Добавить сервер
Whatsonyourmind/oraclaw
  1. Каталог MCP
  2. Whatsonyourmind/oraclaw

Whatsonyourmind/oraclaw

от whatsonyourmind
OraClaw — MCP сервер, дающий AI-агентам 17 быстрых инструментов оптимизации и симуляции: bandit, линейное программирование, Монте-Карло, прогнозы и анализ рисков. Всё выполняется детерминированно, без затрат на LLM. Идеально для балансировки вариантов и проверки гипотез.
GithubNPMСайт сервера

OraClaw

MIT License MCP Algorithms Latency npm API Status

MCP Optimization Tools for AI Agents -- 17 tools (11 free, no key), sub-25ms. Zero LLM cost.

Your AI agent can't do math. OraClaw gives it deterministic optimization, simulation, forecasting, and risk analysis through the Model Context Protocol. Every tool returns structured JSON, runs in under 25ms, and costs nothing to compute.

🚀 Using OraClaw in production — or want managed hosting, premium tools, or priority support? Tell me about your use case → — I read every one.

💬 Building something with it? Star the repo and say hi in Discussions — what you build steers what I ship next.

What this solves

LLMs generate plausible text, not mathematically optimal answers. OraClaw gives an AI agent a set of deterministic numerical tools it can call instead of guessing — each returns structured JSON from a real algorithm, with no token spend on reasoning. Concretely:

  • Your agent needs to pick the next variant to try (A/B test arm, ad/email copy, recommendation) and balance exploration against exploitation — without hand-rolling a bandit or letting the model eyeball it. Call optimize_bandit (or optimize_contextual when the best choice depends on per-call features).
  • Your agent needs a provably optimal allocation or schedule under hard constraints (budget split, integer counts, capacity caps) — without the model hallucinating constraints. Call solve_constraints (LP/MIP/QP via HiGHS) or solve_schedule for task-to-slot fitting.
  • Your agent needs to quantify uncertainty around an outcome — project a value under an uncertain input, or measure VaR/CVaR on a weighted multi-asset book with auditable assumptions — without a Monte Carlo loop in the prompt. Call simulate_montecarlo, simulate_scenario, or analyze_risk.
  • Your agent needs a point forecast or an outlier flag on a time series (demand, KPIs, sensor/metric streams) — without inventing trend math. Call predict_forecast (ARIMA / Holt-Winters) or detect_anomaly (Z-score / IQR).
  • Your agent needs to fuse or score probability signals — combine model outputs, measure how much independent sources agree, or check whether past predictions were well-calibrated. Call predict_ensemble, score_convergence, or score_calibration.
  • Your agent needs to reason over a graph — rank influential nodes, cluster a dependency/knowledge graph, find a critical path, or route between two nodes. Call analyze_graph or plan_pathfind.

Часто задаваемые вопросы

Инструменты были проиндексированы:
analyze_graphтолько чтениеидемпотентныйвнешний мир

[Премиум] Вычисляет структурные метрики взвешенного ориентированного графа: центральность PageRank, кластеры сообществ Лувена, опциональный критический путь между двумя заданными узлами и узлы-бутылочные горлышки. Используется для поиска наиболее влиятельных узлов, кластеризации графа зависимостей/знаний или поиска узких мест в цепочках поставок или сетях процессов. Возвращает PageRank и индекс сообщества для каждого узла, сводки по кластерам, критический путь с его весом и узкие места. Для одиночного маршрута от источника к цели используйте plan_pathfind (бесплатно). Премиум: требуется ORACLAW_API_KEY или оплата за вызов x402 (без регистрации).

Параметры
  • edgesobject[]обязательный
  • nodesobject[]обязательный
  • sourceGoalstring

    Необязательно: идентификатор узла для использования в качестве начала критического пути.

