Nexus-Worker-MCP

Serveur MCP agnostique qui optimise vos coûts LLM en déléguant les tâches lourdes à un modèle "Ouvrier" économique.

Concept

Nexus-Worker-MCP implémente le pattern Supervisor-Worker (Planificateur / Exécuteur / Critique) :

• Le Cerveau (modèle principal dans votre IDE) planifie, supervise et valide (pattern Reviewer-Critic)
• Le Worker (modèle économique via API) exécute les tâches lourdes en tokens (Single-Shot, parallélisable)
• Le MCP (ce projet) orchestre la délégation entre les deux

┌─────────────┐     Tool Call      ┌──────────────┐     API Call      ┌──────────────┐
│   Cerveau   │ ──────────────────▶│  Nexus MCP   │ ───────────────▶ │   Worker     │
│  (Claude,   │                    │  (Routeur)   │                  │  (GPT-4o,    │
│   GPT-5…)   │ ◀──────────────── │              │ ◀─────────────── │   Ollama…)   │
│             │   Résultat épuré   │              │   Réponse brute  │              │
└─────────────┘                    └──────────────┘                  └──────────────┘

Pourquoi ?

Sans Nexus	Avec Nexus
Le modèle cher lit 1200 lignes de code	Le worker lit, le cerveau reçoit un résumé de 50 lignes
Le modèle cher génère 300 lignes de tests	Le worker génère, le cerveau valide
Le modèle cher fait la revue de code	Le worker revèle les bugs, le cerveau décide
Coût élevé en Input + Output tokens	Réduction de 60-80% des coûts du modèle principal

Quick Start

# 1. Cloner et installer
git clone https://github.com/oumar5/Nexus-Worker-MCP.git
cd Nexus-Worker-MCP
python -m venv .venv
# Windows:
.venv\Scripts\activate
# Linux/macOS:
# source .venv/bin/activate
pip install -e .

# 2. Configurer
cp .env.example .env
# Éditer .env avec vos clés API

# 3. Tester
python -m pytest tests/

# 4. Lancer
python -m nexus_worker

Compatibilité

Clients IDE

Client IDE	Transport	Statut
VS Code (Copilot)	stdio	✅ Supporté
Anti-Gravity	stdio	✅ Supporté
Claude Code	stdio	✅ Supporté
Cursor	stdio	✅ Supporté
Applications distantes	HTTP/SSE	✅ Supporté

Providers Worker

Provider	Modèles recommandés	Statut
OpenAI	gpt-4o-mini, gpt-4o	✅ Supporté
Anthropic	claude-3-haiku, claude-3.5-haiku	✅ Supporté
Google Gemini	gemini-2.0-flash, gemini-1.5-flash	✅ Supporté
Ollama (local)	codellama, qwen2.5-coder	✅ Supporté
Azure OpenAI	Tout modèle déployé	✅ Supporté

Documentation

Document	Description
Architecture	Architecture technique avec diagrammes Mermaid
Design Patterns	Patterns architecturaux et stratégie de délégation
Installation	Guide d'installation et configuration
Outils MCP	Référence complète des 8 outils exposés
Adaptateurs	Guide des fournisseurs supportés
Scénarios	Cas d'usage détaillés avec flux et diagrammes
Gestion d'erreurs	Stratégie de résilience et fallback
Templates de prompts	Prompts systèmes par type de tâche
Analyse FinOps	Analyse financière, économie de tokens et ROI
Contributing	Guide de contribution

Roadmap (v2.0)

• Tool-based Routing (Routage par Outil) : Possibilité de configurer un modèle spécifique pour chaque outil (ex: WORKER_GENERATE_CODE_MODEL=claude-3-5-sonnet pour le code, et WORKER_REVIEW_CODE_MODEL=gpt-4o-mini pour la relecture) afin de pousser l'optimisation des coûts à son maximum.
• Support de nouveaux providers : Intégration de nouveaux LLMs selon les besoins de la communauté.

Licence

MIT — Voir LICENSE