开始使用

自部署 Mirobody

在你自己的基础设施上运行 Mirobody 引擎：能得到什么、三个步骤、数据如何流动，以及如何扩展。

在你自己的机器、服务器或云主机上运行 Mirobody。引擎以 Apache 2.0 开源：核心是一个可以直接当作库调用的 Python 包（3.12 及以上），需要完整能力时再加上 HTTP 服务、后台 worker、 PostgreSQL（含 pgvector）与 Redis。源码位于 thetahealth/mirobody。

Mirobody 是什么、解决的是什么问题，见Mirobody 简介。本页讲的是自己把它跑起来。

引擎里的三个步骤

代码结构、贡献方向与这份文档都按同样的三个步骤组织，即 C · S · A —— 其中的 A 既是 Answers，也是产出它的 agent。

	步骤	含义	在包里的位置
①	采集（Collect）	从设备 provider、上传的文档与端上批量样本接入数据	`mirobody/pulse/`
②	标准化（Standardize）	将读数解析到规范编码（LOINC · SNOMED CT · RxNorm），归一单位，落为 FHIR R4	`mirobody/indicator/`
③	问答（Answers）	agent 通过虚拟文件系统读取原始文档，给出带图表与引用的回答。同一份标准化序列也支撑了衍生用法：按计划产出的洞察、生成的报告，以及你在其上构建的预警提醒	`mirobody/agent/`

① 采集

Provider、文件解析与端上批量样本导入，各来源最终落在同一张指标表上。

② 标准化

以概念图与多语言别名把同一项检查的各种写法归到同一个编码。

③ 问答

两个 agent 共用一套 MCP 工具面，tool loop 可以在本地运行，也可以交给外部模型。回答只是标准化数据的一种用法，不是唯一一种。

标准化机制

同一项测量在每个来源那里都有不同的写法，单位与参考区间也各不相同 —— 仅这些差异就足以让一个人自己的历史数据无法互相比较。Mirobody 承担的正是这一层：指标名在入库之前被解析，而不是按到达时的字符串原样保存。血红蛋白、ヘモグロビン 与 hemoglobin 都解析到 LOINC 718-7；LDL-C 与「低密度脂蛋白胆固醇」都解析到 LOINC 13457-7。单位在同一遍处理中归一到 UCUM，因此 毫摩尔每升 与 mmol/L 记录为同一个单位。最终效果是：来自不同设备、不同实验室、不同语言的报告，可以落在同一条时间序列上。

解析在本地完成，所用词表随包发布，不需要密钥、配置与网络连接：

pip install mirobody
mirobody resolve "LDL cholesterol" "血红蛋白" "ヘモグロビン"

from mirobody.engine import resolve

resolve("血红蛋白").loinc   # -> '718-7'

标准化可以单独安装，因此这一步可以先用起来，不必运行其余服务。解析规则与随包词表见健康指标，作为库调用的接口见引擎即库。

数据流

Provider 服务端到服务端拉取 Garmin · Oura · Whoop

端上批量样本只进不出：设备本地读出的批次 + CDA

文件上传 PDF · 图片 · Excel · CSV · 音频 · 基因型直接写入存储

归一成同一种形状

StandardPulseData ① 通用交换格式

规范编码 ② LOINC · SNOMED CT · RxNorm · UCUM

th_series_data PostgreSQL 时间序列 + FHIR R4

agent 与 MCP 工具 ③ 检索、阅读、出图、引用

provider 与端上批量样本在落库前归一，文件抽取直接写入存储。两种情况下 agent 查询的都是指标，而不是各家厂商的原始载荷。

provider 与端上批量样本在写入之前收敛到 StandardPulseData；文件抽取直接写入存储，保留报告原文的指标名，再由语义检索归并。两条通路都落在同一张指标表上，因此 agent 查询的是指标，而不是每家厂商一种形状。写入路径、其后的两张表以及聚合方式见数据流。

tool loop 的运行位置

每种方式对应一个 agent，区别在于tool loop 在谁那边运行。

	DeepAgent：引擎在你的部署中运行	BaseAgent：由外部模型调用
tool loop 运行在	这里，你的部署里	LLM 服务商那边，通过 HTTP 调用 `/mcp`
适合	自己运行整套引擎	Claude Desktop · Cursor · ChatGPT Apps · 任意 MCP 客户端
额外能力	虚拟文件系统、QuickJS、Agent Skills、图表	MCP 工具面暴露出来的那些

引擎可以按用户签发一条个人 MCP URL（POST /personal/mcp），使某个人的 MCP 客户端只能访问他自己的数据。随包的 Web 客户端把它放在设置里；你自己的客户端也可以直接调这个端点。见Agent 类型与MCP 集成。

扩展目录

五个配置键各指向一组目录，引擎在启动时扫描它们。扩展不需要编译，也不需要在任何注册表里登记。

配置键	默认值	放什么
`MCP_TOOL_DIRS`	`mirobody/agent/tools`	工具模块：一个函数或一个 `*Service` 类就是一个 MCP 工具
`MCP_RESOURCE_DIRS`	`mirobody/agent/resources`	MCP UI 资源
`AGENT_DIRS`	`mirobody/agent`	agent 实现
`PROVIDER_DIRS`	`mirobody/pulse/providers`	数据 provider，每个来源一个 `mirobody_<slug>/` 包
`SKILL_DIRS`	`mirobody/agent/skills`	Agent Skills：一个目录，里面放一个 `SKILL.md`

在 config.{env}.yaml 中加入自己的目录，并置于列表最前，即可覆盖随包内容。见添加自定义工具、Agent Skills与开发 Provider。

运行形态与入口

自部署是运行 Mirobody 的两种方式之一，两种方式都不只提供 API，还各自带有现成的入口：

入口	地址	说明
你自己的部署	`localhost:18080`	`git clone` → `./deploy.sh` → 登录。数据留在你自己的机器上，自带的 Web 客户端是一个完整应用：`/data` 管文档与读数，`/ask` 是 agent，另有关爱圈共享：成员可以允许家人（也可以是医生）基于自己的记录向 AI 提问。
你自己的 MCP 端点	`localhost:18080/mcp`	供 Claude Desktop、Cursor 等 MCP 客户端接入；需要 HTTPS 或远程访问时设置 `MCP_PUBLIC_URL`。
托管版对话	chat.mirobody.ai	由我们运行的客户端。
Mirobody Cloud	platform.mirobody.ai	密钥、用量，以及用于在其上构建应用的健康数据 API，见云端标签页。
微信小程序	微信里搜 mirobody	仅限国内、中文界面。后端与托管版对话是同一套，记录与指标也是同一份。