  • targetGoalstring

    Необязательно: идентификатор узла, используемый как конец критического пути.

analyze_riskтолько чтениеидемпотентныйвнешний мир

[Premium] Вычисляет портфельный Value-at-Risk и Conditional VaR (Expected Shortfall) на основе исторической матрицы доходности [актив][время] и весов портфеля с учётом межактивной корреляции. Используйте для оценки риска снижения стоимости по взвешенному мультиактивному портфелю, распределения риска или запуска сценариев просадки с проверяемыми входными данными. Возвращает VaR и CVaR (убыток как положительное число) для запрошенного доверительного уровня, а также ожидаемую доходность, волатильность и используемый горизонт. Чтобы вместо этого получить выборку из параметрического распределения, используйте simulate_montecarlo. Premium: требуется ORACLAW_API_KEY или оплата x402 за вызов (без регистрации).

Параметры
  • ciLevelnumber

    Двусторонний доверительный уровень для доверительных интервалов ошибки оценки в сертификате (по умолчанию: 0,95).

  • confidencenumber

    Доверительный уровень VaR (по умолчанию: 0.95).

  • horizonDaysinteger

    Горизонт в днях, масштабирует VaR на sqrt(горизонт) (по умолчанию: 1).

  • realizedExceedancesenum[]

    Необязательная последовательность попаданий при бэктесте (1 = нарушение VaR); позволяет провести тест Купиеца на безусловное покрытие в сертификате.

  • returnsnumber[][]обязательный

    [актив][время]: матрица доходностей за период (например, дневных). Каждая строка одинаковой длины.

  • weightsnumber[]обязательный

    Веса портфеля для каждого актива. Длина должна равняться returns.length. В сумме должны давать 1.

detect_anomalyтолько чтениеидемпотентныйвнешний мир

[Premium] Помечает выбросы в числовом ряду с помощью Z-теста (параметрический, предполагает нормальное распределение) или теста IQR (устойчив к асимметрии/тяжёлым хвостам). Используйте для мониторинга метрик, сигналов мошенничества/злоупотреблений, шума датчиков или контроля качества. Возвращает индекс, значение и оценку каждой аномалии, а также базовую статистику (среднее/стандартное отклонение/порог для Z-теста; q1/q3/IQR/границы для IQR) и количество аномалий. Чтобы спроецировать ряд вперёд, используйте predict_forecast. Premium: требуется ORACLAW_API_KEY или оплата за вызов x402 (без регистрации).

Параметры
  • datanumber[]обязательный

    Числовой ряд для сканирования.

  • methodenum

    По умолчанию: zscore.

  • thresholdnumber

    Z-score: стандартные отклонения от среднего (по умолчанию: 3.0). IQR: множитель для межквартильного размаха (по умолчанию: 1.5).

optimize_banditтолько чтениевнешний мир

Выбирает следующий вариант для пробы из 2+ вариантов, каждый из которых имеет наблюдаемую историю pull/reward, балансируя эксплуатацию и исследование (UCB1, Thompson sampling или epsilon-greedy). Применяйте, когда нужно выбрать один вариант сейчас из вариантов A/B-теста, рекламы/email/копии или ранжированных рекомендаций, и есть данные о количестве прошлых попыток. Возвращает выбранный вариант плюс показатель эксплуатации, бонус исследования и оценку сожаления. Для покадровых контекстных признаков используйте optimize_contextual; для непрерывных параметров используйте optimize_cmaes.

Параметры
  • algorithmenum

    Алгоритм выбора (по умолчанию: ucb1). UCB1 является детерминированным; thompson/epsilon-greedy используют выборку.

  • armsobject[]обязательный

    Варианты-кандидаты на выбор (как минимум 2).

optimize_cmaesтолько чтениевнешний мир

[Премиум] Оптимизирует N непрерывных параметров по взвешенной сумме целевых функций с помощью CMA-ES, подходит для невыпуклых/зашумленных/безградиентных ландшафтов. Используйте для поиска гиперпараметров, калибровки симуляторов или настройки управляющих политик, где вы задаёте веса целевых функций по каждому измерению. Возвращает лучший вектор параметров, его значение целевой функции, количество итераций/вычислений и флаг сходимости; стохастическая инициализация означает, что повторные запуски могут отличаться. Используйте optimize_evolve для дискретных пространств и solve_constraints для линейных/MIP ограничений. Премиум: требуется ORACLAW_API_KEY либо оплата за вызов x402 (регистрация не нужна).

