Klavis AI - MCP 集成平台
让 AI 代理通过可靠的 MCP 集成，在任何规模下使用工具。
证据显示仓库包含MCP服务器构建工作流，但未提供权限最小化、用户确认、数据流透明、敏感数据处理、依赖安全、外部影响、回滚或来源归属的具体实现或文档。所有信任相关标准均未得到支持，因此评分为0。
自一致性：README中展示了多种使用方式（云托管、自托管、SDK、REST API），但未提供详细的错误处理或失败消息文档。依赖可用性：未提供依赖清单或锁定文件。失败消息：未提供错误处理或用户提示的文档。因此自一致性评分为1，其余为0。
受众与场景：README明确了目标用户（AI代理开发者）和场景（MCP集成），但未详细说明能力边界。触发精度：未提供触发条件或权限控制细节。环境适配：提供了多种部署选项（Docker、pipx、SDK），但未说明系统要求。因此受众与场景和环境适配评分为1，其余为0。
信息架构：README结构清晰，但缺少详细文档。安装说明：提供了快速开始指南，但未提供完整安装步骤。命名稳定性：未提供命名约定或API稳定性说明。示例与FAQ：提供了代码示例，但无FAQ。已知限制：未提及。许可证：提供了Apache-2.0许可证文件，评分为2。版本与变更日志：未提供。维护责任：未明确维护者或贡献指南。因此信息架构、安装说明、示例与FAQ、维护责任评分为1，许可证评分为2，其余为0。
输出可用性：提供了SDK和REST API示例，但未说明输出格式或集成方式。边际价值：提供了多种集成选项，但未与其他方案比较。成本效益：未提供定价或性能数据。因此输出可用性和边际价值评分为1，成本效益为0。
声明可追溯性：README中的声明（如100+预构建集成）未提供证据。跨来源佐证：未提供独立验证。事实与推断分离：未区分事实和推断。因此所有标准评分为0。
- 仓库未提供权限最小化、用户确认或数据流透明度的实现或文档，存在安全风险。
- 依赖安全未得到验证，且未提供依赖清单或锁定文件。
- README中的声明（如100+预构建集成）缺乏证据支持，需谨慎对待。
这个 Agent 能做什么，适合哪些场景？
Klavis AI 是一个开源的 MCP（模型上下文协议）集成平台，旨在让 AI 代理能够可靠地使用外部工具。它提供三种核心解决方案：Strata（智能连接器，优化上下文窗口）、MCP 集成（100+ 预构建集成，支持 OAuth）和 MCP 沙盒（可扩展的 MCP 环境，用于 LLM 训练和强化学习）。该平台支持云托管（klavis.ai）和自托管（Docker）两种方式，并提供 Python/TypeScript SDK 和 REST API。它还提供了 GitHub MCP 服务器、Playwright MCP 集成等示例。Klavis AI 旨在成为 AI 代理与外部工具之间的桥梁，提升工具调用的可靠性和可扩展性。
Klavis AI 通过 MCP 协议将 AI 代理连接到外部工具和服务。它提供 Strata，用于聚合多个 MCP 服务器并优化上下文窗口；提供 100+ 预构建的 MCP 集成，涵盖 Gmail、Slack 等，支持 OAuth2 认证；提供 MCP 沙盒环境，用于在隔离环境中运行 MCP 服务器，支持 LLM 训练和强化学习。用户可以通过 Python SDK（如 'from klavis import Klavis'）或 TypeScript SDK（如 'import { KlavisClient } from klavis'）创建和管理 MCP 服务器实例，也可以通过 REST API（如 POST /v1/mcp-server/strata）直接调用。自托管时，用户可以使用 Docker 运行独立的 MCP 服务器，或使用 pipx 安装 Strata 命令行工具。
- 开发者需要快速集成多个外部工具（如 Gmail、Slack）到 AI 代理中，通过预构建的 MCP 集成节省开发时间。
- 需要优化上下文窗口的团队，使用 Strata 将多个 MCP 服务器聚合为一个，减少 token 消耗。
- 进行 LLM 训练的工程师，利用 MCP 沙盒创建可扩展的工具环境，进行强化学习实验。
- 希望通过 OAuth2 安全连接外部服务的应用，Klavis 提供无需处理复杂认证流程的集成。
- 希望自托管 MCP 基础设施的企业，使用 Docker 镜像（如 ghcr.io/klavis-ai/github-mcp-server）部署到自己的环境中。
- 希望通过 REST API 实现服务器端集成的开发者，可灵活调用 Klavis 的 API 端点。
这个 Agent 有哪些优点和局限？
- 提供 100+ 预构建的 MCP 集成，覆盖常见服务，支持 OAuth2，降低集成成本。
- Strata 通过聚合多个 MCP 服务器优化上下文窗口，减少 token 消耗，提升效率。
- 支持多种部署方式（云、自托管、SDK、REST），灵活适应不同场景。
- MCP 沙盒环境可扩展，为 LLM 训练和强化学习提供隔离环境。
- 开源（Apache-2.0），允许自定义和自托管。
- 云服务依赖 Klavis 基础设施，存在供应商锁定风险，自托管需要自行维护。
- SDK 和 API 需要 API 密钥，需要注册并可能产生成本（未在 README 中明确）。
- 自托管 MCP 服务器仅提供了 GitHub 和 Playwright 的示例，覆盖范围可能有限。
- 文档主要在外部网站，README 中未包含详细的 API 参考，迁移可能需要查阅额外资料。
- MCP 协议和 Strata 是相对较新的概念，可能需要用户学习新工具。
如何安装或部署这个 Agent？
Klavis 提供多种安装方式：
- 云托管：直接访问 klavis.ai 注册并使用快速入门指南。
- 自托管 MCP 服务器：使用 Docker 拉取镜像，例如
docker pull ghcr.io/klavis-ai/github-mcp-server:latest，然后运行docker run -p 5000:5000 ghcr.io/klavis-ai/github-mcp-server:latest。 - 安装 Strata：使用 pipx 安装
pipx install strata-mcp，然后添加 MCP 服务器，如strata add --type stdio playwright npx @playwright/mcp@latest。 - 使用 SDK：安装 Python 或 TypeScript SDK，并设置 API 密钥（从 klavis.ai 获取）。
如何使用这个 Agent？
安装后，根据部署方式使用：
- 对于自托管的 MCP 服务器，直接通过 Docker 暴露的端口（如 5000）与服务器交互。
- 对于 Strata，使用命令行工具添加和管理 MCP 服务器。
- 对于 SDK 用户，创建 Klavis 客户端实例，然后调用 mcp_server.create_strata_server 或 mcp_server.create_server_instance 创建服务器实例，传入用户 ID 和服务器名称（如 GMAIL、SLACK）。
- 对于 REST API，使用 curl 发送 POST 请求到 https://api.klavis.ai/v1/mcp-server/strata，包含 API 密钥和 JSON 负载（如 {"user_id": "user123", "servers": ["GMAIL", "SLACK"]}）。
例如，Python 示例：
from klavis import Klavis
klavis = Klavis(api_key="your-key")
strata = klavis.mcp_server.create_strata_server(user_id="user123", servers=["GMAIL", "SLACK"])