：先运行 pip install sentarion-mcp，再运行 sentarion seatbelt install。一键套件包含五项策略和三个技能：https://inboxaxe.com/mcp#seatbelt

安装

发布到 PyPI 后，只需运行一条命令即可安装：

python -m pip install algernon-mcp

在 PyPI 版本发布之前，可以直接从源码安装（效果完全相同）：

git clone https://github.com/sammyboi81/algernon && cd algernon
python -m pip install .

无论哪种方式，安装后的 MCP 命令都是 algernon。Algernon 基于 mcp 1.x SDK（mcp>=1.0.0,<2.0.0）和 httpx 运行——不需要其他依赖。

连接 MCP 客户端

Claude Desktop

将以下条目添加到 Claude Desktop MCP 配置中，然后重启 Claude Desktop：

{
  "mcpServers": {
    "algernon": {
      "command": "algernon",
      "args": [],
      "env": {
        "ANTHROPIC_API_KEY": "sk-ant-..."
      }
    }
  }
}

如果 Claude Desktop 无法找到通过 pip 安装的命令，请将 algernon 替换为运行以下命令所显示的绝对路径：

python -c "import shutil; print(shutil.which('algernon'))"

Codex

codex mcp add algernon -- algernon

运行以下命令，确认配置已生效：

codex mcp list

三种工具

工具	功能
algernon_plan	将一个目标拆分为 k 个范围明确、相互独立的子任务提示词（调用一次低成本 LLM）。明确限定范围是控制 Token 用量的关键——每个工作节点只会看到自己负责的部分。返回的任务列表可直接传给 algernon_dispatch。
algernon_dispatch	在低成本工作节点集群上并发运行 N 个范围明确的任务，并收集所有结果。每个工作节点都使用你自己的 LLM 密钥运行；集群工作时，你可以继续思考。接收一个包含 {id, prompt} 的 JSON 数组。
algernon_orchestrate	一步完成：**先规划，再分发。**传入一个目标；它会将目标拆分为 k 个范围明确的子任务，将任务分发到整个集群并发执行，然后一并返回计划和所有结果。

典型流程：用 algernon_orchestrate 一步处理目标；也可以分步操作： 先用 algernon_plan 查看并调整子任务，再用 algernon_dispatch 将任务分发出去。无论哪种方式，都能协调整个集群、减少 Token 用量，并保持专注。

两分钟验证

连接服务后，按顺序让你的 MCP 客户端执行以下调用：

1. 使用目标 “解释三种 OS 同步原语” 和 k = 3 调用 algernon_plan。确认返回三个精简的子任务提示词（证明规划器使用你的密钥运行了）。
2. 使用一个较小的 tasks_json 调用 algernon_dispatch，例如： [{"id":"a","prompt":"用一句话定义互斥锁"},{"id":"b","prompt":"用一句话定义信号量"},{"id":"c","prompt":"用一句话定义自旋锁"}]。 确认返回三个结果——任务群已并行运行。
3. 使用任意一个较小的目标调用 algernon_orchestrate，并确认它在一个响应中同时返回计划和收集到的结果。

此流程会测试规划、使用你的密钥并行分派，以及一次性编排，且不会涉及任何生产数据。

隐私

Algernon 是独立运行的。它只会与一个外部主机通信：你配置的 LLM 端点（Anthropic 或兼容 OpenAI 的基础 URL）。它不会发送遥测数据，不会保留任何账户信息，也不会存储关于你的任何内容——结果会在同一次调用中计算并返回。你的子任务提示词和结果只会发送给你选择的服务提供商。

项目链接

• 源代码
• 问题
• 关联项目：ArkHive

超越自托管——付费方案

本页上的 MCP 服务永久免费（Apache-2.0，可自托管，无遥测数据）。 如果你需要的不只是自己动手：

• 托管版 ArkHive——一个 URL，无需安装，无需密钥： https://arkhive.dondatabrain.com/mcp（使用 claude mcp add --transport http arkhive https://arkhive.dondatabrain.com/mcp 将其添加到 Claude Code）。
• 为你打造的自定义 AI Agent——由创始人为你全程代办，一次调用即可将可用的 MCP Agent 接入你的 Claude 或 ChatGPT： 一次性收费 $700。
• ArkHive Enterprise——在你自己的服务端上提供上门安装和试点服务，价格 $2,500 起：[email protected]。

由 InboxAxe 背后的团队打造——这是一个受治理的 AI 营销平台，未经你的同意，任何内容都不会发送。

• 网站
• Apache-2.0 许可证

参与贡献

欢迎提交问题和拉取请求。请确保服务保持独立运行（标准库 + mcp + httpx）、不依赖特定服务提供商，并且不包含遥测功能。若更改涉及分派、结果收集或服务提供商行为，请附上测试。

Algernon 是一小系列以人为本、注重问责的 AI 工具之一。其公开 MCP 服务以你可以独立验证的功能为核心：自带密钥，观察任务群运行，保持清醒。

标语：编排任务群，保持清醒。

Apache-2.0 © 2026 ZagAIrot Technologies LLC.