Параметры
  • dimensionintegerобязательный

    Количество параметров для оптимизации.

  • initialMeannumber[]

    Необязательная начальная точка в пространстве параметров.

  • initialSigmanumber

    Начальный размер шага (по умолчанию: 0,5).

  • maxIterationsinteger

    Максимальное количество поколений (по умолчанию: 1000, предел — 5000).

  • objectiveWeightsnumber[]обязательный

    Вес для каждого измерения в линейной целевой функции по умолчанию. Длина должна равняться размерности.

optimize_contextualтолько чтениеидемпотентныйвнешний мир

Выбирает наилучший вариант на основе числового контекстного вектора признаков, используя контекстный бандит LinUCB, который обучается предпочтениям для каждого контекста на основе опциональной истории. Используйте, когда наилучший выбор меняется в зависимости от ситуационных признаков, которые различаются от вызова к вызову (атрибуты пользователя/сегмента, время суток, текущий режим). Возвращает выбранный рычаг с его ожидаемым вознаграждением LinUCB и шириной доверительного интервала. Если у вас нет признаков для каждого вызова, используйте optimize_bandit.

Параметры
  • alphanumber

    Коэффициент исследования (по умолчанию: 1.0). Чем выше — тем больше исследований.

  • armsobject[]обязательный
  • contextnumber[]обязательный

    Числовой вектор признаков, описывающий текущую ситуацию. Длина должна совпадать между вызовами.

  • historyobject[]

    Необязательные прошлые наблюдения для инициализации модели.

optimize_evolveтолько чтениевнешний мир

Запускает генетический алгоритм на векторе генов фиксированной длины (двоичные, целочисленные, вещественные границы или перестановки) против взвешенной суммы пригодности, с опциональным фронтом Парето для многокритериальных запусков. Используется для дискретных или смешанных пространств поиска (выбор признаков, целочисленное распределение, задачи типа перестановок/коммивояжёра) или когда нужно несколько недоминируемых решений. Возвращает лучшую хромосому и пригодность, фронт Парето, если применимо, поколение сходимости, общее количество поколений и историю пригодности за последнее время; результаты различаются от запуска к запуску (стохастические). Для гладких непрерывных целевых функций используйте optimize_cmaes.

Параметры
  • boundsobject
  • crossoverMethodenum

    По умолчанию: одноточечный.

  • crossoverRatenumber

    Вероятность скрещивания (по умолчанию: 0.8).

  • fitnessWeightsnumber[]

    Веса для каждого гена в стандартной линейной сумме фитнеса. Длина должна совпадать с geneLength.

  • geneLengthintegerобязательный

    Количество генов (переменных) на хромосому.

  • maxGenerationsinteger

    По умолчанию: 100, максимум 500.

  • mutationRatenumber

    Вероятность мутации на ген (по умолчанию: 0.01).

  • populationSizeinteger

    По умолчанию: 100, максимум 500.

  • selectionMethodenum

    По умолчанию: турнир.

plan_pathfindтолько чтениеидемпотентныйвнешний мир

Находит кратчайший путь (или k кратчайших путей) между начальным и конечным узлом во взвешенном ориентированном графе с помощью A* с выбираемой эвристикой (zero=Дейкстра, time, cost, risk, weighted) и алгоритма Йена для альтернатив. Используйте для маршрутизации, разрешения зависимостей или построения маршрута «как добраться из X в Y» по графу; установите kPaths>1 для альтернатив. Возвращает идентификаторы узлов пути, общую стоимость, разбивку по времени/стоимости/риску, исследованные узлы и флаг найденного пути. Для центральности/сообществ используйте analyze_graph; для назначения задач на слоты используйте solve_schedule.

Параметры
  • edgesobject[]обязательный
  • endstringобязательный

    Идентификатор целевого узла.

  • heuristicenum

    Эвристика A*. 'zero' = Дейкстра (по умолчанию).

  • kPathsinteger

    Возвращает до k альтернативных путей (по умолчанию: 1).

