Swarms MCP 服务器正式上线：一个端点，二十三个工具，无需本地安装

Swarms API 现已通过 Model Context Protocol 在一个托管端点上开放，并在 Swarms Cloud 中拥有了自己的页面。全新的 MCP 页面已上线，地址是 cloud.swarms.world/mcp，服务器本身的地址为：

https://mcp.swarms.world/mcp

把任意兼容 MCP 的客户端指向这个 URL，它就获得了智能体、多智能体集群、批量执行、工作流编排和账户遥测等一系列可调用工具。无需安装任何软件包，无需维护本地进程，也不需要为每台工作站单独配置。

先厘清一个容易混淆的概念

Swarms 现在有两个名字里带 MCP 的东西，它们承担的职责完全不同。搞清楚这个区别，能帮你的团队省下一个困惑的下午。

Swarms Marketplace 上的 MCP Portal 是一个目录。你在那里发现、发布并变现社区构建的 MCP 服务器，把自己的智能体接入网页抓取、搜索、文档检索等第三方工具。

而本文宣布的 Swarms MCP 服务器方向正好相反。它不是别人工具的目录，而是 Swarms 平台本身以 MCP 服务器的形式对外开放，让你的智能体和 MCP 客户端能够调用 Swarms。前者是你的智能体触达外部工具生态的方式，后者是外部生态触达 Swarms 的方式。

托管式 MCP 服务器改变了什么

今天流通的大多数 MCP 服务器都是本地的。你安装一个包，客户端把它作为子进程通过 stdio 启动，整套东西跑在一台机器上。对于在笔记本上做实验的单个开发者来说，这种模式没有问题。但在组织规模上，它会变成负担，任何在团队内推广过开发工具的人都会觉得这些理由很熟悉。

**本地服务器需要分发。**每台工作站都要安装这个包，版本要兼容，运行时要可用。团队内部的版本漂移会带来无法复现的 bug 报告。

**本地服务器把凭证放在了终端上。**五十台笔记本的配置文件里各存一份 API 密钥，就等于五十份脱离你掌控的密钥副本，而轮换一次密钥意味着五十次协调变更。

**本地服务器撑不到生产环境。**在编辑器里跑通的智能体，如果不重新打包那层让它工作的工具，就无法部署到容器、CI runner 或无服务器函数中。

远程服务器同时解决了这三个问题。端点就是一个 URL，分发只需复制粘贴。认证就是一个请求头，凭证可以沿用你已有的任何密钥管理方案。在编辑器里生效的那个 URL，放进容器、定时任务或生产服务中同样生效，无需改动。升级发生在服务端，这意味着 Swarms API 新增的能力会同时对所有已连接的客户端可用，既不需要更新客户端，也不需要跨团队协调。

二十三个工具，即刻可用

连接后调用 list_tools，服务器会返回覆盖 Swarms API 面的二十三个工具，可以分为五组。

**执行类。**运行单个智能体、运行多智能体集群、运行对话补全、运行推理智能体、运行图工作流，或者把任务交给 Auto Agent Builder，让它替你设计团队。

**批量类。**把一组任务分发给多个智能体、批量运行集群补全，或执行批处理网格工作流。MCP 在这里不再只是便利，而成为基础设施：一个能够分发一百个任务并收集结果的智能体，做的是任何聊天界面都做不到的工作。

**发现类。**列出可用模型、列出可用的集群架构、列出推理智能体类型、列出可用工具、列出你保存的智能体，以及查询你的账户可以访问哪些高级端点。能够枚举自身能力的智能体，可以据此调整行为，而不必把假设写死在代码里。

**账户与可观测性类。**读取速率限制、额度余额、用量成本、指标摘要和执行日志。这一组尤其值得平台团队关注，因为它意味着智能体可以对自身的消耗进行推理。一个长时间运行的流程可以在分发昂贵批处理任务前检查剩余额度，或者在决定并发度前读取自己的速率限制余量。

