
خادم Litmus MCP
يُمكّن خادم Litmus MCP التكامل السلس بين نماذج اللغة الكبيرة (LLMs) وLitmus Edge لتكوين الأجهزة الصناعية ومراقبتها وإدارتها. استفد من بيانات الأجهزة في الوقت ال...
يعمل خادم باترونوس MCP على أتمتة تقييمات وتجارب LLM، مما يتيح قياس أداء الذكاء الاصطناعي وتكامل سير العمل للفرق التقنية التي تستخدم FlowHunt.
خادم باترونوس MCP (بروتوكول سياق النماذج) هو تنفيذ معياري لخادم تم إنشاؤه من أجل حزمة باترونوس SDK، صُمم لتسهيل تحسينات وتقييمات وتجارب متقدمة على أنظمة LLM (نماذج اللغة الكبيرة). من خلال ربط مساعدي الذكاء الاصطناعي بمصادر البيانات والخدمات الخارجية، يمكّن خادم باترونوس MCP تدفقات عمل سلسة للمطورين والباحثين. يتيح للمستخدمين تشغيل تقييمات فردية أو جماعية، وتنفيذ تجارب على مجموعات بيانات، وتهيئة المشاريع بمفاتيح API وإعدادات مخصصة. تساعد هذه المنصة القابلة للتوسعة على أتمتة المهام التكرارية في التقييم، وتدعم دمج المقَيّمين المخصصين، وتوفر واجهة قوية لإدارة وتحليل سلوك LLM، مما يعزز دورة تطوير الذكاء الاصطناعي بشكل عام.
لا توجد قوالب محفزات مدرجة بشكل صريح في المستودع أو التوثيق.
لا توجد موارد صريحة موضحة في التوثيق المتاح أو ملفات المستودع.
initialize
يهيئ باترونوس بمفتاح API، وإعدادات المشروع والتطبيق. يجهز النظام لمزيد من التقييمات والتجارب.
evaluate
يشغّل تقييمًا فرديًا باستخدام مقيم قابل للتهيئة على مدخلات ومخرجات وسياق المهمة المعطاة.
batch_evaluate
ينفذ تقييمات جماعية عبر العديد من المقيمين على المهام المقدمة، وينتج نتائج جماعية.
run_experiment
يجري تجارب باستخدام مجموعات بيانات ومقيمين محددين، مفيد لقياس الأداء والمقارنة.
أتمتة تقييم LLM
أتمتة تقييم نماذج اللغة الكبيرة من خلال تجميع المهام وتطبيق العديد من المقيمين، ما يقلل الجهد اليدوي في ضمان الجودة وقياس الأداء.
تجريب مخصص
تنفيذ تجارب مخصصة باستخدام مجموعات بيانات ومقيمين خاصين لقياس أداء بنى جديدة من LLM ومقارنة النتائج عبر معايير متعددة.
تهيئة المشاريع للفرق
إعداد وتكوين بيئات التقييم بسرعة لعدة مشاريع باستخدام مفاتيح API وإعدادات المشروع، لتسهيل بدء العمل والتعاون.
اختبار تفاعلي حي
استخدام السكريبتات المقدمة لاختبار نقاط التقييم بشكل تفاعلي، مما يسهل على المطورين تصحيح وتأكيد تدفقات التقييم الخاصة بهم.
.windsurf
أو windsurf.json
).{
"mcpServers": [
{
"command": "python",
"args": ["src/patronus_mcp/server.py"],
"env": {
"PATRONUS_API_KEY": "your_api_key_here"
}
}
]
}
{
"mcpServers": [
{
"command": "python",
"args": ["src/patronus_mcp/server.py"],
"env": {
"PATRONUS_API_KEY": "your_api_key_here"
}
}
]
}
{
"mcpServers": [
{
"command": "python",
"args": ["src/patronus_mcp/server.py"],
"env": {
"PATRONUS_API_KEY": "your_api_key_here"
}
}
]
}
{
"mcpServers": [
{
"command": "python",
"args": ["src/patronus_mcp/server.py"],
"env": {
"PATRONUS_API_KEY": "your_api_key_here"
}
}
]
}
تأمين مفاتيح API:
ضع بيانات الاعتماد الحساسة مثل PATRONUS_API_KEY
في كائن env
في إعداداتك. مثال:
{
"command": "python",
"args": ["src/patronus_mcp/server.py"],
"env": {
"PATRONUS_API_KEY": "your_api_key_here"
},
"inputs": {}
}
استخدام MCP في FlowHunt
لدمج خوادم MCP في سير عمل FlowHunt الخاص بك، ابدأ بإضافة مكوّن MCP إلى التدفق ثم ربطه بوكيل الذكاء الاصطناعي الخاص بك:
انقر على مكوّن MCP لفتح لوحة الإعدادات. في قسم إعدادات النظام MCP، أدخل تفاصيل خادم MCP الخاص بك باستخدام هذا التنسيق من JSON:
{
"patronus-mcp": {
"transport": "streamable_http",
"url": "https://yourmcpserver.example/pathtothemcp/url"
}
}
بعد الإعداد، سيتمكن وكيل الذكاء الاصطناعي من استخدام هذا MCP كأداة مع إمكانية الوصول إلى جميع وظائفه وإمكاناته. تذكّر تغيير “patronus-mcp” إلى اسم خادم MCP الخاص بك واستبدال عنوان URL بعنوان خادم MCP الخاص بك.
