跳转到内容
STK

MCP 持久任务

STK 0.1.0a1 的 MCP 适配器通过 stdio 与 AI 客户端通信，再通过 HTTP 访问独立的 runtime。计算由 runtime 管理；关闭 AI 客户端不取消已提交任务。

安装和连接

runtime 只在 Linux 运行。以下本机步骤仅适用于 runtime 与 MCP 适配器位于同一台 Linux 主机的情况，在仓库根目录运行：

python -m pip install '.[server,science,mcp]'
suan server init
suan server start
python -m suan.mcp

在 MCP 客户端中配置启动命令为所安装环境的 Python 绝对路径，参数为 ["-m", "suan.mcp"]；Linux 本机使用时，环境变量 STK_STATE_DIR 指向本机 runtime 状态目录。 远程使用时先建立 SSH 隧道，再设置 STK_RUNTIME_URL 为本机转发地址， STK_RUNTIME_TOKEN 为服务器令牌。令牌应置于用户私有配置中。

Windows / macOS 只作客户端，必须按上述远程方式连接 Linux 服务器上的 runtime；在这些系统上 suan server init/start 会提示只支持 Linux 并退出。SSH 隧道与令牌的设置见仓库 docs/runtime.md 的“远程连接”一节。

MCP 不在 8000 端口提供 HTTP 服务。runtime 默认使用回环地址的 8765 端口， 仅通过带令牌的 API 接受请求。

任务流程

  1. 用 create_workspace 创建工作区，upload_input 上传所需文件。
  2. 用 submit_task(spec, idempotency_key) 提交任务，保存返回的任务 ID。
  3. 用 get_task 查询状态，get_task_logs 按字节偏移读取增量日志。
  4. 完成后用 list_artifacts 和 download_artifact 获取、校验结果。
  5. 需要停止时调用 cancel_task，继续查询直到进入终态。

TaskSpec 示例：

{
  "workspace_id": "替换为工作区ID",
  "argv": ["{python}", "simulate.py"],
  "backend": "local",
  "outputs": ["field.vtk", "preview.png"]
}

执行后端可选 local、pbs、slurm。提交成功表示任务已登记；最终成功必须 确认 state == "succeeded"。网络错误后重试提交须使用原幂等键，避免重复计算。 同一任务也能在桌面 Tasks 页与 suan jobs 中查看。

旧工具迁移

旧同步命令与自动发现的 CLI 工具改为统一任务入口。保留的 run_stk_command(command, workspace_id, idempotency_key, backend) 支持 sjob/smesh/sviz 命令，返回任务记录；不执行 shell 运算符。 run_sjob/run_smesh/run_sviz 及动态工具名称不再注册，请更新客户端工具调用。 原本的任意文件／命令访问应迁移为工作区输入上传和 TaskSpec。

完整部署、SSH、状态机、输入输出格式及站点验收说明见仓库 docs/runtime.md。