Three-Cobblers (三个臭皮匠)

多模型共识博弈 MCP Server —— 并发调用多个 AI 模型进行三阶段博弈（提案 → 交叉评审 → 汇总），输出共识方案。

工作原理

┌─────────────┐  ┌─────────────┐  ┌─────────────┐
│  模型 A      │  │  模型 B      │  │  模型 C      │
│ (participant)│  │ (participant)│  │   (judge)    │
└──────┬──────┘  └──────┬──────┘  └──────┬──────┘
       │                │                │
       ▼                ▼                ▼
  Phase 1: 各模型独立提案（并发）
       │                │                │
       ▼                ▼                ▼
  Phase 2: 交叉评审其他模型的提案（并发）
       │                │                │
       └────────────────┼────────────────┘
                        ▼
  Phase 3: Judge 汇总所有提案和评审，输出最终共识

快速开始

1. 安装依赖

python -m venv .venv
source .venv/bin/activate
pip install -e .

2. 配置模型

设置环境变量 LOCAL_MODEL_CONFIGS，JSON 数组格式，至少 2 个模型，其中恰好 1 个 judge：

export LOCAL_MODEL_CONFIGS='[
  {"name":"model-a", "endpoint":"https://api.example.com/v1/chat/completions", "api_key":"sk-xxx", "model":"model-a", "role":"participant", "protocol":"openai"},
  {"name":"model-b", "endpoint":"https://api.example.com/v1", "api_key":"sk-yyy", "model":"model-b", "role":"participant", "protocol":"anthropic"},
  {"name":"model-c", "endpoint":"https://api.example.com/v1", "api_key":"sk-zzz", "model":"model-c", "role":"judge", "protocol":"anthropic"}
]'

每个模型配置字段说明：

字段	必填	说明
name	是	模型名称（用于日志和结果标识）
endpoint	是	API 地址
api_key	是	API 密钥
model	是	模型 ID
role	否	participant（默认）或 judge
protocol	否	openai（默认）或 anthropic

protocol 说明：

• openai：endpoint 需要完整路径，如 .../v1/chat/completions
• anthropic：endpoint 写到 .../v1 即可，会自动拼接 /messages

3. 本地运行（stdio 模式）

python -m consensus_engine

4. 在 Claude Code 中使用

方式一：stdio 本地模式

claude mcp add consensus-engine -- python -m consensus_engine

需要设置环境变量，或通过 --env 传入 LOCAL_MODEL_CONFIGS。

方式二：SSE 远程模式

在服务器上部署后：

# 无验证模式
claude mcp add --transport sse consensus-engine http://your-server:38517/sse

# 验证模式（需要在 mcp.json 中配置 headers）

如果服务器启用了 API Key 验证，需要在 .kiro/settings/mcp.json 中添加：

{
  "mcpServers": {
    "consensus-engine": {
      "transport": "sse",
      "url": "http://your-server:38517/sse",
      "headers": {
        "Authorization": "Bearer your-secret-api-key-here"
      }
    }
  }
}

5. 在对话中使用

配置完成后，无需任何特殊命令，直接用自然语言对话即可触发：

你：帮我用共识博弈分析一下这段代码的架构设计
你：用多模型辩论评审一下这个方案的可行性
你：对这个 bug 进行共识博弈，找出根因和修复方案

Claude 会自动识别意图并调用 run_consensus_debate 工具，你会看到三个模型依次完成提案、评审、汇总的全过程。

场景关键词对照：

你的描述	对应 scene
架构设计、技术选型、方案对比	arch
代码评审、方案评审	review
需求分析、任务规划	planning
排查 bug、定位问题	debug

服务器部署

1. 克隆并安装

git clone https://github.com/LeoneNee/Three-Cobblers.git
cd Three-Cobblers
python -m venv .venv
source .venv/bin/activate
pip install -e .

2. 配置 systemd 服务

# 复制示例文件并填入真实 API Key
cp consensus-engine.service.example /etc/systemd/system/consensus-engine.service
# 编辑填入你的 API Key 和 MCP_API_KEY
sudo nano /etc/systemd/system/consensus-engine.service

# 启动服务
sudo systemctl daemon-reload
sudo systemctl enable consensus-engine
sudo systemctl start consensus-engine

3. 验证

无验证模式（未设置 MCP_API_KEY）：

curl -I http://localhost:38517/sse
# 应返回 HTTP/1.1 200 OK

验证模式（已设置 MCP_API_KEY）：

# 无 token 会返回 401
curl -I http://localhost:38517/sse

# 带正确 token 返回 200
curl -H "Authorization: Bearer your-secret-api-key-here" -I http://localhost:38517/sse

MCP 工具接口

run_consensus_debate

参数	类型	必填	说明
task	string	是	核心任务描述
content	string	是	相关代码或上下文
scene	string	是	场景类型：planning / review / arch / debug
review_mode	string	否	评审模式：summarized（默认）/ full

评审模式说明：

模式	行为	适用场景
summarized	每个模型评审所有提案（含自己的），统一对比	快速评审，token 消耗少
full	每个模型只评审其他模型的提案，排除自己的	更客观的交叉评审，适合重要决策

当前为单轮博弈：提案 → 评审 → 汇总，共 3 个阶段各执行 1 次。

返回字段：

字段	说明
final_plan	Judge 汇总的最终共识方案（Markdown）
models_participated	成功参与的模型列表
models_failed	失败的模型列表
proposals	各模型的原始提案
reviews	各模型的交叉评审意见

开发

# 运行测试
pytest

# 项目结构
consensus_engine/
├── server.py        # FastMCP 服务器入口
├── orchestrator.py  # 三阶段博弈编排器
├── client.py        # 异步模型客户端（OpenAI/Anthropic 双协议）
├── config.py        # 配置解析
├── templates.py     # Prompt 模板
└── writer.py        # Markdown 文件生成

License

MIT