**健康检查类。**服务健康状态与根路径，用于就绪探测。

工具名称来自服务器而非文档，因此 list_tools 始终是关于你的密钥能触达哪些能力的权威答案。页面上每一段连接示例都以这个调用开头，原因正在于此。

如实呈现的实时状态

MCP 页面为该端点提供了状态面板，这里值得解释一下它到底测量了什么，因为"运行正常"这个词在产品里经常被用得很随意。

这个状态不是 ping。对主机的 ping 只能证明某个端口上有东西在监听，这个结论比多数状态指示器暗示的要弱得多。取而代之的是，Swarms Cloud 从服务端向该端点发送一次真实的 MCP initialize 握手，并汇报结果。如果协议有响应，端点就是运行正常的。如果返回服务器错误，那就是故障。如果端点可达但拒绝未认证的探测，仍然记为运行正常，因为服务器拒绝匿名请求是正确行为，而不是失败。

面板展示三个数字：当前状态、以毫秒计的握手延迟，以及观测到的可用率。在可用率这个数字上，我们刻意保持精确。它反映的是 Swarms Cloud 实际执行过的检查，并标注了样本数量与时间窗口，同时明确说明它不构成服务等级协议。权威的事故历史记录位于 status.swarms.ai，页面上有直达链接。我们宁愿给你一个站得住脚的数字，也不愿给一个看起来更漂亮的数字。

用 Python 连接

服务器使用 streamable HTTP，并通过与 REST API 相同的 x-api-key 请求头认证。安装 MCP SDK 后，建立会话只需几行代码：

# pip install mcp
import asyncio
import os

from mcp import ClientSession
from mcp.client.streamable_http import streamablehttp_client

SWARMS_MCP_URL = "https://mcp.swarms.world/mcp"


async def main() -> None:
    async with streamablehttp_client(
        SWARMS_MCP_URL,
        headers={"x-api-key": os.environ["SWARMS_API_KEY"]},
    ) as (read, write, _):
        async with ClientSession(read, write) as session:
            await session.initialize()

            # 服务器暴露的每个工具，以及它的输入 schema。
            tools = await session.list_tools()
            for tool in tools.tools:
                print(tool.name)


asyncio.run(main())

用 TypeScript 连接

同样的会话，用官方 SDK 在 TypeScript 中实现：

// npm install @modelcontextprotocol/sdk
import { Client } from '@modelcontextprotocol/sdk/client/index.js';
import { StreamableHTTPClientTransport } from '@modelcontextprotocol/sdk/client/streamableHttp.js';

const SWARMS_MCP_URL = 'https://mcp.swarms.world/mcp';

const transport = new StreamableHTTPClientTransport(new URL(SWARMS_MCP_URL), {
  requestInit: {
    headers: { 'x-api-key': process.env.SWARMS_API_KEY! },
  },
});

const client = new Client({ name: 'swarms-demo', version: '1.0.0' });
await client.connect(transport);

// 服务器暴露的每个工具，以及它的输入 schema。
const { tools } = await client.listTools();
console.log(tools.map((tool) => tool.name));

连接 Claude Desktop、Cursor 及其他客户端

对于通过配置文件而非代码来配置的客户端，需要填的只有一个 URL 和一个请求头。没有命令，没有参数，也没有需要安装的二进制文件：

{
  "mcpServers": {
    "swarms": {
      "url": "https://mcp.swarms.world/mcp",
      "headers": {
        "x-api-key": "YOUR_SWARMS_API_KEY"
      }
    }
  }
}

重启客户端，Swarms 的工具就会与它已有的工具并排出现。你的助手现在可以直接在对话中运行研究集群、分发批处理任务或查询额度余额。

通过 MCP 运行一个集群

连接只是准备工作，下面才是收益所在。这个示例运行一个 ConcurrentWorkflow，它让两位分析师并行处理同一个任务，并把输出一起返回：

result = await session.call_tool(
    "run_swarm_v1_swarm_completions_post",
    {
        "name": "Market Research Swarm",
        "description": "Three analysts research the same task in parallel",
        "swarm_type": "ConcurrentWorkflow",
        "task": "Analyze the impact of AI agents on modern healthcare",
        "agents": [
            {
                "agent_name": "Market Analyst",
                "system_prompt": "You analyze market trends and opportunities.",
                "model_name": "gpt-5.4",
                "max_loops": 1,
            },
            {
                "agent_name": "Risk Analyst",
                "system_prompt": "You identify risks and regulatory constraints.",
                "model_name": "claude-haiku-4-5",
                "max_loops": 1,
            },
        ],
        "max_loops": 1,
    },
)