  • nodesobject[]обязательный
  • startstringобязательный

    Запустить ID узла.

predict_bayesianтолько чтениеидемпотентныйвнешний мир

Обновляет априорную вероятность с помощью взвешенных сигналов, используя бета-апостериорное распределение (априорное задаётся как Beta(prior*10, (1-prior)*10)). Выполняет инкрементальный пересмотр убеждений: начиная с базовой вероятности, добавляет сигналы, каждый со значением в [0,1] и весом, и возвращает пересмотренное апостериорное значение. Возвращает обновлённое апостериорное значение, априорное, вклад каждого фактора, среднее и дисперсию апостериорного, а также оценку резкости/калибровки. Для объединения N независимых точечных прогнозов используйте predict_ensemble; для получения выборки из полного распределения используйте simulate_montecarlo.

Параметры
  • evidenceobject[]обязательный

    Фрагменты доказательств, которые нужно включить.

  • priornumberобязательный

    Априорная вероятность события (0..1). Используется для инициализации бета-распределения с параметрами Beta(prior*10, (1-prior)*10).

predict_ensembleтолько чтениеидемпотентныйвнешний мир

Объединяет точечные прогнозы от 2+ моделей в единый консенсус с помощью взвешенного голосования, стекинга или байесовского усреднения моделей, взвешивая каждую модель по её уверенности или предоставленной historicalAccuracy. Используется для слияния разнородных предикторов (статистических, ML и человеческих прогнозистов) в одно число с оценкой неопределённости. Возвращает консенсусное значение и уверенность, долю весов каждой модели, энтропию Шеннона весов, оценку согласия между моделями, эпистемическую/алеаторную/общую неопределённость с доверительным интервалом и вклад каждой модели. Для оценки согласия по вероятности одного события вместо этого используйте score_convergence.

Параметры
  • methodenum

    Метод комбинирования (по умолчанию: взвешенное голосование).

  • predictionsobject[]обязательный

    Предсказания от каждой модели (минимум 2).

predict_forecastтолько чтениеидемпотентныйвнешний мир

[Премиум] Прогнозирует следующие N значений одного равномерно распределенного числового временного ряда с помощью ARIMA (несезонный тренд) или Holt-Winters (аддитивная сезонность, задается seasonLength). Используется для точечных прогнозов на короткий и средний горизонт: спрос, KPI, загрузка. Возвращает массив точечного прогноза, нижнюю и верхнюю доверительные границы и описание подобранной модели. ARIMA требует минимум 20 наблюдений; Holt-Winters — минимум 2 × seasonLength. Чтобы отмечать выбросы вместо прогнозирования, используйте detect_anomaly. Премиум: нужен ORACLAW_API_KEY или оплата за вызов (x402), без регистрации.

Параметры
  • datanumber[]обязательный

    Исторические значения с равными интервалами. ARIMA требует ≥20 точек; Holt-Winters требует ≥2 × seasonLength.

  • methodenum

    По умолчанию: arima.

  • seasonLengthinteger

    Период сезонности (используется только в holt-winters). По умолчанию: 4.

  • stepsintegerобязательный

    Количество будущих периодов для прогнозирования.

score_calibrationтолько чтениеидемпотентныйвнешний мир

Измеряет, насколько хорошо набор вероятностных прогнозов соответствует наблюдаемым бинарным исходам, и возвращает Brier score и log score (чем ниже, тем лучше). Используется для оценки калибровки прогнозиста или модели: predictions[i] — вероятность, присвоенная событию i, а outcomes[i] — 1, если событие произошло, и 0 в противном случае (массивы должны быть одинаковой длины). Возвращает brier_score, log_score, количество прогнозов, а также среднюю прогнозируемую вероятность по сравнению со средней наблюдаемой частотой. Для измерения согласованности между несколькими источниками вместо этого используйте score_convergence.

Параметры
  • outcomesenum[]обязательный

    Бинарные фактические результаты. Должны совпадать по длине с прогнозами.

