agent-fleet-o 如何安装和开始使用？

访问 agent-fleet-o 的 GitHub 仓库或官方网站，按照 README 文档中的步骤安装依赖并运行。通常需要 Python 3.8+ 或 Node.js 16+ 基础环境。

agent-fleet-o 是否免费？许可证是什么？

agent-fleet-o 完全免费，采用 AGPL-3.0 许可证开源发布，任何人都可以免费使用、修改和分发。

agent-fleet-o 适合哪些用户使用？

agent-fleet-o 主要面向有一定技术基础的用户，包括开发者、数据分析师、AI 工程师等专业人士。

agent-fleet-o 的社区活跃度和项目维护状况如何？

agent-fleet-o 在 GitHub 上已获得 29 个 Star，处于积极发展阶段，社区在持续扩大。

🔌

MCP工具

agent-fleet-o MCP工具

Q: agent-fleet-o 是什么工具？

agent-fleet-o 是一款PHP开发的AI辅助工具。开源MCP工具：Open-source AI agent orchestration platform — self-hosted mission control for au。⭐29 · PHP 主要应用场景包括：编程开发、MCP配置、Agent工作流。

基于 PHP · 让 AI 助手直接操作你的系统与工具

英文名：agent-fleet-o

⭐ 29 Stars 🍴 3 Forks 💻 PHP 📄 AGPL-3.0 🏷 AI 7.5分

7.5AI 综合评分

mcpagent-orchestrationagentic-aiai-agentsai-automationautonomous-agentsphp

⬇ 下载源码（GPL） ⚙️ 配置说明

📚 深度解析

agent-fleet-o MCP工具是一款基于 MCP（Model Context Protocol）标准协议的 AI 工具扩展。MCP 协议由 Anthropic 开发并开源，旨在建立 AI 模型与外部工具之间的标准化通信接口，目前已被 Claude Desktop、Claude Code、Cursor 等主流 AI 工具采纳。

通过安装 agent-fleet-o MCP工具，你的 AI 助手将获得额外的工具调用能力，可以用自然语言直接操控该工具的功能，无需学习复杂的命令行语法。MCP 工具的核心价值在于"一次配置，永久增强"——配置完成后，每次与 AI 对话时都可以无缝调用这些工具。

在技术实现上，MCP 工具通过标准的 JSON-RPC 协议与 AI 客户端通信，工具的功能以"工具列表"的形式暴露给 AI 模型，AI 可以按需调用。agent-fleet-o MCP工具提供了结构化的工具调用接口，使 AI 模型能够精确地理解和使用每个功能点，显著降低 AI 在工具使用上的错误率。

与传统的 API 集成相比，MCP 工具的优势在于无需编写代码——用户只需在配置文件中添加几行 JSON，即可让 AI 获得全新能力。AI Skill Hub 将 agent-fleet-o MCP工具评为 AI 评分 7.5 分，属于同类工具中的优质选择。

📋 工具概览

本连为服务给的常用的模式，当前为常用的常用的模式。

agent-fleet-o MCP工具是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。

GitHub Stars

⭐ 29

开发语言

PHP

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

AGPL-3.0

AI 综合评分

7.5 分

工具类型

MCP工具

Forks

3

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

本连为服务给的常用的模式，当前为常用的常用的模式。

agent-fleet-o MCP工具是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。

📌 核心特色

通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
提供结构化工具调用接口，显著降低 AI 集成复杂度
支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
可与其他 MCP 工具组合叠加，构建完整 AI 工作站
轻量无侵入设计，不影响现有系统架构

🎯 主要使用场景

在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
将多个 MCP 工具组合使用，构建个人专属 AI 工作站

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：通过 Claude Code CLI 一键安装
claude skill install https://github.com/escapeboy/agent-fleet-o

# 方式二：手动配置 claude_desktop_config.json
{
  "mcpServers": {
    "agent-fleet-o-mcp--": {
      "command": "npx",
      "args": ["-y", "agent-fleet-o"]
    }
  }
}

# 配置文件位置
# macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
# Windows: %APPDATA%/Claude/claude_desktop_config.json

