Bagaimana Saya Menambah 12 Pelayan MCP kepada OpenClaw

Penskalaan automasi bukan tentang LLM. Ia adalah tentang aliran data.

Saya menghadapi masalah kesesakan (bottleneck) apabila timbunan automasi saya berkembang. OpenClaw menggunakan Model Context Protocol (MCP) untuk menyambungkan ejen kepada perkhidmatan. Secara lalai, anda hanya mendapat beberapa pelayan sahaja. Saya memerlukan dua belas pelayan khusus untuk kod, imej, dan carian vektor.

Berikut adalah cara saya membina sistem yang boleh dipercayai dengan kependaman (latency) rendah.

Mengapa Saya Membahagikan Beban

• Pengkhususan: Saya menetapkan model khusus seperti Claude-3.5 atau GPT-4o-mini untuk tugasan tertentu. • Redundansi: Jika API gagal, model LLaMA-2 tempatan akan mengambil alih. • Kelajuan: Menyebarkan tugasan merentasi pelayan menghalang pengumpulan barisan (queues).

Tetapan

Saya menggunakan satu fail JSON untuk menguruskan segalanya. Fail ini disimpan dalam direktori konfigurasi OpenClaw saya. Ia menyimpan URL, token pengesahan (auth token), dan nama bagi setiap pelayan.

Saya menggunakan skrip Bash untuk menarik rahsia (secrets) daripada persekitaran saya. Ini memastikan token saya selamat.

Untuk memastikan senarai sentiasa dikemas kini, saya menggunakan tugasan cron (cron job) setiap malam. Ia menjalankan arahan import OpenClaw secara automatik.

Logik Ejen

Ejen memilih pelayan berdasarkan nama. Saya menyediakan ejen semakan kod (code-review agent) dengan logik sandaran (fallback logic). Ia akan mencuba Claude-3.5 terlebih dahulu. Jika gagal, ia akan bertukar kepada llama-2-local. Ini memastikan aliran kerja saya terus berjalan walaupun semasa gangguan API.

Saya juga membina ejen khusus untuk:

Keputusan

Kependaman saya menurun daripada 1.8 saat kepada 0.9 saat. Ejen saya kini bertindak balas dengan lebih pantas dan lebih dipercayai.

Pengajaran untuk anda:

• Mula secara kecil-kecilan. Lancarkan tiga pelayan terlebih dahulu. Pastikan saluran paip (pipeline) berfungsi sebelum anda melakukan penskalaan. • Anggap senarai pelayan anda sebagai kod. Gunakan kawalan versi (version control) dan linting. • Pantau ralat anda. Gunakan alat seperti openclaw monitor untuk menjejaki kadar kependaman dan ralat. • Gunakan model sandaran (fallback models). Ini menghalang keseluruhan automasi anda daripada tergendala apabila satu perkhidmatan terhenti.

MCP menukarkan satu model kepada satu ekosistem yang lengkap.

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

Komuniti pembelajaran pilihan: https://t.me/GyaanSetuAi