  • predictionsnumber[]обязательный

    Предсказанные вероятности в [0,1].

score_convergenceтолько чтениеидемпотентныйвнешний мир

Оценивает силу согласия нескольких независимых источников по вероятности одного события, используя меру согласия на основе расстояния Хеллингера, штрафы за разброс/неопределённость и весовой коэффициент свежести (новизна, объём источников и уверенность). Применяется для слияния оценок в диапазоне 0..1 из опросов, рынков предсказаний или результатов моделей в одно число. Возвращает оценку конвергенции в диапазоне 0..1, консенсусную вероятность с взвешиванием по объёму, количество источников и разбивку по компонентам. Для объединения N точечных прогнозов вместо этого используется predict_ensemble.

Параметры
  • configobject

    Необязательные переопределения весов.

  • sourcesobject[]обязательный

    Независимые оценщики, каждый из которых выдает вероятность для одного и того же события.

simulate_montecarloтолько чтениевнешний мир

Извлекает N выборок из одного параметрического распределения (нормального, логнормального, равномерного, треугольного, бета или экспоненциального) и обобщает полученный разброс. Используется для количественной оценки неопределённости вокруг одного случайного фактора: NPV при неопределённой ставке роста, хвост задержки или оценка резерва. Возвращает среднее, стандартное отклонение, процентили p5/p25/p50/p75/p95, гистограмму и количество итераций; каждый вызов повторно выбирает (недетерминированно) и ограничен 2000 итераций. Для коррелированного мультиактивного риска используйте analyze_risk.

Параметры
  • confidenceLevelnumber

    Двусторонний доверительный уровень для интервалов MCSE (по умолчанию 0.95).

  • distributionenumобязательный

    Семейство распределений для выборки.

  • paramsobjectобязательный

    Параметры распределения. Обязательные ключи зависят от распределения: normal/lognormal={mean,stddev}, uniform={min,max}, triangular={min,mode,max}, beta={alpha,beta}, exponential={lambda}.

  • seedinteger

    Необязательное целочисленное зерно для воспроизводимого запуска; записывается в сертификат, чтобы любой мог воспроизвести те же выборки.

  • simulationsinteger

    Количество образцов (по умолчанию: 1000, макс: 2000 бесплатно).

  • targetHalfWidthnumber

    Необязательная абсолютная цель по точности для полуширины доверительного интервала среднего; сертификат сообщает адекватность воспроизводимости = (средняя полуширина <= это).

simulate_scenarioтолько чтениеидемпотентныйвнешний мир

Сравнивает именованные сценарии «что если» с базовым случаем, где результирующая метрика — сумма входных переменных, и ранжирует, какие переменные больше всего влияют на результат. Используйте для анализа чувствительности бюджета, сценариев «что если» для сделок/прогнозов или планирования мощностей на основе предположений о спросе: определите базовый случай как переменная=значение, затем сценарии, переопределяющие подмножество. Возвращает базовый результат, результат каждого сценария с абсолютным и процентным отклонением и изменениями по каждой переменной, а также рейтинг чувствительности по суммарному абсолютному отклонению. Для случайной выборки из распределения используйте simulate_montecarlo.

Параметры
  • baseCaseobjectобязательный

    Имя переменной → базовое значение.

  • scenariosobject[]обязательный

    Именованные сценарии «что если». Каждый переопределяет любое подмножество переменных baseCase.

solve_constraintsтолько чтениеидемпотентныйвнешний мир

[Premium] Решает задачу линейного, смешанно-целочисленного или квадратичного программирования с помощью решателя HiGHS и возвращает доказуемо оптимальное назначение. Используйте, когда целевая функция и ограничения линейны (или квадратичны) над именованными непрерывными/целочисленными/бинарными переменными: распределение бюджета, планирование поставок или мощностей с целыми количествами, распределение с жёсткими ограничениями. Возвращает статус решателя (optimal/infeasible/unbounded), значение целевой функции и решённое значение для каждой переменной. Используйте optimize_cmaes для черноящиковых целевых функций и solve_schedule для назначения задач на слоты. Premium: требуется ORACLAW_API_KEY или оплата x402 за вызов (без регистрации).

Параметры
  • constraintsobject[]обязательный
  • directionenumобязательный
  • objectiveobjectобязательный

    Соответствие имени переменной → коэффициенту в целевой функции.

