本地代理MCP服务器
将代码生成任务从Claude code委托给本地模型（LM Studio/Ollama），同时通过迭代反馈保持质量。 节省60-90%的API成本。
核心功能
- 🎯 智能委托 -Claude Code自动将任务委托给本地模型
- 🔄 反馈循环 -迭代审查和改进（最多3次迭代）
- 📊 实时统计 -跟踪每个代表团的成本和节省情况
- 💾 持续跟踪 -跨会话保存的统计信息
- ⚙️ 可配置定价 -任何型号的准确成本计算
- 🌍 全球或每个项目 -适用于任何地方或特定项目
运作原理
User Request → Claude Code (Sonnet) → Delegates Simple/Medium Tasks
↓
MCP Server
↓
Local Model (Free)
↓
Review & Iterate
↓
Final Output ✅结果： Claude负责架构和复杂的决策。本地模型处理代码生成。你省钱。
快速开始
1.先决条件
# Install MCP SDK
pip install mcp
# Start a local model backend (choose one):
# Option A: LM Studio (recommended)
# 1. Download from lmstudio.ai
# 2. Load Qwen 2.5 Coder 7B
# 3. Start server (http://localhost:1234)
# Option B: Ollama
curl -fsSL https://ollama.com/install.sh | sh
ollama pull deepseek-coder:6.7b
ollama serve2.配置MCP服务器
# Global (all projects)
python configure/configure_mcp_global.py
# Or project-specific
python configure/configure_mcp.py这将MCP服务器添加到 ~/.claude.json.
3.启用自动委派（推荐）
# Copy template to your project
cp CLAUDE-template.md CLAUDE.md
# Or create global default
mkdir -p ~/.claude
cp CLAUDE-template.md ~/.claude/CLAUDE.md重要提示：
- MCP配置=制作工具 可用的
- CLAUDE.md=告诉克劳德 何时使用它们
两者都是自动授权所必需的。
4.重新启动克劳德代码
完全关闭并重新打开VS Code/Claude Code。
可用工具
1. execute_with_feedback_loop 主要的，重要的
最适合大多数编码任务。本地模型生成→ 克劳德评论→ 迭代直到批准。
{
"task_id": "add-auth-001",
"task_type": "backend",
"prompt": "Create user authentication endpoints",
"quality_criteria": ["Include error handling", "Add type hints"]
}2. execute_with_local_model （快速）
用于不需要审查的简单任务（样板、格式、文档）。
{
"prompt": "Generate a Python dataclass for User with name, email, age"
}3. provide_feedback （回顾）
Claude使用它为迭代提供特定的反馈。
4. compare_iterations （分析）
使用统计数据查看迭代中的改进。
5. get_statistics_summary （报告）
获取所有委派任务的累积统计数据。
{
"total_tasks": 47,
"cost_analysis": {
"total_savings_usd": 3.71,
"savings_percent": 86.9
}
}配置
环境变量
后端：
export BACKEND_TYPE=lmstudio # or ollama, openai-compatible
export BACKEND_URL=http://localhost:1234/v1定价（用于准确的成本跟踪）：
export REMOTE_INPUT_COST_PER_1K=0.003 # Claude Sonnet input
export REMOTE_OUTPUT_COST_PER_1K=0.015 # Claude Sonnet output
export LOCAL_COST_PER_1K=0.0 # Local models are free统计和成本跟踪
每个代表团都会返回全面的统计数据：
{
"statistics": {
"local_model_usage": {
"tokens": {"sent": 1500, "received": 800},
"time_seconds": 2.34
},
"cost_analysis": {
"local_model_cost_usd": 0.00,
"estimated_cost_if_fully_remote_usd": 0.0165,
"actual_cost_usd": 0.0024,
"savings_usd": 0.0141,
"savings_percent": 85.5
}
}
}统计数据会自动保存到 .mcp_stats.json 并在会话中持续存在。
授权策略
Claude Code应委托：
✅ 对于本地模型：
- Boilerplate和简单代码生成
- 重构和格式化
- 测试生成
- API端点和CRUD操作
- 文档
🎯 自我管理（远程）：
- 架构和设计决策
- 安全关键代码
- 复杂算法
- 新颖/模糊的要求
- 最终整合和审查
目标： 60-80%的任务被委派，可节省60-90%的成本。
提示
- 使用反馈循环 -质量优于快速授权
- 反馈要具体 -“添加电子邮件验证”胜过“改进验证”
- 检查统计数据 -使用
get_statistics_summary追踪储蓄情况 - 迭代最多3次 -如果没有修复，请自己处理
- 自定义CLAUDE.md -为每个项目量身定制委托规则
故障排除
“连接错误”
- 确保LM工作室/Ollama正在运行
- 检查模型是否已加载
- 验证服务器URL:
curl http://localhost:1234/v1/models
“工具不可用”
- 运行配置脚本：
python configure/configure_mcp_global.py - 完全重新启动Claude代码
- 检查
~/.claude.json包含“本地代理”
“不自动委派”
- 从模板创建CLAUDE.md
- 添加Claude.md后重新启动Claude代码
文件结构
mcp-local-agent/
├── local_agent_mcp_server.py # Main MCP server
├── configure/
│ ├── configure_mcp_global.py # Global setup
│ └── configure_mcp.py # Project setup
├── CLAUDE-template.md # Template for project guidelines
├── README.md # This file
└── .mcp_stats.json # Statistics (auto-generated)高级
自定义系统提示
{
"system_prompt": "You are a senior Python developer. Follow PEP 8 strictly. Always include comprehensive error handling and type hints."
}全球vs项目特定
- 全球的：
configure_mcp_global.py→ 适用于所有地方 - 项目：
configure_mcp.py→ 仅当前项目 - 两者都支持： 可以用项目设置覆盖全局
推荐型号
LM工作室：
- Qwen 2.5编码器7B（最佳平衡）
- DeepSeek编码器V2 16B（最高质量）
- CodeLlama 13B（备选）
奥拉马：
deepseek-coder:6.7bcodellama:13b
文档
CLAUDE-template.md-项目指南模板docs/DELEGATION_STRATEGY.md-决策框架test_hybrid_workflow.py-示例工作流
支持
- 问题：
- MCP文件： MCP文件
______________________________________________________________________
状态： 🟢 生产就绪| 成本节约： 60-90% | 质量： 维护