sc-mcp

MCP 编排技能

PAL MCP 和 Rube MCP 能力的中央编排中心。对于需要多模型推理、外部服务集成或两者兼具的复杂工作流，请使用此技能。

快速开始

# PAL-powered analysis
/sc:mcp analyze --pal consensus --question "Should we use microservices?"

# Rube-powered automation
/sc:mcp automate --rube --apps slack,github --workflow "notify on PR"

# Combined orchestration
/sc:mcp orchestrate --pal thinkdeep --rube --full-validation

PAL MCP 集成

可用工具

工具	调用方式	用途
chat	mcp__pal__chat	协作思考、头脑风暴
thinkdeep	mcp__pal__thinkdeep	多阶段调查、复杂分析
planner	mcp__pal__planner	带分支的顺序规划
consensus	mcp__pal__consensus	通过多模型投票做出决策
codereview	mcp__pal__codereview	系统化代码质量分析
precommit	mcp__pal__precommit	Git 更改验证
debug	mcp__pal__debug	根因分析
challenge	mcp__pal__challenge	强制进行批判性思考
apilookup	mcp__pal__apilookup	最新 API/SDK 文档
listmodels	mcp__pal__listmodels	可用的 AI 模型
clink	mcp__pal__clink	外部 CLI 集成

PAL 工作流

共识决策

Use consensus for:
- Architectural decisions (2-3 models)
- Security validations (security-focused models)
- Technology choices (diverse perspectives)
- Complex trade-off analysis

推荐的模型组合：

• 架构：gpt-5.2（赞成）、gemini-3-pro（反对）、deepseek（中立）
• 安全：gpt-5.2（侧重安全）、gemini-3-pro（攻击面）
• 性能：gpt-5.2（优化）、deepseek（效率）

调试调查

Use debug for:
- Complex bugs with unclear causes
- Performance issues
- Race conditions
- Memory leaks
- Integration problems

调试置信度级别：exploring -> low -> medium -> high -> very_high -> almost_certain -> certain

代码审查

Use codereview for:
- Pre-merge validation
- Security audits
- Performance reviews
- Architecture compliance

审查类型：full、security、performance、quick

Rube MCP 集成

可用工具

工具	调用方式	用途
SEARCH_TOOLS	mcp__rube__RUBE_SEARCH_TOOLS	发现可用的集成
GET_RECIPE_DETAILS	mcp__rube__RUBE_GET_RECIPE_DETAILS	获取已保存配方的详细信息
MULTI_EXECUTE	mcp__rube__RUBE_MULTI_EXECUTE_TOOL	并行执行工具
REMOTE_BASH	mcp__rube__RUBE_REMOTE_BASH_TOOL	远程 Shell 命令
REMOTE_WORKBENCH	mcp__rube__RUBE_REMOTE_WORKBENCH	Python 沙箱执行
CREATE_RECIPE	mcp__rube__RUBE_CREATE_UPDATE_RECIPE	保存可复用工作流
EXECUTE_RECIPE	mcp__rube__RUBE_EXECUTE_RECIPE	运行已保存的配方
FIND_RECIPE	mcp__rube__RUBE_FIND_RECIPE	搜索现有配方
MANAGE_CONNECTIONS	mcp__rube__RUBE_MANAGE_CONNECTIONS	应用认证
GET_SCHEMAS	mcp__rube__RUBE_GET_TOOL_SCHEMAS	工具输入架构
MANAGE_SCHEDULE	mcp__rube__RUBE_MANAGE_RECIPE_SCHEDULE	配方调度

Rube 工作流

外部集成流程

1. SEARCH_TOOLS - Find relevant tools for use case
2. GET_SCHEMAS - Get input requirements (if schemaRef returned)
3. MANAGE_CONNECTIONS - Verify/create auth
4. MULTI_EXECUTE - Execute tools
5. CREATE_RECIPE - Save for reuse (optional)

批量处理流程

1. SEARCH_TOOLS - Find data source/destination tools
2. REMOTE_WORKBENCH - Process with Python helpers:
   - run_composio_tool() - Execute Composio tools
   - invoke_llm() - AI processing
   - upload_local_file() - Export results
   - proxy_execute() - Direct API calls

支持的应用（500+）

通信：Slack、Discord、Teams、Gmail、Outlook、WhatsApp、Telegram
开发：GitHub、GitLab、Jira、Linear、Asana、Vercel
效率：Google Workspace、Notion、Airtable、Trello
数据：Snowflake、BigQuery、Datadog、Amplitude
AI：OpenAI、Anthropic、Replicate

