MCP 服务器

Agentic MCP Client

一个独立的代理运行器，它使用 MCP（模型上下文协议）工具，通过 Anthropic Claude、AWS BedRock 和 OpenAI API 执行任务。它使 AI 代理能够在云环境中自主运行，并安全地与各种系统交互。

peakmojo

开发者工具

README

Agentic MCP 客户端

一个独立的 Agent 运行器，它使用 MCP（模型上下文协议）工具通过 Anthropic Claude、AWS BedRock 和 OpenAI API 执行任务。它使 AI Agent 能够在云环境中自主运行，并与各种系统安全地交互。

当前特性

运行独立的 Agent，任务在 JSON 配置文件中定义
支持 Anthropic Claude 和 OpenAI 模型
自动工具发现和执行
会话日志记录，用于跟踪 Agent 进度
可配置的系统提示和模型参数
支持 MCP 采样
最大迭代控制，以防止无限循环

安装

克隆仓库
设置依赖项：

uv sync

创建 agent_worker_task.json 文件

这是一个示例配置文件：

{
    "task": "找到当前目录中的所有图像文件，并告诉我它们的大小",
    "model": "claude-3-7-sonnet-20250219",
    "system_prompt": "你是一个乐于助人的助手，使用可用的工具完成任务。",
    "verbose": true,
    "max_iterations": 10
}

运行 Agent：

uv run agentic_mcp_client/agent_worker/run.py

配置

该项目需要在根目录中有一个 config.json 文件，以定义推理服务器设置和可用的 MCP 工具。这是一个示例配置：

{
   "inference_server": {
      "base_url": "https://api.anthropic.com/v1/",
      "api_key": "YOUR_API_KEY_HERE",
      "use_bedrock": true,
      "aws_region": "us-east-1",
      "aws_access_key_id": "YOUR_AWS_ACCESS_KEY",
      "aws_secret_access_key": "YOUR_AWS_SECRET_KEY"
   },
   "mcp_servers": {
    "mcp-remote-macos-use": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "-e",
        "MACOS_USERNAME=your_username",
        "-e",
        "MACOS_PASSWORD=your_password",
        "-e",
        "MACOS_HOST=your_host_ip",
        "--rm",
        "buryhuang/mcp-remote-macos-use:latest"
      ]
    },
    "mcp-my-apple-remembers": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "-e",
        "MACOS_USERNAME=your_username",
        "-e",
        "MACOS_PASSWORD=your_password",
        "-e",
        "MACOS_HOST=your_host_ip",
        "--rm",
        "buryhuang/mcp-my-apple-remembers:latest"
      ]
    }
  }
}

配置部分

推理服务器

inference_server 部分配置与您的语言模型提供商的连接：

base_url: 您选择的 LLM 提供商的 API 端点
api_key: 您用于 LLM 服务的身份验证密钥
use_bedrock: 设置为 true 以使用 Amazon Bedrock 进行模型推理
AWS 凭证（使用 Bedrock 时）

MCP 服务器

mcp_servers 部分定义可用的 MCP 工具。每个工具都有：

一个唯一的标识符（例如，“mcp-remote-macos-use”）
command: 要执行的命令（通常是 Docker，用于容器化工具）
args: 工具的配置参数

此示例显示了用于通过 Docker 容器远程控制 macOS 系统的 MCP 工具。

MCP 的工作原理

模型上下文协议提供了一种标准化的方式，供应用程序：

与语言模型共享上下文信息
向 AI 系统公开工具和功能
构建可组合的集成和工作流程

该协议使用 JSON-RPC 2.0 消息来建立主机（LLM 应用程序）、客户端（应用程序内的连接器）和服务器（提供上下文和功能的服务）之间的通信。

我们的 Agent Worker 实现以下工作流程：

初始化所有可用工具的 MCP 客户端
将初始任务消息发送到所选模型
处理模型响应（工具调用或文本）
如果进行了工具调用，则执行该工具并将结果发送回模型
重复直到任务完成或达到最大迭代次数
关闭所有 MCP 客户端

sequenceDiagram
    participant User
    participant AgentWorker
    participant LLM as Language Model
    participant MCP as MCP Tools

    User->>AgentWorker: Task + Configuration
    AgentWorker->>MCP: Initialize Tools
    AgentWorker->>LLM: Send Task
    loop Until completion
        LLM->>AgentWorker: Request Tool Use
        AgentWorker->>MCP: Execute Tool
        MCP->>AgentWorker: Tool Result
        AgentWorker->>LLM: Send Tool Result
        LLM->>AgentWorker: Response
    end
    AgentWorker->>User: Final Result