同样的调用在 TypeScript 中：

const result = await client.callTool({
  name: 'run_swarm_v1_swarm_completions_post',
  arguments: {
    name: 'Market Research Swarm',
    swarm_type: 'ConcurrentWorkflow',
    task: 'Analyze the impact of AI agents on modern healthcare',
    agents: [
      {
        agent_name: 'Market Analyst',
        system_prompt: 'You analyze market trends and opportunities.',
        model_name: 'gpt-5.4',
        max_loops: 1,
      },
      {
        agent_name: 'Risk Analyst',
        system_prompt: 'You identify risks and regulatory constraints.',
        model_name: 'claude-haiku-4-5',
        max_loops: 1,
      },
    ],
    max_loops: 1,
  },
});

注意这三十行代码里发生了什么。一次工具调用定义了一支团队，为每位成员分配了角色与模型，并发调度了它们，并返回合并后的输出。不同的智能体运行在不同的模型上，模型是按角色选择的，而不是按应用统一指定的。发起调用的客户端不需要管理并发、重试或模型路由。这就是调用一个模型与编排一套系统之间的区别。

MCP 页面同时展示了针对 REST 端点的等价请求，方便那些希望在中间不加协议层的团队使用同样的集群。

三种语言的教程

页面链接了三个完整示例，把上面的概念推进到可运行的程序：

• 用 MCP 构建智能体 CLI，TypeScript 实现，把服务器接入一个命令行工具，让你在终端里运行智能体。
• 用 MCP 构建多智能体研究工具，Rust 实现，从原生客户端驱动一个研究集群。
• 用 MCP 运行批处理流水线，Python 实现，把一批任务分发给多个智能体，并在一条流水线里收集全部结果。

三种语言是有意为之，而非巧合。协议才是契约，实现语言由你自己决定。

完整参考文档位于 docs.swarms.ai。对于更习惯直接阅读文档的智能体，整份索引以纯文本形式提供在 docs.swarms.ai/llms.txt。

给平台团队的说明

有几个特性值得向正在为组织评估这套方案的人特别指出。

**认证用的就是你已有的密钥。**MCP 服务器使用与 REST API 相同的 x-api-key 凭证，在同一处签发和吊销。不需要另外配置一套身份体系，也没有第二套权限需要对账。

**消耗情况可以在协议内部观测。**由于速率限制、额度余额、用量成本和指标本身就是工具，要以编程方式监控支出，并不需要额外接入一个仪表盘。你可以直接把智能体构建成遵守预算的样子，而不是事后才去了解预算。

**能力变更不需要客户端发版。**Swarms API 的新功能通过同一个端点触达所有已连接的客户端。你的 MCP 客户端与平台之间不存在版本矩阵。

**模型选择仍然按智能体粒度进行。**集群中的每个智能体各自指定模型，因此成本与能力可以逐个角色调优，而不是在应用层面一刀切。昂贵的推理用在值得的地方，其余地方交给快速且便宜的模型。

用五美元免费额度开始构建

新注册的 Swarms Cloud 账户可获得五美元免费额度，注册时自动发放，无需绑定支付方式。这笔额度足以连接客户端、运行真实的集群，并针对你自己的业务负载而非演示用例来评估平台。

上手大约需要两分钟：

1. 在 cloud.swarms.world/signup 创建免费账户，领取你的五美元额度。
2. 在 API keys 页面生成一个 API 密钥，并导出为 SWARMS_API_KEY。
3. 打开 cloud.swarms.world/mcp，复制端点，把连接代码粘贴进你的客户端。
4. 调用 list_tools，然后运行你的第一个集群。

协议是标准的，端点是托管的，工具就是完整的 Swarms 平台。连接一次，你使用的每一个 MCP 客户端都获得了一个多智能体运行时。

立即注册，用五美元免费额度开始构建。