القسم | التوفر | التفاصيل/الملاحظات |
---|---|---|
نظرة عامة | ✅ | وصف واضح في ملف README |
قائمة المحفزات | ⛔ | لم يتم العثور على قوالب محفزات |
قائمة الموارد | ⛔ | لا توجد موارد صريحة مذكورة |
قائمة الأدوات | ✅ | مذكورة في تعليمات API وREADME |
تأمين مفاتيح API | ✅ | موضحة في README وتعليمات الإعداد |
دعم Sampling (أقل أهمية في التقييم) | ⛔ | لم يُذكر |
دعم Roots: غير مذكور في التوثيق أو الشيفرة.
استنادًا إلى المعلومات أعلاه، يوفر خادم باترونوس MCP أساسًا قويًا وميزات أساسية لتقييم وتجريب LLM، لكنه يفتقر إلى التوثيق أو تفاصيل التنفيذ لقوالب المحفزات، الموارد، وبعض ميزات MCP المتقدمة مثل Roots وSampling.
يقدم خادم باترونوس MCP أدوات تقييم متقدمة وتعليمات إعداد واضحة، لكنه يفتقر إلى المحفزات الموحدة وتعريفات الموارد وبعض الميزات المتقدمة. هو الأنسب للمستخدمين التقنيين الذين يركزون على تقييم وتجريب LLM. التقييم: 6/10
لديه ترخيص LICENSE | ✅ (Apache-2.0) |
---|---|
يحتوي على أداة واحدة على الأقل | ✅ |
عدد عمليات Fork | 3 |
عدد النجوم (Stars) | 13 |
خادم باترونوس MCP هو خادم معياري لحزمة باترونوس SDK، يركز على تحسين وتقييم وتجريب أنظمة LLM. يقوم بأتمتة تقييمات LLM، ويدعم المعالجة الجماعية، ويوفر واجهة قوية لسير عمل تطوير الذكاء الاصطناعي.
يتضمن أدوات لتهيئة إعدادات المشروع، وتشغيل تقييمات فردية وجماعية، وإجراء تجارب على مجموعات بيانات ومقَيّمين مخصصين.
قم بتخزين مفاتيح API في كائن `env` داخل ملف الإعدادات الخاص بك. تجنب وضع المعلومات الحساسة مباشرة في مستودعات الشيفرة.
نعم، يمكنك دمج خادم باترونوس MCP كمكوّن MCP داخل FlowHunt، وربطه بوكيل الذكاء الاصطناعي الخاص بك للتقييمات والتجارب المتقدمة.
أتمتة تقييمات LLM، تجارب قياس الأداء المخصصة، تهيئة المشاريع للفرق، والاختبار التفاعلي الحي لنقاط تقييم النماذج.
ادمج خادم باترونوس MCP في سير عمل FlowHunt الخاص بك لتقييمات نماذج الذكاء الاصطناعي المؤتمتة والقوية والقابلة للتوسع وتجارب النماذج.
يُمكّن خادم Litmus MCP التكامل السلس بين نماذج اللغة الكبيرة (LLMs) وLitmus Edge لتكوين الأجهزة الصناعية ومراقبتها وإدارتها. استفد من بيانات الأجهزة في الوقت ال...
يتيح خادم بروميثيوس MCP لمساعدي الذكاء الاصطناعي التفاعل مع مقاييس بروميثيوس باستخدام واجهات بروتوكول سياق النماذج (MCP) الموحدة. يدعم استعلامات PromQL، واكتشاف...
يتيح خادم MCP التفاعلي interactive-mcp تدفقات عمل الذكاء الاصطناعي بسلاسة ووجود الإنسان في الحلقة من خلال ربط وكلاء الذكاء الاصطناعي بالمستخدمين والأنظمة الخارج...