📋 安装步骤说明

确认已安装 Node.js（v18 或以上版本）
打开 Claude Desktop 或 Claude Code 的 MCP 配置文件
按「交给 Agent 安装 → Claude Desktop」标签中的 JSON 配置填入 mcpServers 字段
保存配置文件并重启 Claude 客户端
重启后，在对话中即可使用本工具

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 安装后在 Claude 对话中直接使用
# 示例：
用户: 请帮我用 agent-fleet-o MCP工具 执行以下任务...
Claude: [自动调用 agent-fleet-o MCP工具 MCP 工具处理请求]

# 查看可用工具列表
# 在 Claude 中输入："列出所有可用的 MCP 工具"

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

// claude_desktop_config.json 配置示例
{
  "mcpServers": {
    "agent-fleet-o_mcp__": {
      "command": "npx",
      "args": ["-y", "agent-fleet-o"],
      "env": {
        // "API_KEY": "your-api-key-here"
      }
    }
  }
}

// 保存后重启 Claude Desktop 生效

📑 README 深度解析真实文档完整度 92/100 查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

FleetQ — Open-Source AI Agent Orchestration Platform

Self-hosted mission control for AI agents. Build, run, and monitor autonomous multi-agent systems with a visual DAG builder, human-in-the-loop approvals, MCP server integration, and full audit trail. Works with Claude, GPT-4o, Gemini, Ollama, Codex, Claude Code, and any OpenAI-compatible LLM.

Keywords: AI agents · agent orchestration · MCP server · Model Context Protocol · LangGraph alternative · CrewAI alternative · n8n for AI · Claude agents · LLM workflow · autonomous agents · agent framework · AI automation · self-hosted

☁️ Prefer managed? Try FleetQ Cloud — zero setup, free tier. ⭐ Like the project? Give it a star on GitHub — it helps others find FleetQ.

---

Features

LLM Providers -- at least one required for AI features

ANTHROPIC_API_KEY= OPENAI_API_KEY= GOOGLE_AI_API_KEY=

Quick Start (Docker)

git clone https://github.com/escapeboy/agent-fleet-o.git
cd agent-fleet
make install

This will: 1. Copy .env.example to .env 2. Build and start all Docker services 3. Run the interactive setup wizard (database, admin account, LLM provider)

Visit http://localhost:8080 when complete.

Quick Start (Manual — Web Setup)

