איך הוספתי 12 שרתי MCP ל-OpenClaw

שדרוג אוטומציה אינו קשור ל-LLM. הוא קשור לזרימת נתונים.

נתקלתי בצוואר בקבוק כשהמערך האוטומטי שלי גדל. OpenClaw משתמש ב-Model Context Protocol (MCP) כדי לחבר סוכנים (agents) לשירותים. "מהקופסה", מקבלים רק כמה שרתים. הייתי זקוק לשנים-עשר שרתים ייעודיים עבור קוד, תמונות וחיפוש וקטורי.

הנה איך בניתי מערכת אמינה בעלת שיהוי (latency) נמוך.

למה פיצלתי את העומס

• התמחות: אני מקצה מודלים ספציפיים כמו Claude-3.5 או GPT-4o-mini למשימות ספציפיות. • יתירות (Redundancy): אם API נכשל, מודל LLaMA-2 מקומי נכנס לפעולה. • מהירות: פיזור משימות בין שרתים מונע הצטברות של תורים.

ההגדרה

אני משתמש בקובץ JSON יחיד כדי לנהל הכל. הקובץ הזה נמצא בתיקיית הקונפיגורציה של OpenClaw. הוא מכיל את ה-URL, ה-auth token והשם של כל שרת.

אני משתמש בסקריפט Bash כדי למשוך סודות (secrets) מהסביבה שלי. זה שומר על ה-tokens שלי בטוחים.

כדי לשמור על הרשימה מעודכנת, אני משתמש ב-cron job לילי. הוא מריץ את פקודת ה-import של OpenClaw באופן אוטומטי.

לוגיקת הסוכן

סוכנים בוחרים שרת לפי שם. הגדרתי סוכן לבדיקת קוד (code-review agent) עם לוגיקת fallback. הוא מנסה קודם את Claude-3.5. אם זה נכשל, הוא עובר ל-llama-2-local. זה שומר על זרימת העבודה (workflows) שלי פעילה גם בזמן השבתות של ה-API.

בנוסף בניתי סוכנים ייעודיים עבור:

התוצאות

השיהוי (latency) שלי ירד מ-1.8 שניות ל-0.9 שניות. הסוכנים שלי מגיבים כעת מהר יותר ובאמינות גבוהה יותר.

תובנות עבורכם:

• התחילו בקטן. הקימו שלושה שרתים תחילה. ודאו שה-pipeline עובד לפני שאתם עוברים לשדרוג (scale). • התייחסו לרשימת השרתים שלכם כאל קוד. השתמשו בבקרת גרסאות (version control) וב-linting. • נתחו את השגיאות שלכם. השתמשו בכלי כמו openclaw monitor כדי לעקוב אחר השיהוי ושיעורי השגיאות. • השתמשו במודלי fallback. זה מונע מהאוטומציה כולה להישבר כאשר שירות אחד קורס.

MCP הופך מודל בודד למערכת אקולוגית (ecosystem) מלאה.

מקור: https://dev.to/mrclaw207/how-i-added-12-mcp-servers-to-openclaw-a-step-by-step-guide-bnb

קהילת למידה אופציונלית: https://t.me/GyaanSetuAi