Fluent Mind MCP

思维流畅MCP

好的！我要去建我自己的主题公园！与二十一点！还有妓女！

一个全面的模型上下文协议（MCP）服务器 流智 -开源LLM编排平台。通过MCP工具提供Flowise聊天流的完整生命周期管理。

为什么选择Fluent Mind MCP？

现有的Flowise MCP包装仅支持 查询 现有的聊天流。Fluent Mind MCP为您提供 全生命周期管理:

• ✅ 从头开始创建聊天流（0→1）
• ✅ 更新和修改现有流
• ✅ 删除聊天流
• ✅ 部署/取消部署流
• ✅ 执行预测
• ✅ 从自然语言描述生成AgentFlow V2

从头开始构建，完全控制。不依赖于其他MCP实现。麻省理工学院免费。

特性

8个综合MCP工具

1. list_chatflows -列出所有带有元数据的聊天流
2. get_chatflow -按ID获取详细的聊天流信息
3. create_chatflow -创建新的聊天流（聊天流、代理流、多代理、助手）
4. update_chatflow -更新现有聊天流属性
5. delete_chatflow -永久删除聊天流
6. run_预测 -使用用户输入执行聊天流
7. 部署chatflow -切换部署状态
8. generate_agentflow_v2 -从自然语言生成AgentFlow V2

建筑

• FastMCP -现代Python MCP框架
• HTTPX -带连接池的异步HTTP客户端
• 派丹蒂克 -类型安全数据验证
• 清洁分离 -4层架构（MCP服务器、服务逻辑、Flowise客户端、域模型）
• 生产准备就绪 -全面的错误处理、日志记录和测试

文档

在这里开始: 文档中心 -所有文档的中央导航

快速导航

关键资源

• docs/README.md -完整的文档索引和导航中心
• **** -39个生产就绪节点模板
• examples/WORKING_CHATFLOWS_GUIDE.md -如何创建功能性聊天流
• docs/API_FIELD_COMPARION.md文件 -关键API现场参考（camelBase与snake_case）
• specs/001-flowise mcp服务器/ -完整的规范和设计文件

学习路径

初学者：从这里开始

1. README.md （此文件）-项目概述
2. -快速启动
3. examples/WORKING_CHATFLOWS_GUIDE.md -学习模式

中级：构建聊天流

1. -浏览39个模板
2. -使用辅助工具
3. docs/API_FIELD_COMPARION.md文件 -了解API结构

高级：贡献

1. specs/001-flowise mcp服务器/spec.md -完整规格
2. specs/001-flowise mcp服务器/数据模型.md -数据模型
3. .define/memory/constitution.md -发展原则

安装

先决条件

• Python 3.12+ 安装
• Flowise实例 正在运行（本地或远程）
• Claude桌面版 （用于MCP集成）
• Git （克隆存储库）

快速安装

# Clone repository
cd ~/work/ai
git clone  fluent-mind-mcp
cd fluent-mind-mcp

# Install dependencies
pip install -e .

配置

创建 .env 项目根目录中的文件：

# Required
FLOWISE_API_URL=http://localhost:3000

# Optional (if Flowise is secured)
FLOWISE_API_KEY=your_api_key_here

# Optional (defaults shown)
FLOWISE_TIMEOUT=60
FLOWISE_MAX_CONNECTIONS=10
LOG_LEVEL=INFO

用法

1.独立模式

直接运行MCP服务器：

python -m fluent_mind_mcp.server

2.克劳德桌面集成

配置Claude Desktop以使用Fluent Mind MCP：

编辑 ~/Library/Application Support/Claude/claude_desktop_config.json （macOS）：

{
  "mcpServers": {
    "fluent-mind": {
      "command": "python",
      "args": ["-m", "fluent_mind_mcp.server"],
      "env": {
        "FLOWISE_API_URL": "http://localhost:3000",
        "FLOWISE_API_KEY": "your_api_key_here"
      }
    }
  }
}

重新启动克劳德桌面 （⌘Q然后重新启动）以使更改生效。

3.测试集成

在Claude中，尝试以下命令：

列出聊天流

List my Flowise chatflows

预期响应：包含名称、类型和部署状态的所有聊天流的列表。

获取聊天流详细信息

Get details for chatflow abc-123-def

预期响应：完整的聊天流信息，包括flowData结构。

执行聊天流

Run chatflow abc-123-def with question "What is AI?"

