pal-mcp-server

一场关于"AI孤岛"的实验

想象一下这个场景：你同时订阅了 ChatGPT、Claude、Gemini 和几个国产大模型，但每次切换都要重新开一个对话窗口，历史记录散落各处，不同模型的回答风格也不统一。PAL MCP Server 正在解决一个非常具体的问题——让多个 AI 模型在同一个工作流里协同工作，像一个配合默契的团队，而不是各自为战的工具集合。

这个项目的前身叫 Zen MCP，由独立开发者 Fahad Gilani 创建，2025年6月开源后迅速获得关注，目前 GitHub Stars 已突破 11,500+，Fork 数超过 1000，成为 MCP Server 生态中最活跃的多模型聚合方案之一。它的核心思路是：不做又一个 AI 聊天界面，而是做一个"中间层"，让已有的 AI 编程工具（Claude Code、Gemini CLI、Codex CLI）能够同时调用多个模型。

PAL 的核心设计：模型路由器

PAL MCP 的架构本质上是一个 Provider Abstraction Layer（提供商抽象层）。它通过 MCP（Model Context Protocol）协议与 Claude Code 等工具对接，在后端根据任务类型自动路由到最合适的模型。

项目采用模块化架构，核心组件清晰分层：

• providers/：每个 AI 服务商一个模块（openai.py、gemini.py、xai.py、azure_openai.py、dial.py、openrouter.py、custom.py），统一继承 BaseProvider 接口
• registry.py：全局模型注册中心，根据 API Key 的有无动态启用/禁用提供商
• pal-mcp-server/：主服务入口，暴露 MCP 工具接口
• clink/：CLI-to-CLI 桥接模块，支持在对话中调用外部 CLI 工具
• conf/：JSON 格式模型配置文件，包含每个模型的 token 限制、温度参数等

这种设计意味着，新增一个模型提供商只需要继承 BaseProvider 写一个新文件，在 conf/ 下添加对应的 models.json，无需改动核心逻辑。

协作能力：从"独奏"到"交响乐"

PAL 最具特色的功能是 多模型协作（Multi-Model Consensus）。用户可以让 GPT-5 和 Gemini 同时回答同一个问题，然后让 Claude 综合两者的结论，形成一种"模型间的讨论"机制。

另一个亮点是 clink 工具。它允许在一个 AI 对话中直接启动另一个 AI CLI（比如让 Claude Code 召唤一个 Codex 子进程），子进程的输出结果可以无缝传回主对话。这意味着你可以让不同模型各司其职：Gemini 做调研，Claude 写代码，Codex 做代码审查——全部在一个会话中完成，上下文完全保留。

技术栈与代码质量

项目使用 Python 3.9+ 开发，核心依赖极简：mcp（协议实现）、google-genai（Gemini SDK）、openai（OpenAI SDK）、pydantic（数据验证）。代码风格严格遵循 black + isort + ruff 规范，提交历史使用 semantic-release 自动化版本管理，整体工程化水平相当高。

代码质量评分可以给到 85/100：

• 测试覆盖率高，pytest.ini 配置完整
• Type hints 使用 pydantic 模型验证而非手写类型标注（实用主义）
• 多阶段 Dockerfile 将构建依赖与运行时环境分离，非 root 用户运行
• 依赖数量控制在 5 个核心包以内，避免过度工程化

部署体验

PAL MCP 是一个无状态 MCP Server，没有传统意义上的 Web UI。它通过 Stdio 传输与 Claude Code 等 AI 编程工具通信。部署方式有两种：

Docker 部署（一键）： 项目提供完整多阶段 Dockerfile 和 docker-compose.yml，只需 docker compose up 即可启动，资源限制 512MB 内存 / 0.5 CPU，属于轻量级服务。

手动安装：

pip install pal-mcp-server
# 配置 API Key（.env 或环境变量）
pal-mcp-server

需要提前准备各模型提供商的 API Key，门槛稍高于开箱即用的 SaaS 产品。

硬件方面，PAL MCP 无需 GPU，纯 CPU 运行，内存占用极低（< 512MB），非常适合在个人开发机或轻量服务器上长期运行。

局限与挑战

这个项目也有它的局限性。首先，它高度依赖 Claude Code / Gemini CLI 等"宿主"工具，没有这些工具的用户体验为零。其次，多模型并发调用意味着更高的 API 成本——同时调用三个模型完成一个任务，费用大约是单模型的 3 倍。

此外，虽然代码架构优雅，但文档主要集中在英文，中文社区的入门门槛相对较高。

为什么值得关注

PAL MCP 代表了一个趋势：AI 工具正在从"单模型对话"走向"多模型协作"。随着 Claude Code、Gemini CLI、Codex CLI 等编程工具的成熟，MCP 协议作为中间层的机会越来越大。PAL 站在了这个生态位的最前沿，用极简的实现解决了真实的需求。

如果你在使用 Claude Code 或类似工具，PAL MCP 可能是今年最值得一试的效率增强方案。