mcpField
W
Workflow MCP Server

Workflow MCP Server

本地服务
github.com/tuanknguyenAI 与智能体181 周前更新

关于 Workflow MCP Server

Workflow MCP Server 是一个 Python MCP 服务,通过预定义的分步工作流引导 Agent,同时保留执行灵活性。工作流以 YAML 定义,步骤完成后会推进会话。

主要功能

  1. 01列出可用工作流
  2. 02启动工作流会话
  3. 03完成步骤并获取下一步
  4. 04使用 YAML 定义工作流
  5. 05通过 stdio 或 SSE 运行

适用场景

  1. 01引导 Agent 执行有序流程
  2. 02用 YAML 工作流重复处理任务

MCP 相关

向 MCP 客户端提供工作流列表、启动会话和完成步骤等工具,并支持 stdio 与 SSE 传输。

配置

本地服务的配置在各客户端中通用,复制后粘贴到客户端的 MCP 配置文件即可。

暂未收录安装方式

我们还没有获取到这个服务的安装包或远程地址,请按项目 README 中的说明安装。

代码仓库

工具

还没有获取到工具列表

本地服务需要在你的电脑上运行后才能读取工具,维护者暂未提供工具列表。

详细介绍

工作流 MCP 服务

一个 Python MCP 服务,用于引导 Agent 完成结构化工作流。此服务可确保 Agent 按照预定义步骤执行,同时保持执行上的灵活性。

开发方式

使用 UV 进行包管理

本项目所有包管理操作都只使用 uv。请始终使用 uv 命令进行以下操作:

  • 创建虚拟环境:uv venv
  • 安装包:uv pip install
  • 运行 Python 脚本:uv run python script.py
  • 运行测试:uv run pytest
  • 运行应用:uv run workflow-mcp

UV 的包管理速度更快、可靠性更高。如果尚未安装 uv,请按照 https://github.com/astral-sh/uv 中的说明操作。

安装

设置环境
# Create a virtual environment
uv venv

# Activate the virtual environment
source .venv/bin/activate  # Linux/macOS
# OR
.venv\Scripts\activate     # Windows

# Install the package
uv pip install -e .

# For development with testing tools
uv pip install -e ".[dev]"

用法

运行服务
# Using the entry point script
uv run workflow-mcp

# Or directly with module
uv run python -m workflow_mcp_server

使用 SSE 而非 stdio:

uv run workflow-mcp --sse --port 8888
运行测试
uv run pytest
工作流定义

在 frameworks 目录中创建 YAML 文件,结构如下:

name: "Simple Workflow"
description: "A linear workflow with basic steps"
version: "1.0"
steps:
  - id: "step1"
    type: "instruction"
    content: "This is what you need to do first"
    next: "step2"
    
  - id: "step2"
    type: "tool_call"
    tool: "tool_name"
    parameters:
      param1: "value1"
    next: "step3"
    
  - id: "step3"
    type: "end"
    content: "Workflow complete"

可用工具

  • list_workflows():列出可用的工作流框架
  • start_workflow(workflow_id):启动新的工作流会话
  • complete_step(session_id, result):将当前步骤标记为已完成,并获取下一步

许可证

MIT

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。