预期响应：带答案的Chatflow执行结果。

创建聊天流

Create a new chatflow named "Test Flow" with this structure:
{
  "nodes": [
    {"id": "llm-1", "type": "chatOpenAI", "data": {"model": "gpt-4"}}
  ],
  "edges": []
}

更新聊天流

Update chatflow abc-123-def to set deployed=true

生成代理流

Generate an AgentFlow V2 for a research agent that searches the web and summarizes findings

api参考

list_chatflows（）

列出所有可用的Flowise聊天流。

退货：

{
  "chatflows": [
    {
      "id": "abc-123-def",
      "name": "My Chatflow",
      "type": "CHATFLOW",
      "deployed": true,
      "createdDate": "2025-10-16T12:00:00Z"
    }
  ]
}

演出：≤5秒

______________________________________________________________________

get_chatflow（chatflow_id:str）

获取详细的聊天流信息，包括工作流结构。

参数：

• chatflow_id （str，必填）：唯一的聊天流标识符

退货：

{
  "id": "abc-123-def",
  "name": "My Chatflow",
  "type": "CHATFLOW",
  "deployed": true,
  "flowData": "{\"nodes\": [...], \"edges\": [...]}",
  "createdDate": "2025-10-16T12:00:00Z"
}

演出：≤5秒

______________________________________________________________________

create_chatflow（名称：str，flow_data:str，类型：str=“chatflow”，部署：bool=False）

从flowData结构创建新的Flowise聊天流。

参数：

• name （str，必填）：聊天流显示名称（1-255个字符）
• flow_data （str，必填）：包含工作流节点和边的JSON字符串
• type （str，可选）：聊天流类型-聊天流|代理流|多代理|助手（默认：“聊天流”）
• deployed （bool，可选）：是否立即部署（默认值：False）

退货： 已创建具有指定ID的聊天流对象

演出：≤10秒

例子：

flow_data = json.dumps({
  "nodes": [
    {"id": "node-1", "type": "chatOpenAI", "data": {"model": "gpt-4"}}
  ],
  "edges": []
})

result = await create_chatflow(
  name="My Assistant",
  flow_data=flow_data,
  type="CHATFLOW",
  deployed=False
)

______________________________________________________________________

update_chatflow（chatflow_id:str，名称：str=None，flow_data:str=None，部署：bool=None）

更新现有的聊天流属性（支持部分更新）。

参数：

• chatflow_id （str，必填）：唯一的聊天流标识符
• name （str，可选）：新显示名称
• flow_data （str，可选）：新的工作流结构（JSON字符串）
• deployed （bool，可选）：新部署状态

退货： 已更新聊天流对象

演出：≤10秒

备注：必须至少提供一个可选参数。

______________________________________________________________________

delete_chatflow（chatflow_id:str）

从Flowise中永久删除聊天流。

参数：

• chatflow_id （str，必填）：唯一的聊天流标识符

退货：

{
  "success": true,
  "message": "Chatflow abc-123-def deleted successfully",
  "chatflow_id": "abc-123-def"
}

演出：≤5秒

警告：此操作无法撤消。

______________________________________________________________________

run_presearch（chatflow_id:str，question:str）

使用用户输入执行已部署的聊天流。

参数：

• chatflow_id （str，必填）：要执行的聊天流
• question （str，必填）：用户输入或问题

退货：

{
  "text": "Response from chatflow",
  "questionMessageId": "msg-123",
  "chatMessageId": "msg-456",
  "sessionId": "session-789"
}

演出：≤5秒

备注：必须部署Chatflow才能执行。

______________________________________________________________________

deploy_chatflow（chatflow_id:str，部署：bool）

切换聊天流部署状态。

参数：

• chatflow_id （str，必填）：唯一的聊天流标识符
• deployed （bool，必填）：部署为True，取消部署为False

退货： 已更新聊天流对象

演出：≤10秒

______________________________________________________________________

generate_agentflow_v2（描述：str）

从自然语言描述生成AgentFlow V2结构。

参数：

• description （str，必填）：所需代理的自然语言描述（至少10个字符）

退货：

{
  "flowData": "{\"nodes\": [...], \"edges\": [...]}",
  "name": "Generated Agent Name",
  "description": "Generated description"
}

演出：≤10秒

例子：

description = "Create a research agent that searches the web and summarizes findings"
result = await generate_agentflow_v2(description)

# Optionally create chatflow from generated structure
chatflow = await create_chatflow(
  name=result["name"],
  flow_data=result["flowData"],
  type="AGENTFLOW",
  deployed=True
)