  • variablesobject[]обязательный
solve_scheduleтолько чтениеидемпотентныйвнешний мир

Назначает задачи на временные слоты, чтобы максимизировать общий счёт, сопоставляя потребность каждой задачи в энергии с уровнем энергии слота (и учитывая длительность). Используется для блокировки глубокой работы, планирования смен или сессий, или любого подбора задач к слотам, где высокоэнергетическая работа должна попадать в высокоэнергетические слоты. Возвращает назначения, идентификаторы любых неназначенных задач и общий счёт. Для произвольных линейных ограничений используется solve_constraints; для маршрутизации используется plan_pathfind.

Параметры
  • slotsobject[]обязательный
  • tasksobject[]обязательный
1.5.1основная
1.5.0
1.4.1
1.4.0
1.3.0
1.2.0
1.1.1
1.1.0
1.0.1
1.0.0

Выберите клиент, чтобы установить Whatsonyourmind/oraclaw:

Любой клиент

Конфиг добавления MCP сервера стандартный, обычно он не меняется вообще, поэтому подходит практически к любому ИИ клиенту, поддерживающему MCP.

{
  "mcpServers": {
    "whatsonyourmind-oraclaw-7vu4ucdzqy": {
      "command": "npx",
      "args": [
        "-y",
        "@oraclaw/mcp-server"
      ]
    }
  }
}
CursorCursor

Перейдите по ссылке и сервер автоматически будет добавлен в Cursor. Либо откройте/создайте файл ~/.cursor/mcp.json(%USERPROFILE%\.cursor\mcp.json на Windows) и добавьте конфиг сервера:

{
  "mcpServers": {
    "whatsonyourmind-oraclaw-7vu4ucdzqy": {
      "command": "npx",
      "args": [
        "-y",
        "@oraclaw/mcp-server"
      ]
    }
  }
}
VS Code

Создайте .vscode/mcp.json в проекте (ключ верхнего уровня — servers):

{
  "servers": {
    "whatsonyourmind-oraclaw-7vu4ucdzqy": {
      "type": "stdio",
      "command": "npx",
      "args": [
        "-y",
        "@oraclaw/mcp-server"
      ]
    }
  }
}

Либо добавьте сервер через терминал:

code --add-mcp "{\"name\":\"whatsonyourmind-oraclaw-7vu4ucdzqy\",\"type\":\"stdio\",\"command\":\"npx\",\"args\":[\"-y\",\"@oraclaw/mcp-server\"]}"
ClaudeClaude Desktop

Откройте Settings → Developer → Edit Config — это откроет файл claude_desktop_config.json:

  • macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
  • Windows: %APPDATA%\Claude\claude_desktop_config.json

Впишите сервер и полностью перезапустите Claude Desktop:

{
  "mcpServers": {
    "whatsonyourmind-oraclaw-7vu4ucdzqy": {
      "command": "npx",
      "args": [
        "-y",
        "@oraclaw/mcp-server"
      ]
    }
  }
}
Claude CodeClaude Code

Добавьте сервер одной командой в терминале:

claude mcp add whatsonyourmind-oraclaw-7vu4ucdzqy -- npx -y @oraclaw/mcp-server

Либо через JSON-конфиг:

claude mcp add-json whatsonyourmind-oraclaw-7vu4ucdzqy "{\"command\":\"npx\",\"args\":[\"-y\",\"@oraclaw/mcp-server\"]}"
CodexCodex

Добавьте сервер командой в терминале:

codex mcp add whatsonyourmind-oraclaw-7vu4ucdzqy -- npx -y @oraclaw/mcp-server

Либо вручную в ~/.codex/config.toml(%USERPROFILE%\.codex\config.toml на Windows):

[mcp_servers.whatsonyourmind-oraclaw-7vu4ucdzqy]
command = "npx"
args = ["-y", "@oraclaw/mcp-server"]
PerplexityPerplexity

MCP доступен подписчикам Perplexity Pro / Max / Enterprise. Локальные серверы — только в приложении для macOS.

  1. Откройте Настройки аккаунта → Connectors.
  2. Установите вспомогательное приложение PerplexityXPC (один раз).
  3. Нажмите Add Connector → вкладка Simple.
  4. В поле Server Name укажите Whatsonyourmind/oraclaw, а в поле команды запуска — строку ниже:
npx -y @oraclaw/mcp-server

Нажмите Save и дождитесь статуса Running.