Requirements: PHP 8.4+, PostgreSQL 17+, Redis 7+, Node.js 20+, Composer

```bash git clone https://github.com/escapeboy/agent-fleet-o.git cd agent-fleet composer install npm install && npm run build cp .env.example .env

No-Password Mode (local installs)

If you're running FleetQ locally on your own machine and don't want to enter a password on every visit, set APP_AUTH_BYPASS=true in .env:

APP_AUTH_BYPASS=true   # Auto-login as first user
APP_ENV=local          # Required — bypass is disabled in production

With bypass enabled, the app logs you in automatically on every request. A logout link is still shown but you'll be logged back in on the next page load — this is intentional.

Warning: Never set APP_AUTH_BYPASS=true on a server accessible from the internet.

Setup (Docker — connecting container to host)

The containers reach the host machine via host.docker.internal, which is pre-configured in docker-compose.yml via extra_hosts: host.docker.internal:host-gateway.

Step 1 — Enable SSH on the host

OS	Command
macOS	System Settings → General → Sharing → Remote Login → On
Ubuntu/Debian	`sudo apt install openssh-server && sudo systemctl enable --now ssh`
Fedora/RHEL	`sudo dnf install openssh-server && sudo systemctl enable --now sshd`
Windows	Settings → System → Optional Features → OpenSSH Server, then `Start-Service sshd`

Step 2 — Generate an SSH key pair

ssh-keygen -t ed25519 -C "fleetq-agent@local" -f ~/.ssh/fleetq_agent_key -N ""

Step 3 — Authorize the key on the host

cat ~/.ssh/fleetq_agent_key.pub >> ~/.ssh/authorized_keys
chmod 600 ~/.ssh/authorized_keys

Step 4 — Create a Credential in FleetQ

Navigate to Credentials → New Credential: - Type: SSH Key - Paste the contents of ~/.ssh/fleetq_agent_key (private key)

Or via API:

curl -X POST http://localhost:8080/api/v1/credentials \
  -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "Host SSH Key",
    "credential_type": "ssh_key",
    "secret_data": {"private_key": "<contents of fleetq_agent_key>"}
  }'

Step 5 — Create an SSH Tool

Navigate to Tools → New Tool → Built-in → SSH Remote, or via API:

curl -X POST http://localhost:8080/api/v1/tools \
  -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "Host SSH",
    "type": "built_in",
    "risk_level": "destructive",
    "transport_config": {
      "kind": "ssh",
      "host": "host.docker.internal",
      "port": 22,
      "username": "your-username",
      "credential_id": "<credential-id>",
      "allowed_commands": ["ls", "pwd", "whoami", "uname", "date", "df"]
    },
    "settings": {"timeout": 30}
  }'

Step 6 — Assign the tool to an agent

In the Agent detail page, go to Tools and assign the SSH tool. The agent will now have an ssh_execute function available during execution.

Docker Services

Service	Purpose	Port
app	PHP 8.4-fpm	--
nginx	Web server	8080
postgres	PostgreSQL 17	5432
redis	Cache/Queue/Sessions	6379
horizon	Queue workers	--
scheduler	Cron jobs	--
vite	Frontend dev server	5173

Use Cases

FleetQ is built for teams running AI agents in production, not toy demos.

Autonomous dev pipelines — agent opens PR → CI runs → reviewer agent approves → merge → deploy. Human approves only on risk signals.
Customer support triage — bug report widget → agent extracts reproduction steps from console/network log → experiment runs → notifies reporter with fix or agent-generated workaround.
Multi-agent research — crew of Strategist + Researcher + Writer with QA reviewer. Each step weighted by domain rubric.
Scheduled content ops — continuous project runs daily, each run executes a DAG: draft → review → SEO-check → publish → schedule social.
Incident response — PagerDuty/Sentry signal → trigger rule → diagnosis agent → human approval on runbook action → Slack notify.
GPU workloads — agent calls gpu_compute skill on RunPod serverless (Whisper, FLUX, Bark) as part of a larger workflow, with cost accounting.
Local-first agent dev — Ollama + Codex + Claude Code auto-detected, zero API cost for prototyping; switch to cloud providers for production.
Bring FleetQ into Claude — expose your internal data + tools as MCP server, Claude Desktop/ChatGPT/Cursor can drive the platform programmatically.

Screenshots

Dashboard KPI overview with active experiments, success rate, budget spend, and pending approvals.

</td> <td width="50%">

Agent Template Gallery Browse 14 pre-built agent templates across 5 categories. Search, filter by category, and deploy with one click.

</td> </tr> <tr> <td>

Agent LLM Configuration Per-agent provider and model selection with fallback chains. Supports Anthropic, OpenAI, Google, and local agents.

</td> <td>

Agent Evolution AI-driven agent self-improvement. Analyze execution history, propose personality and config changes, and apply with one click.

</td> </tr> <tr> <td>

Crew Execution Live progress tracking during multi-agent crew execution. Each task shows its assigned skill, provider, and elapsed time.

</td> <td>

Task Output Expand any completed task to inspect the AI-generated output, including structured JSON responses.

</td> </tr> <tr> <td>

Visual Workflow Builder DAG-based workflow editor with conditional branching, human tasks, switch nodes, and dynamic forks.

</td> <td>

Tool Management Manage MCP servers, built-in tools, and external integrations with risk classification and per-agent assignment.

</td> </tr> <tr> <td>

AI Assistant Sidebar Context-aware AI chat embedded in every page with 28 built-in tools for querying and managing the platform.

</td> <td>

Experiment Detail Full experiment lifecycle view with timeline, tasks, transitions, artifacts, metrics, and outbound delivery.

</td> </tr> <tr> <td>

Settings & Webhooks Global platform settings, AI provider keys (BYOK), outbound connectors, and webhook configuration.

</td> <td>

Error Handling Failed tasks display detailed error information including provider, error type, and request IDs for debugging.

</td> </tr> </table>

Edit .env — set DB_HOST, DB_DATABASE, DB_USERNAME, DB_PASSWORD, REDIS_HOST

php artisan key:generate php artisan migrate php artisan horizon & php artisan serve ```

Then open http://localhost:8000 in your browser. The setup page will guide you through creating your admin account.

Alternative: Run php artisan app:install for an interactive CLI setup wizard that also seeds default agents and skills.

Configuration

All configuration is in .env. Key variables:

```bash

API & MCP surface

REST API — 175+ endpoints under /api/v1/ with Sanctum auth, cursor pagination, auto-generated OpenAPI 3.1 at /docs/api
MCP Server — 493+ Model Context Protocol tools across 46 domains (stdio + HTTP/SSE + OAuth2/PKCE)
Real-World Action governance — ActionProposal flow gates assistant tool calls, integration writes, and git pushes through a per-tier risk policy with auto-execute on approval
Public discovery endpoint — GET /.well-known/fleetq returns a config-gated capability manifest so external AI tools can auto-configure
Live team graph — /team-graph page with real-time updates via Laravel Reverb WebSockets
Structured MCP errors — canonical gRPC-style error codes (UNAVAILABLE, PERMISSION_DENIED, RESOURCE_EXHAUSTED, DEADLINE_EXCEEDED, INVALID_ARGUMENT, FAILED_PRECONDITION, NOT_FOUND, INTERNAL) with retryable hints — agents know when to retry vs. fail fast
Per-tool deadlines — optional deadline_ms parameter on every MCP tool; agents can bound wall-clock time per call
OpenTelemetry tracing — OTLP HTTP exporter, Jaeger all-in-one via docker compose --profile observability up, spans for MCP tool → AI gateway → LLM provider
Tool Management — MCP servers (stdio/HTTP), built-in tools (bash/filesystem/browser), risk classification, per-agent assignment
MCP client compatibility — Claude Desktop, Claude.ai, ChatGPT Apps, Cursor, Codex, Claude Code, Gemini CLI, any OAuth2 client

Agents, crews, and workflows

AI Agents — role, goal, backstory, personality traits, skill assignments, per-agent provider/model fallback chains
Agent Templates — 14 pre-built templates across 5 categories (engineering, content, business, design, research)
Agent Evolution — LLM analyzes execution history, proposes config changes, one-click approval
Agent Crews — Multi-agent teams with coordinator/QA/worker roles, 7 process types (sequential, parallel, hierarchical, self-claim, adversarial, fanout, chat-room), weighted QA scoring
Pre-Execution Scout Phase — cheap LLM pre-call identifies what knowledge the agent needs → targeted semantic search instead of generic recall
Step Budget Awareness — agent system prompt targets 80% of allowed steps for core work, reserves the rest for synthesis
Experiment Pipeline — 20-state machine with automatic stage progression (scoring → planning → building → approval → executing → metrics → evaluating)
Visual Workflow DAG — 8 node types (agent, conditional, human-task, switch, dynamic-fork, do-while, compensation, sub-workflow). Pre-built Web Dev Cycle template. NL → workflow generator.
Projects — one-shot and continuous projects with cron scheduling, budget caps, milestones, overlap policies

Integrations & web dev pipeline

Integrations — GitHub, Slack, Notion, Airtable, Linear, Stripe, Vercel, Netlify, generic webhook/polling with OAuth 2.0
Autonomous Web Dev Pipeline — agents can open PRs, merge, dispatch CI workflows, create releases, trigger Vercel/Netlify/SSH deploys through MCP tools
Website Builder — AI-generated static sites with 8 widget types, Vercel + ZIP deployment drivers, form submissions, blog/navigation/contact widgets
Founder Mode pack — marketplace bundle of 6 persona agents (Strategist, Product Lead, Growth Hacker, Finance Advisor, Ops Manager, Risk Officer), 20 framework skills (RICE, SPIN, BANT, MEDDIC, OKRs, Shape Up, Unit Economics, Kano, TAM-SAM-SOM, K-Factor, NPV-IRR, RACI, A/B Testing, OWASP), 5 pre-built workflows
Marketplace — browse, publish, install shared skills, agents, workflows, and bundles with AI risk scanning

