$ loading_
让 Claude Code 协同调用多个大模型完成编码与复杂任务处理。
基于现有材料，这是一款开源、MIT 许可、具备一定社区采用度的 MCP 工具，整体未见明确高风险红旗。其主要注意点在于作为可执行代码的本地工具，可能在本机调度模型相关进程并处理用户输入，但材料未显示需密钥、固定远程端点或过度授权。
材料明确标注“需要的密钥/环境变量：无”，未见要求用户提供 API key、token 或其他敏感凭证；当前材料下凭证暴露与滥用风险较低。
系统检查项未列出远程端点，且材料写明“远程端点 host：无”；但其功能描述涉及同时调用多个模型，说明可能作为模型调用编排层处理并转发用户输入。由于 README 缺失、外联路径未充分披露，建议对实际网络外发行为做运行时核验。
系统已标注 executes-code，说明该 MCP 工具具备在本机执行代码或调度进程的能力；这属于此类工具的常规能力，应限制其运行环境与可调用命令范围，但仅凭此点不足以上升为高风险。
材料未明确声明可读写哪些文件、目录或系统资源，因此未见明确过度授权证据；但作为与 Claude Code 集成的 MCP 工具，它至少可能接触用户提示、任务上下文及模型交互内容，建议按最小权限原则部署并验证其实际文件访问范围。
来源为 GitHub 开源仓库，MIT 许可证，可审计性较好；社区采用度约 133 star，属于一定程度的正面信号。当前未见闭源、失联分发或明显误导性描述等高风险供应链红旗，但维护状态未知，仍应在安装前审阅依赖与近期提交。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"multi-llm-mcp" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
用 multi-llm-mcp 协调 GPT、DeepSeek 和 Codex，一起审查并重构这个 Python 模块。请比较各模型建议，合并成最终修改方案，并输出重构后的代码与修改理由。
一份整合多模型意见的重构方案，包含优化后的代码和修改说明。
请通过 multi-llm-mcp 同时调用 Kimi、GPT 和 DeepSeek，评估这个系统架构方案的优缺点、潜在风险和可替代设计，最后汇总成一份结论报告。
一份汇总多模型分析结果的架构评估报告与建议。
我遇到一个难复现的报错。请用 multi-llm-mcp 让不同模型分别分析错误日志、推测根因并提出修复步骤，再比较它们的结论，给出最可信的排查路径。
一套经过多模型交叉验证的故障定位思路与修复建议。
让 Claude 在任务中调用 Codex 进行复核、辩论与代码探索。