组合编排模式

模式 1：研究 + 决策 + 执行

1. PAL thinkdeep - Investigate problem deeply
2. PAL consensus - Get multi-model decision
3. Rube SEARCH_TOOLS - Find execution tools
4. Rube MULTI_EXECUTE - Implement decision

模式 2：审查 + 验证 + 通知

1. PAL codereview - Review code changes
2. PAL precommit - Validate git changes
3. Rube MULTI_EXECUTE - Send notifications (Slack, email)
4. Rube CREATE_RECIPE - Save for CI/CD

模式 3：调试 + 修复 + 验证

1. PAL debug - Root cause analysis
2. Implement fix locally
3. PAL codereview - Validate fix
4. Rube MULTI_EXECUTE - Update tickets, notify team

模式 4：规划 + 共识 + 自动化

1. PAL planner - Create implementation plan
2. PAL consensus - Validate approach with multiple models
3. Rube MULTI_EXECUTE - Execute across apps
4. Rube MULTI_EXECUTE - Execute across apps
5. Rube CREATE_RECIPE - Save as reusable workflow

标志

标志	类型	默认值	描述
--pal	string	-	PAL 工具：chat、thinkdeep、planner、consensus、codereview、precommit、debug
--rube	bool	false	启用 Rube MCP 集成
--apps	string	-	Rube 使用的应用，以逗号分隔
--models	string	auto	用于共识的模型，以逗号分隔
--full-validation	bool	false	运行所有 PAL 验证器
--save-recipe	bool	false	将工作流保存为 Rube 配方
--schedule	string	-	配方调度的 Cron 表达式

行为流程

1. 分析 - 了解需要哪些 MCP 能力
2. 发现 - 对于外部需求，使用 RUBE_SEARCH_TOOLS；对于 PAL，使用 listmodels
3. 规划 - 制定执行计划（PAL planner 或 RUBE_CREATE_PLAN）
4. 验证 - 对关键决策使用 consensus
5. 执行 - 运行 PAL 分析和/或 Rube 工具
6. 持久化 - 保存配方，并存储记忆以保持连续性
7. 报告 - 展示结果并标明所用工具

记忆与状态管理

PAL 延续

使用 continuation_id 在多次 PAL 工具调用之间保持上下文：

# First call returns continuation_id
result = mcp__pal__thinkdeep(...)
continuation_id = result["continuation_id"]

# Subsequent calls reuse it
result = mcp__pal__thinkdeep(..., continuation_id=continuation_id)

Rube 会话与记忆

使用 session_id 和 memory 保持 Rube 的连续性：

# First search generates session_id
result = mcp__rube__RUBE_SEARCH_TOOLS(..., session={"generate_id": True})
session_id = result["session_id"]

# Subsequent calls reuse session and build memory
result = mcp__rube__RUBE_MULTI_EXECUTE_TOOL(
    ...,
    session_id=session_id,
    memory={"slack": ["Channel general is C123"]}
)

示例

多模型架构评审

/sc:mcp analyze --pal consensus --models "gpt-5.2,gemini-3-pro,deepseek" \
  --question "Is event sourcing appropriate for this use case?"

自动化 PR 工作流

/sc:mcp automate --rube --apps github,slack \
  --workflow "On PR merge, post summary to #releases"
  --save-recipe --schedule "0 9 * * 1-5"

完整调查流程

/sc:mcp orchestrate --pal debug --rube \
  --issue "Memory leak in production" \
  --notify slack,jira --full-validation

防护措施

• 执行未知集成前，始终先搜索工具
• 对影响超过 1000 美元的决策使用 consensus
• 执行多项操作前验证架构
• 存储常用 ID 的记忆
• 自动化前检查连接状态
• 对复杂的 PAL 分析使用 thinking_mode=high

错误处理

错误	恢复方式
PAL 模型不可用	改用其他模型
缺少 Rube 连接	提示使用 MANAGE_CONNECTIONS
工具架构未知	先调用 GET_SCHEMAS
触发速率限制	在 REMOTE_WORKBENCH 中使用退避策略
未找到配方	搜索或新建

资源

• PAL MCP：codereview、debug、consensus、thinkdeep、precommit、planner、chat、challenge、apilookup
• Rube MCP：通过 Composio 提供 500 多种应用集成
• 特性：mcp-pal-enabled - 为任何 Agent 启用 PAL
• 特性：mcp-rube-enabled - 为任何 Agent 启用 Rube