快速开始

安装

公开 Agent Skills

按 Agent 任务安装对应 Skill，无需克隆本仓库：

任务	Skill
操作实时 DCC、发现工具或搜索 Marketplace	`@loonghao/dcc-mcp`
创建或现代化完整 DCC-MCP adapter/runtime	`@loonghao/dcc-mcp-creator`
创建、验证或改进 DCC 专项 Skill 包	`@loonghao/dcc-mcp-skills-creator`

bash

# OpenClaw workspace：默认实时 DCC 控制 Skill
openclaw skills install @loonghao/dcc-mcp

# 直接使用 ClawHub CLI
npx --yes clawhub@0.23.1 install @loonghao/dcc-mcp

只有任务进入对应开发边界时才替换为 creator slug。安装后开启新的 agent turn。

从 `dcc-mcp` Skill 安装 CLI

bash

# 在已安装的 dcc-mcp Skill 目录中运行。
python scripts/check_cli.py --ensure-cli --pretty

Agent 在安装或下载新二进制前必须先征得用户同意。这个 bundled helper 只接受官方 dcc-mcp/dcc-mcp-core release；它会先验证当前平台的 update manifest 和 CLI SHA-256，再替换二进制。URL、manifest、摘要或下载异常时会 fail closed，不会覆盖已有 CLI。SHA-256 用于确认二进制与 release manifest 一致；该 helper 是首次安装的信任边界，安装完成后由 gateway 驱动的更新还会验证 release workflow 的 detached Sigstore provenance。

如果没有安装 Skill，请把官方 installer 下载为本地文件，先检查内容，再执行该本地文件：

bash

curl -fL https://raw.githubusercontent.com/dcc-mcp/dcc-mcp-core/main/scripts/install-cli.sh -o install-cli.sh
cat install-cli.sh
# 检查完成后：
sh ./install-cli.sh

powershell

Invoke-WebRequest https://raw.githubusercontent.com/dcc-mcp/dcc-mcp-core/main/scripts/install-cli.ps1 -OutFile .\install-cli.ps1
Get-Content -Raw .\install-cli.ps1
# 检查完成后，遵循当前执行策略：
& .\install-cli.ps1

installer 与 bundled helper 使用相同的固定官方来源、manifest 和 SHA-256 校验。不要把远程 installer 直接通过管道交给 shell，也不要绕过机器的脚本执行策略。

固定版本可运行 sh ./install-cli.sh --version v0.19.63，或 & .\install-cli.ps1 -Version v0.19.63。

官方安装可以通过以下命令保持最新：

bash

dcc-mcp-cli update check
dcc-mcp-cli update apply

update apply 会强制读取 release manifest 的 SHA-256、校验下载的 CLI，并为下一次启动暂存。替换前会再次校验 staged bytes，之后用相同参数重启 CLI。它不会替换正在运行的 dcc-mcp-server，server 需要在自己的运行环境中单独更新。

CLI 也提供了独立 ZIP 包（dcc-mcp-cli-<version>-<platform>.zip），可从每个 GitHub Release 下载。

从 PyPI 安装

bash

pip install dcc-mcp-core

从源代码安装（需要 Rust 工具链）

bash

git clone https://github.com/dcc-mcp/dcc-mcp-core.git
cd dcc-mcp-core
pip install -e .

TIP

从源代码构建需要 Rust 工具链，可从 rustup.rs 安装。构建由 maturin 处理，它会编译 Rust 核心并安装 Python 包。

环境要求

Python：3.7–3.14。Linux 与 Windows 上对原生 CPython 3.7 wheel 做强制门禁；其他平台可使用 py37-lite sidecar 回退。Python 3.8+ 使用 abi3-py38 — 详见 Python 3.7 LTS 策略。
Rust: >= 1.95（从源代码构建时需要）
许可证: MIT
Python 依赖: 零 — 所有功能都在编译的 Rust 扩展中

快速上手

Agent 操作实时 DCC

加载 dcc-mcp 后，把 CLI 作为结构化控制路径：

bash

dcc-mcp-cli dcc-types
dcc-mcp-cli list
dcc-mcp-cli search --query "create sphere" --dcc-type maya
dcc-mcp-cli describe <tool-slug>
dcc-mcp-cli call <tool-slug> --json '{"radius":2.0}'

只使用 search 返回的 slug，不要自行拼接。如果 list 返回零实例，按 Skill 中需要用户同意的 setup 流程处理，不要切换到原始 DCC 脚本或通用 GUI 自动化。

Skills-First：`create_skill_server`（推荐）

将脚本暴露为 MCP 工具最快捷的方式。在脚本目录创建 SKILL.md，然后一键完成所有配置：

python

import os
from dcc_mcp_core import create_skill_server, McpHttpConfig

# 设置应用专属 Skill 路径
os.environ["DCC_MCP_MAYA_SKILL_PATHS"] = "/path/to/my-skills"

# 一键：发现 Skills + 启动 MCP HTTP 服务器
server = create_skill_server("maya", McpHttpConfig())
handle = server.start()
print(f"Maya MCP 服务器地址：{handle.mcp_url()}")
# CLI 和网关会通过共享注册表发现这个实际地址。

