LLM Council MCP

法学硕士理事会MCP

MCP服务器允许 克劳德代码 通过多轮会议咨询外部LLM（GPT、Gemini）。在不离开Claude Code工作流程的情况下，获取第二意见、进行平行咨询或进行基于网络的研究。

为什么？

Claude Code功能强大，但有时你想：

• 获取第二意见 GPT或Gemini的架构决策
• 交叉引用答案 通过向多个模型提出同一个问题
• 基于网络的研究 使用Gemini的谷歌搜索或OpenAI的网络搜索
• 多回合对话 与外部模型合作，而克劳德则负责编排

这个MCP服务器通过一个简单的工具界面使这一切成为可能。

工具

支持的提供商

快速开始

1.获取API密钥

您至少需要一个：

• 开放人工智能: platform.openai.com/api-keys
• 双子座: aistudio.google.com/apikey

2.添加到克劳德代码

将此添加到您的 .mcp.json （在您的主目录或项目根目录中）：

{
  "mcpServers": {
    "llm-council": {
      "command": "uvx",
      "args": ["llm-council-mcp"],
      "env": {
        "OPENAI_API_KEY": "sk-...",
        "GEMINI_API_KEY": "AI..."
      }
    }
  }
}

替代方案——使用uv在本地安装：

{
  "mcpServers": {
    "llm-council": {
      "command": "uv",
      "args": ["--directory", "/path/to/llm-council-mcp", "run", "python", "-m", "llm_council_mcp"],
      "env": {
        "OPENAI_API_KEY": "sk-...",
        "GEMINI_API_KEY": "AI..."
      }
    }
  }
}

3.重新启动克劳德代码

Claude Code将在重新启动时接收新的MCP服务器。你应该看看 llm-council 工具可用。

使用模式

派遣：代理团队或背景子代理

理事会的工具是 阻止呼叫 （每次响应10-30秒）。永远不要在主要谈话中给他们打电话。两种调度模式：

代理团队（首选克劳德代码）： 使用 TeamCreate 每个提供者有一个队友。队友可以通过以下方式发送实时状态更新 SendMessage --错误会立即出现，结果会随着每个提供者的响应而返回。

背景子代理（后备）： 使用 Agent 和 run_in_background=true，每个供应商一个。更简单，但没有中间状态更新——调用者只看到最终结果。

User: "Ask GPT and Gemini what they think about this architecture"

Claude Code dispatches:
  -> Teammate/Agent 1: calls council(provider="openai", ...)
  -> Teammate/Agent 2: calls council(provider="gemini", ...)

Results arrive independently as each provider responds.

每个提供商一个代理

咨询多个提供商时，请始终使用 独立代理人 --每个供应商一个。这确保了更快的提供者的结果立即到达，而无需等待较慢的提供者。

会话管理

会话在对话中的通话中持续存在：

# First call creates the session
council(session="arch-review", message="Review this design...", provider="openai")

# Follow-up uses the same session (conversation continues)
council(session="arch-review", message="What about error handling?")

# Inject context without an LLM call
council_inject(session="arch-review", content="", label="schema.sql")

# Clean up when done
council_delete(session="arch-review")

网络研究

# Stateless web-grounded research
council_research(query="What are the latest MCP server best practices?", provider="gemini")

配置

环境变量

您只需要您使用的提供程序的API密钥。如果你只使用Gemini，你不需要OpenAI密钥（反之亦然）。首次调用提供程序时，密钥会延迟加载。

默认系统提示

创建 $LLM_COUNCIL_DATA_DIR/config.json 要设置应用于所有会话的默认系统提示，请执行以下操作：

{
  "default_system_prompt": "You are a senior software architect. Be concise."
}

自定义系统提示传递给 council() 在默认值之后附加。

错误处理

议会工具将错误作为MCP返回 CallToolResult 和 isError: true 而不是抛出异常。这确保了调用代理始终获得可解析的结果，并可以将其转发给用户。

错误响应包括结构化字段：

{
  "error": true,
  "provider": "gemini",
  "model": "gemini-3.1-pro-preview",
  "error_type": "RuntimeError",
  "phase": "headers",
  "retryable": true,
  "http_status": 503,
  "message": "Gemini API error 503: This model is currently experiencing high demand."
}

流媒体

这两家提供商都在内部使用流式HTTP（SSE）。这意味着：

• 即时错误检测：HTTP错误（503429）会立即从响应标头中出现，而不是挂起，直到超时触发。
• 没有任意超时：只要提供者正在生成令牌，连接就会保持活动状态。没有切断合法长回复的风险。
• 中游恢复力：如果连接在部分数据后断开，则会报告错误以及接收到的数据量。

成本跟踪

每 council 呼叫返回使用统计数据，包括估计成本：

{
  "provider": "openai",
  "model": "gpt-5.4",
  "session": "review-gpt",
  "response": "...",
  "usage": {
    "input_tokens": 1250,
    "output_tokens": 890,
    "reasoning_tokens": 2048,
    "cost_usd": 0.021
  }
}

会话级成本跟踪可通过以下方式获得 council_sessions.

发展

# Clone and install
git clone https://github.com/Envious-Labs-LLC/llm-council-mcp.git
cd llm-council-mcp
uv sync

# Run directly
uv run python -m llm_council_mcp

# Test with MCP Inspector
npx @modelcontextprotocol/inspector uv run python -m llm_council_mcp

添加新提供者

1. 创建 src/llm_council_mcp/providers/yourprovider.py 实施 LLMProvider
2. 添加定价 pricing.py
3. 将模型配置文件添加到 model_profiles.py
4. 注册于 providers/__init__.py

许可证

麻省理工学院——见 许可证.