发展

项目结构

fluent-mind-mcp/
├── src/fluent_mind_mcp/
│   ├── __init__.py
│   ├── server.py                    # MCP server entry point, tool definitions
│   ├── services/
│   │   ├── __init__.py
│   │   └── chatflow_service.py      # Business logic orchestration
│   ├── client/
│   │   ├── __init__.py
│   │   ├── flowise_client.py        # HTTP client implementation
│   │   └── exceptions.py            # Custom exception hierarchy
│   ├── models/
│   │   ├── __init__.py
│   │   ├── chatflow.py              # Chatflow, FlowData domain models
│   │   ├── config.py                # Configuration model
│   │   └── responses.py             # API response models
│   ├── logging/
│   │   ├── __init__.py
│   │   └── operation_logger.py      # Structured logging
│   └── utils/
│       ├── __init__.py
│       └── validators.py            # Input validation helpers
├── tests/
│   ├── unit/                        # Unit tests (mocked)
│   ├── integration/                 # Integration tests (real API)
│   └── acceptance/                  # Acceptance tests (user stories)
├── specs/001-flowise-mcp-server/    # Design documentation
│   ├── spec.md                      # Feature specification
│   ├── plan.md                      # Implementation plan
│   ├── tasks.md                     # Task breakdown
│   ├── data-model.md                # Data models
│   ├── research.md                  # Technical research
│   ├── quickstart.md                # Quick setup guide
│   └── contracts/                   # API contracts
├── README.md                        # This file
├── pyproject.toml                   # Python project configuration
└── .env.example                     # Environment template

运行测试

# Install dev dependencies
pip install -e ".[dev]"

# Run all tests
pytest tests/

# Run with coverage
pytest --cov=fluent_mind_mcp --cov-report=html tests/

# Run specific test suites
pytest tests/unit/              # Unit tests only
pytest tests/integration/       # Integration tests only
pytest tests/acceptance/        # Acceptance tests only

# Run linting
ruff check src/

# Run type checking
mypy src/

代码质量

该项目保持高代码质量标准：

• 测试覆盖率：总体≥80%，100%关键路径
• 类型安全：带有mypy验证的完整类型提示
• 代码风格：有褶皱
• 复杂性：圈复杂度≤10，嵌套≤3
• 文档：解释为什么而不是什么的综合文档

故障排除

问题：“连接被拒绝”

原因：Flowise未运行或URL不正确

解决方案:

# Check Flowise is running
curl http://localhost:3000/api/v1/chatflows

# If not running, start Flowise
cd path/to/flowise
npm start

问题：“身份验证失败”

原因：API密钥无效或丢失

解决方案:

1. 验证Flowise设置中的API键
2. 更新 FLOWISE_API_KEY 在 .env 和克劳德配置
3. 重新启动克劳德桌面

问题：“未找到MCP服务器”

原因：Claude Desktop配置不正确或未安装服务器

解决方案:

1. 验证 claude_desktop_config.json 路径正确
2. 检查 python -m fluent_mind_mcp.server 运行无错误
3. 查看克劳德桌面日志： ~/Library/Logs/Claude/mcp*.log

问题：“导入错误：fluent_mind_mcp”

原因：软件包安装不正确

解决方案:

# Reinstall package
cd ~/work/ai/fluent-mind-mcp
pip install -e . --force-reinstall

查看日志

# Claude Desktop logs
tail -f ~/Library/Logs/Claude/mcp-server-fluent-mind.log

# Or check all MCP logs
ls -la ~/Library/Logs/Claude/mcp*.log

日志级别:

• ERROR：上下文失败
• INFO：关键操作（创建、更新、删除、执行）
• WARNING：降级条件（响应缓慢、重试）
• DEBUG：详细痕迹（默认情况下关闭）

更改中的日志级别 .env:

LOG_LEVEL=DEBUG

演出

MCP服务器满足以下性能目标：

• 列表/获取/执行：每次操作≤5秒
• 创建/更新/部署：每次操作≤10秒
• 全生命周期：≤60秒（创建+更新+执行+部署+删除）
• 并发：支持5-10个AI助手同时连接
• 可扩展性：高效处理多达100个聊天流

安全

• 认证：支持Flowise API密钥身份验证
• 无凭证风险：API密钥从未记录或暴露在错误消息中
• 输入验证：处理前验证所有用户输入
• 大小限制：flowData大小限制为1MB，以防止资源耗尽
• 错误处理：妥善处理所有故障情况

许可证

这个项目是 完全开源 从零开始建造。分叉代码没有MIT许可证要求，因为没有分叉代码。你想用它做什么就做什么。

为什么“思维流畅”？

因为与Flowise的交互应该是流畅、直观和智能的。而且听起来很酷。

鸣谢

在发现现有的mcp-flowise工具实际上无法创建聊天流后，出于沮丧而构建。有时你只需要建造自己的主题公园。

支持

• 问题：在存储库问题页面报告
• 文档：参见 docs/README.md 完整的文档中心
• 快速开始：参见 specs/001-flowise mcp服务器/quickstart.md 用于快速设置
• 节点模板：参见 适用于39个生产就绪模板
• 工作聊天流：参见 examples/WORKING_CHATFLOWS_GUIDE.md 如何创建功能性聊天流

快速参考

______________________________________________________________________

状态： ✅ 生产就绪

版本： 1.0.0

内置于❤️ 以及健康的挫折感。