本地实例默认使用操作系统分配的端口。只有外部集成明确要求固定监听端口时，才传入 port=<端口号>。

如需更多控制，可直接使用 SkillCatalog：

python

import os
from dcc_mcp_core import SkillCatalog, ToolRegistry

os.environ["DCC_MCP_SKILL_PATHS"] = "/path/to/my-skills"

registry = ToolRegistry()
catalog = SkillCatalog(registry)

discovered = catalog.discover(dcc_name="maya")
print(f"发现了 {discovered} 个 Skill")

# 加载 Skill，并查看注册后的工具名称
tool_names = catalog.load_skill("maya-geometry")
print(tool_names)

参见 Skills 系统指南了解 SKILL.md 的编写方式和更多选项。

工具注册表

python

from dcc_mcp_core import ToolRegistry

registry = ToolRegistry()
registry.register(
    name="create_sphere",
    description="Creates a sphere in the scene",
    category="geometry",
    tags=["geometry", "creation"],
    dcc="maya",
)

tool = registry.get_action("create_sphere")
print(tool)  # 包含工具元数据的字典

maya_tools = registry.list_actions(dcc_name="maya")

Action → Tool 术语说明

v0.13+ 项目在概念层面将 "action" 重命名为 "tool"。但部分 Rust API 方法名（get_action、list_actions、search_actions）仍使用 "action" 以保持向后兼容——这不是 bug，而是兼容别名。

工具结果

python

from dcc_mcp_core import success_result, error_result

result = success_result("创建了 5 个球体", prompt="接下来使用 modify", count=5)
print(result.success)  # True
print(result.message)  # "创建了 5 个球体"
print(result.context)  # {"count": 5}

err = error_result("失败", "file_not_found", prompt="检查路径")
print(err.success)  # False

事件总线

python

from dcc_mcp_core import EventBus

bus = EventBus()
sid = bus.subscribe("scene.changed", lambda: print("场景已更新!"))
bus.publish("scene.changed")
bus.unsubscribe("scene.changed", sid)

MCP HTTP 服务器

一行代码将注册表暴露给 AI 客户端（Claude Desktop 等）：

python

from dcc_mcp_core import ToolRegistry, McpHttpServer, McpHttpConfig

registry = ToolRegistry()
# ... 注册 Actions 或加载 Skills ...

config = McpHttpConfig(port=8765)
server = McpHttpServer(registry, config)
handle = server.start()

print(f"MCP 服务器运行在 {handle.mcp_url()}")
# handle.shutdown() 停止服务器

开发环境设置

bash

git clone https://github.com/dcc-mcp/dcc-mcp-core.git
cd dcc-mcp-core

# 使用 vx 安装（推荐）
vx just install

# 或手动设置
pip install maturin
maturin develop

运行测试

bash

vx just test
vx just lint

下一步

了解工具注册表 — 核心构建块
探索 Events 事件的生命周期钩子
查看 Skills 技能包的零代码脚本注册
使用 MCP HTTP 服务器暴露工具给 AI 客户端
查看传输层的 DCC 通信
了解架构设计 — 以根 Cargo.toml 为准的 Rust 工作区结构
学习技能作用域与策略 — 基于信任的技能管理

使用 DccServerBase 构建 DCC 适配器

DccServerBase 是构建 DCC 适配器的推荐基类。它集成了所有适配器需要的样板代码：

python

from pathlib import Path
from dcc_mcp_core import DccServerBase, DccServerOptions

class BlenderMcpServer(DccServerBase):
    def __init__(self, port: int = 8765, **kwargs):
        opts = DccServerOptions.from_env(
            "blender",
            Path(__file__).parent / "skills",
            port=port,
            **kwargs,
        )
        super().__init__(options=opts)

    def _version_string(self) -> str:
        import bpy
        return bpy.app.version_string

# 仅此而已 — 技能管理、热重载、网关选举均已继承
server = BlenderMcpServer(gateway_port=9765)
server.register_builtin_actions()  # 发现并加载技能
server.enable_hot_reload()         # 可选：文件变更时自动重载
handle = server.start()            # 返回 McpServerHandle
print(f"运行于 {handle.mcp_url()}")

零样板适配器可使用 make_start_stop：

python

from dcc_mcp_core import make_start_stop

start_server, stop_server = make_start_stop(
    BlenderMcpServer,
    hot_reload_env_var="DCC_MCP_BLENDER_HOT_RELOAD",
)

快速开始 ​

安装 ​

公开 Agent Skills ​

从 dcc-mcp Skill 安装 CLI ​

从 PyPI 安装 ​

从源代码安装（需要 Rust 工具链） ​

环境要求 ​

快速上手 ​

Agent 操作实时 DCC ​

Skills-First：create_skill_server（推荐） ​

工具注册表 ​

工具结果 ​

事件总线 ​

MCP HTTP 服务器 ​

开发环境设置 ​

运行测试 ​

下一步 ​

使用 DccServerBase 构建 DCC 适配器 ​

快速开始

安装

公开 Agent Skills

从 `dcc-mcp` Skill 安装 CLI

从 PyPI 安装

从源代码安装（需要 Rust 工具链）

环境要求

快速上手

Agent 操作实时 DCC

Skills-First：`create_skill_server`（推荐）

工具注册表

工具结果

事件总线

MCP HTTP 服务器

开发环境设置

运行测试

下一步

使用 DccServerBase 构建 DCC 适配器