WindsurfWindsurf

Откройте Windsurf Settings → Cascade → MCP Servers или отредактируйте файл ~/.codeium/windsurf/mcp_config.json:

{
  "mcpServers": {
    "whatsonyourmind-oraclaw-7vu4ucdzqy": {
      "command": "npx",
      "args": [
        "-y",
        "@oraclaw/mcp-server"
      ]
    }
  }
}
ClineCline

В панели Cline нажмите иконку MCP Servers → Configure → Configure MCP Servers (или отредактируйте ~/.cline/mcp.json) и добавьте сервер:

{
  "mcpServers": {
    "whatsonyourmind-oraclaw-7vu4ucdzqy": {
      "command": "npx",
      "args": [
        "-y",
        "@oraclaw/mcp-server"
      ],
      "disabled": false,
      "autoApprove": []
    }
  }
}
Continue

Создайте файл в .continue/mcpServers/ (например whatsonyourmind-oraclaw-7vu4ucdzqy.yaml) или добавьте блок в config.yaml. MCP работает только в режиме agent:

mcpServers:
  - name: whatsonyourmind-oraclaw-7vu4ucdzqy
    command: npx
    args:
      - "-y"
      - "@oraclaw/mcp-server"
Zed

Выполните agent: add context server или откройте настройки (zed: open settings file) и добавьте сервер в объект context_servers:

{
  "context_servers": {
    "whatsonyourmind-oraclaw-7vu4ucdzqy": {
      "command": "npx",
      "args": [
        "-y",
        "@oraclaw/mcp-server"
      ]
    }
  }
}

Похожие MCP-сервера

omniologynow-rgb/profitspot-mcp

omniologynow-rgb/profitspot-mcp

от omniologynow-rgb

ProfitSpot MCP - кросс-чейн DeFi-интеллект для AI-агентов с риск-скорингом, симуляциями Монте-Карло и трекингом китов по 86 сетям и 6500+ пулам. Даёт глубокую аналитику доходности и рисков.

Python⭐ 1
djtellado/nexus-legal-mcp

djtellado/nexus-legal-mcp

от djtellado

MCP-сервер Nexus Legal даёт Claude 11 юридических инструментов: анализ контрактов, Монте-Карло, cross-border сравнение по 31 стране, поиск прецедентов, доктрины, составление документов. Удобен юрис...

TypeScript⭐ 2
metrxbots/mcp-server

metrxbots/mcp-server

от metrxbots

Metrx - MCP-сервер для контроля затрат AI-агентов. Агенты отслеживают расходы, оптимизируют модели и доказывают ROI. Включает 23 инструмента для мониторинга, оптимизации и аудита. Полезен командам,...

TypeScript⭐ 2
smigolsmigol/llmkit

smigolsmigol/llmkit

от smigolsmigol

MCP-сервер для мониторинга затрат на AI-запросы в Claude Code, Cline, Cursor. 11 инструментов: прокси-аналитика, локальные расходы, прогноз бюджета. Помогает разработчикам AI-агентов контролировать...

TypeScript⭐ 16
Skyrxin/sast-mcp-server

Skyrxin/sast-mcp-server

от skyrxin

MCP сервер для статического анализа безопасности (SAST) — даёт AI-агентам сканировать код на уязвимости с помощью 11 сканеров (Bandit, CodeQL, Trivy и др.). Полезен разработчикам и DevSecOps для по...

Python⭐ 4
alexpota/cloudscope-mcp

alexpota/cloudscope-mcp

от alexpota

MCP сервер CloudScope помогает AI анализировать облачные счета Azure и GCP: по запросу вы получаете готовый отчёт о затратах, аномалиях, неиспользуемых ресурсах и рекомендациях по оптимизации. Идеа...

TypeScript⭐ 1
© Каталог MCP, 2026. Все права защищены.
Проект не аффилирован с Anthropic и любыми упомянутыми продуктами.
Все названия и торговые марки принадлежат их владельцам.
Контакты для связи: hi@mcp-katalog.ru

Лука Никитин