Anbindung an Agenten-Umgebungen

Die Agent-Umgebung des RAGRAF-Autors (zwork 2.0.2, Electron): Auf ihr wurde das Produkt entworfen und auf ihr wurden die veröffentlichten Ergebnisse gemessen. Die Anbindung läuft über zwei unabhängige Kanäle — CLI ohne Konfiguration und MCP über die Produktoberfläche; --agent-kind autoclaw ist ein echter Codepfad (Telemetrie-Attribution, erweiterte Protokollmodi). Alles im Guide sind Messungen der Integrationssitzung und Fakten aus dem Anwendungscode.

1. 1Mit dem CLI-Kanal beginnen — er funktioniert ohne KonfigurationDer erste Schritt einer Aufgabe ist python <repo>\tools\ragraf.py ensure <Verzeichnis>, danach Index-Operationen statt Dateilesen. Das CLI hängt weder an App-Einstellungen noch an Neustarts und kann nicht „still wegfallen“. Fehlen die ragraf_*-Tools in der Agentenliste, ist das kein Defekt: Index, Suche, Schema und Graphen bleiben über das CLI voll arbeitsfähig (Sitzungsmessung: tool_search → 0).
2. 2MCP wird über die Produktoberfläche registriertGemessen: Es gibt keinen dateibasierten Weg — weder mcp.json noch mcpServers im Profil, keine Server-Tabelle in runtime.sqlite (alle 106 Tabellen geprüft). Der Server wird in den Projekt-/App-Einstellungen eingetragen: .venv-Interpreter, ragraf-mcp.py --agent AutoClaw --agent-kind autoclaw, Arbeitsverzeichnis <repo>. --project ist nicht nötig: Der Korpus wird aus dem Arbeitsverzeichnis bestimmt, Umschalten per ragraf_use_project.
3. 3Skill in beide Konten, Regeln in ~/.pi/agent/AGENTS.mdragraf-core wird im Skill-Baum jedes Kontos abgelegt (Quelle — docs/skills des Projekts; die Frische der Kopien wird per SHA-256 kontrolliert). Abschnitt 8 der Benutzerregeln schreibt den Aufgabenstart mit ensure vor und bleibt in beiden Konfigurationen ausführbar — mit und ohne MCP.
4. 4Per Messung prüfen, nicht per Annahmetool_search nach ragraf: 0 vor der Registrierung, 59 nach dem Neustart — diese Differenz ist der Beweis. Über das CLI: catalog (Register), ensure (status: actual), check (übereinstimmende Summen). usage --agent AutoClaw zeigt ensure in der Aufschlüsselung — die Erster-Schritt-Regel wird befolgt.

команда:            <repo>\.venv\Scripts\python.exe
аргументы:          <repo>\tools\ragraf-mcp.py
                    --agent AutoClaw --agent-kind autoclaw
рабочий каталог:    <repo>

Offene Plattform für ein Team von KI-Mitarbeitern (Streamlit, MIT, v1.13.1): Assistenten, autonome Orchestratoren, der eingebaute Entwickler-Agent DevAgent, Wissensbasen und eine Skill-Bibliothek. Einen MCP-Client gibt es im Plattformcode nicht — per Repository-Suche verifiziert —, deshalb wird RAGRAF über die plattformeigenen Mechanismen angebunden: den Skill ragraf-core und CLI-Aufrufe über das Tool run_code.

1. 1Den Korpus einmal bauen — für alle Mitarbeiter gemeinsamDer Index ist für Agenten read-only: Mehrere Orchestratoren und Dialoge arbeiten gleichzeitig mit einem Korpus. Der erste Schritt ist ensure <Projektverzeichnis>.
2. 2Den Skill ragraf-core in der Bibliothek installierenInstallation aus GitHub-URL, ZIP oder Ordner (Register skills/skills.json; Grenzen: 200 MB, 5000 Dateien, 50 MB pro Datei). Ein fremder Skill erreicht den Systemprompt erst, wenn DevAgent (Skill Developer) die Anpassung abschließt — mark_skill_adapted.
3. 3Das Regime in die Orchestrator-Anweisungen aufnehmenDie fünf Regeln des universellen Fragments sind das minimale ausreichende Set; aufnehmen in die Mitarbeiter-Anweisungen (überstehen Neustarts) oder in die AGENT.md des Projekts. Ohne Regime fallen Agenten auf search_in_files zurück — sofort in der Aufrufstatistik sichtbar.
4. 4CLI-Aufrufe — über run_coderun_code führt Befehle in einem isolierten Subprozess aus (Timeout 300 s; gefährliche Muster nur mit UI-Bestätigung): catalog, ensure, query symbol, check, usage --agent saga-worker. Der Agent liest den Antworttext selbst — keine Schema-Interpretation nötig.

{
  "mcpServers": {
    "ragraf": {
      "command": "python",
      "args": [
        "<repo>/tools/ragraf-mcp.py",
        "--agent", "saga-worker",
        "--agent-kind", "external"
      ]
    }
  }
}

Die Electron-App DeepSeek Harness 0.2.0-rc.2 mit eingebautem MCP-Client (Plugin @deepseek-ai/dsh-mcp-client). RAGRAF verbindet sich als MCP-Server über stdio; die Tools erscheinen als mcp__ragraf__ragraf_*. Die Anbindung wurde vollständig durchdebuggt und durch Messungen einer Live-Sitzung bestätigt: alles Folgende sind nachvollziehbare Befehle, Pfade und gemessene Ausgaben.

Vollständiger Harness-Einrichtungs-Guide

Ihre Umgebung fehlt? Wenn der Client einen stdio-Prozess starten und JSON-RPC sprechen kann — reicht das. Drei Schritte: Server-Konfiguration, Regime in den System-Prompt, capabilities-Check als erster Aufruf.

# Регламент работы с RAGRAF (фрагмент AGENTS.md)
1. Навигация — только через ragraf_symbol / ragraf_search.
   Полный файл — только ragraf_live_read и только по факту из индекса.
2. Проверяй конверт: stale_warnings → перечитай затронутое (live_read);
   capability=degraded → не планируй задачи со slice.
3. Перед любой записью в БД — ragraf_write_check (всегда).
4. Перед правкой символа — ragraf_impact --depth 3.
5. «Не найдено» — валидный ответ: сообщай limits из конверта, не додумывай.

# сервер отвечает на инициализацию MCP и раскрывает режим корпуса
python tools/ragraf-mcp.py --project corpus.yaml --agent probe --agent-kind external
# → JSON-RPC: 59 инструментов ragraf_*; list_capabilities:
#   {"capability":"full","operations":[...22...]}   (или degraded + reason)

# телеметрия после пробных вызовов
ragraf -p corpus.yaml query usage_stats
# → usage_call содержит записи agent=probe, kind=external