How FleetQ compares

	FleetQ	n8n	CrewAI	LangGraph	Make.com
Open source	✅ AGPLv3	✅ Sustainable Use	✅ MIT	✅ MIT	❌ Proprietary
Visual DAG builder	✅ 8 node types	✅ (not AI-first)	❌	❌	✅
Multi-agent crews	✅ 7 process types	❌	✅	✅ (build-your-own)	❌
MCP server (native)	✅ 493+ tools	❌	❌	❌	❌
Human-in-the-loop	✅ native	⚠️ workaround	⚠️ code	⚠️ code	⚠️ approve-node
Budget ledger + locks	✅ pessimistic	❌	❌	❌	❌
Audit trail	✅ every action	✅	❌	❌	✅
BYOK + local LLMs	✅ both	⚠️ BYOK only	⚠️ depends	⚠️ BYOK	❌
Self-hosted	✅ Docker Compose	✅	n/a (library)	n/a (library)	❌
Agent evolution (self-improve)	✅	❌	❌	❌	❌
OpenTelemetry tracing	✅ native	❌	❌	⚠️ partial	❌
Credit/usage metering	✅ per-team/project	❌	❌	❌	per-workspace

TL;DR — if you're building production agent systems with LLMs and want visual workflows + MCP + human oversight, FleetQ is the only platform that bundles all of it.

🇨🇳 中文文档镜像 AI 翻译 2026-05-23

英文原文章节由系统翻译为中文摘要，便于快速理解。完整原文见上方 "📑 README 深度解析"。

📌 简介

FleetQ 是一个开源的 AI 代理调度平台，提供自主部署的任务控制功能。它支持可视化的 DAG 构建器、人机交互的批准流程、MCP 服务器集成和全面的审计记录。FleetQ 支持 Claude、GPT-4o、Gemini、Ollama、Codex、Claude Code 和任何兼容 OpenAI LLM 的 AI 代理。

⚡ 功能介绍

FleetQ 提供了以下功能：

📋 环境依赖

环境依赖与系统要求：

🚀 使用教程

FleetQ 的使用场景包括：

🔌 API 说明

API/接口说明：

🔄 工作流/模块

工作流 / 模块说明：

🎯 aiskill88 AI 点评 A 级 2026-05-23

本连为服务给的常用的模式、常用的常用的模式。当前为常用的常用的模式。

📚 实用指南（长尾问题）

适合谁

需要让 Claude / Cursor 操作本地工具的 AI 工程师
构建多智能体协作系统的 Agent 开发者
做语音类 AI 产品的开发者

最佳实践

配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
Agent 任务先做 dry-run 验证工具调用链，再开启自主执行

常见错误

API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
容器内无法访问宿主机 localhost — 使用 host.docker.internal
显存不足直接 OOM — 优先降低 context 或换更小的量化模型

部署方案

Docker：agent-fleet-o 提供官方镜像，docker compose up 一键启动
CLI：直接 npm install -g / pip install，命令行调用
本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台

⚡ 核心功能

通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
提供结构化工具调用接口，显著降低 AI 集成复杂度
支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
可与其他 MCP 工具组合叠加，构建完整 AI 工作站
轻量无侵入设计，不影响现有系统架构

👥 适合谁

需要让 Claude / Cursor 操作本地工具的 AI 工程师
构建多智能体协作系统的 Agent 开发者
做语音类 AI 产品的开发者

⭐ 最佳实践

配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
Agent 任务先做 dry-run 验证工具调用链，再开启自主执行

⚠️ 常见错误

API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
容器内无法访问宿主机 localhost — 使用 host.docker.internal
显存不足直接 OOM — 优先降低 context 或换更小的量化模型

👥 适合人群

Claude Desktop / Claude Code 用户AI 工具开发者需要扩展 AI 能力的专业人士自动化工程师

🎯 使用场景

在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
将多个 MCP 工具组合使用，构建个人专属 AI 工作站

⚖️ 优点与不足

✅ 优点

+标准化 MCP 协议，生态互联性强
+与 Claude 官方生态无缝对接
+即插即用，配置简单快捷

⚠️ 不足

−依赖 Claude 客户端，非 Claude 用户无法使用
−MCP 协议仍在持续演进，接口可能变更
−需要一定的配置步骤

⚠️ 使用须知

该工具使用 AGPL-3.0 协议，商用场景请仔细阅读协议条款，必要时咨询法律意见。

AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。

📄 License 说明

⚠️ AGPL 3.0 — 最严格的 Copyleft，网络服务端使用也需开源，SaaS 使用受限。

🔗 相关工具推荐

📚 相关教程推荐

Cursor AI 编程完全指南：Rules 配置、Composer 使用、MCP 集成

帮助中心 · AI Skill Hub

MCP 工作流生产级配置方案：从开发环境到团队共享

📰 相关 AI 新闻

Claude Code 最新功能与使用技巧

AI 资讯 · 知识关联

🍿 AI 圈相关吃瓜

配了5个 MCP 工具，Claude 一个都没用

AI 圈观察

Filesystem MCP 帮 Claude 找文件，找了整个 node_modules

AI 圈观察

AutoGPT 自主完成了任务：把我的文件夹全部重命名了

🗺️ 相关解决方案

ai-workflow-templates

docker

docker-deploy

🧩 你可能还需要

基于当前 Skill 的能力图谱，自动补全的工具组合

natively-cluely-ai-assistant — Claude Skill 中文使用文档

免费开源的AI面试助手，实时转录，隐蔽模式，局部RAG，BYOK。无订阅，防止数据泄露。

kb-arena是开源的AI工作流，用于Benchmark 9 retrieval architectures（向量、上下文、QnA、知识图

❓ 常见问题 FAQ

很给的题直−

请给编号。

MCP 是什么？和普通 API 有什么区别？+

我需要编程基础才能使用这个 MCP 工具吗？+

这个工具支持 Claude Code 吗？还是只有 Claude Desktop？+

MCP 工具是否会访问我的本地文件或数据？+

多个 MCP 工具可以同时使用吗？+

💡 AI Skill Hub 点评

经综合评估，agent-fleet-o MCP工具在MCP工具赛道中表现稳健，质量良好。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。

⬇️ 获取与下载

⬇ 下载源码（GPL）

⚠️ 本工具使用 AGPL-3.0 协议。您可以自由下载和使用，但衍生作品必须以相同协议开源，不可商业闭源。使用前请确认符合协议要求。

📚 深入学习 agent-fleet-o MCP工具

查看分步骤安装教程和完整使用指南，快速上手这款工具

⚙️ 安装教程 📚 使用教程

🌐 原始信息

原始名称	`agent-fleet-o`
原始描述	开源MCP工具：Open-source AI agent orchestration platform — self-hosted mission control for au。⭐29 · PHP
Topics	`mcpagent-orchestrationagentic-aiai-agentsai-automationautonomous-agentsphp`
GitHub	https://github.com/escapeboy/agent-fleet-o
License	AGPL-3.0
语言	PHP

🔗 原始来源

🐙 GitHub 仓库 https://github.com/escapeboy/agent-fleet-o 🌐 官方网站 https://fleetq.net

收录时间：2026-05-17 · 更新时间：2026-05-19 · License：AGPL-3.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。

agent-fleet-o MCP工具

FleetQ — Open-Source AI Agent Orchestration Platform

Features

LLM Providers -- at least one required for AI features

Quick Start (Docker)

Quick Start (Manual — Web Setup)

No-Password Mode (local installs)

Setup (Docker — connecting container to host)

Docker Services

Use Cases

Screenshots

Edit .env — set DB_HOST, DB_DATABASE, DB_USERNAME, DB_PASSWORD, REDIS_HOST

Configuration

API & MCP surface

Agents, crews, and workflows

Integrations & web dev pipeline

How FleetQ compares

🤖 交给 Agent 安装 · agent-fleet-o MCP工具