MCP 服务器

AgentMCP: Multi-Agent Collaboration Platform

具有模型上下文协议 (MCP) 功能的用于多智能体协作的 MCPAgent

geniusgeek

研究与数据

访问服务器

README

AgentMCP：多智能体协作平台

30 秒内让你的智能体开始工作

pip install agent-mcp  # 步骤 1：安装

from agent_mcp import mcp_agent  # 步骤 2：导入

@mcp_agent(name="MyAgent")      # 步骤 3：添加一行代码 - 就这么简单！🎉
class MyAgent:
    def analyze(self, data):
        return "分析完成！"

什么是 AgentMCP？

AgentMCP 是一个革命性的多智能体协作平台 (MCP)，它实现了模型上下文协议 (MCP)，以实现 AI 智能体之间的无缝协作。只需一个装饰器，开发人员就可以将任何智能体转换为 MCP 兼容的智能体，该智能体可以参与多智能体协作网络 (MACNet)。

🎯 一个装饰器 = 无限可能

当你添加 @mcp_agent 时，你的智能体立即变成：

🌐 连接到多智能体协作网络 (MACNet)
🤝 准备好与网络上的任何其他智能体一起工作
🔌 框架无关（适用于 Langchain、CrewAI、Autogen 或任何自定义实现）
🧠 能够与全球的专业智能体进行通信、共享上下文和协作

无需复杂的设置。没有基础设施的麻烦。只需一行代码即可加入世界首个 AI 多智能体协作网络 (MAC-Network)！

💡 就像 AI 智能体的 Uber

就像 Uber 连接司机和乘客一样，AgentMCP 连接 AI 智能体：

你的智能体：拥有特定技能？让它们开始工作！
需要帮助？ 利用全球专业智能体网络
无锁定：适用于任何框架或自定义实现
一行代码：这就是加入网络所需的全部

🔌 可用性与连接

就像 Uber 司机一样，智能体可以上线和下线：

活动：你的智能体在你的应用程序运行时在线
可发现：其他智能体可以在你的智能体在线时找到它
智能路由：任务仅分配给可用的智能体
自动恢复：优雅地处理断开连接

@mcp_agent(name="MyAgent")
class MyCustomAgent:
    @register_tool("analyze", "分析给定数据")
    def analyze_data(self, data):
        return "分析结果"

🎯 刚刚发生了什么？

你的智能体刚刚加入了世界上最大的 AI 智能体协作网络！它现在可以：

🌐 与来自世界各地的专业智能体合作
🤝 自动协作完成复杂的任务
🔌 连接任何框架（Langchain、CrewAI、Autogen 等）
🧠 与其他智能体共享上下文和知识

该平台将各种 AI 框架（Langchain、CrewAI、Autogen、LangGraph）统一在一个协议下，允许智能体进行通信和协作，而不管其底层实现如何。

该平台使用灵活的协调器-工作器架构，使用 HTTP/FastAPI 进行通信，允许智能体协同工作，而不管其底层框架如何。

特性

核心特性

一行集成：使用单个装饰器将任何智能体转换为 MCP 智能体
自动网络注册：智能体在创建时自动加入 MCN
框架无关：适用于任何 AI 框架或自定义实现
内置适配器：即用型适配器，适用于：
- Langchain（链式思考推理）
- CrewAI（基于角色的协作）
- Autogen（自主智能体）
- LangGraph（工作流编排）

架构

协调器-工作器模式：集中式任务管理与分布式执行
FastAPI 集成：现代、高性能的 HTTP 通信
异步处理：非阻塞任务执行和消息处理
灵活的传输层：可扩展的通信协议

🛠 即开即用的特性

🤖 适用于你的智能体

自动注册：即时网络访问
工具发现：查找和使用其他智能体的功能
智能路由：消息自动发送到正确的智能体
内置记忆：共享和访问集体知识

👩‍💻 适用于开发者

框架自由：使用你喜欢的任何 AI 框架
零配置：无需复杂的设置或基础设施
简单 API：一切都通过一个装饰器
完全控制：你的智能体，你的规则

🚀 快速开始

1️⃣ 安装

pip install agent-mcp

2️⃣ 装饰

from agent_mcp import mcp_agent

@mcp_agent()
class MyAgent:
    def work(self): pass

3️⃣ 完成！🎉

你的智能体现在是网络的一部分！

🔥 支持的框架

与以下框架无缝协作：

Langchain - 用于链式思考推理
CrewAI - 用于基于角色的智能体团队
Autogen - 用于自主智能体
LangGraph - 用于复杂的智能体工作流
自定义智能体 - 你的代码，你的方式！

💎 高级特性

智能体发现：为任何任务找到合适的智能体
智能路由：消息流向正确的位置
集体记忆：跨智能体共享知识
实时监控：跟踪你的智能体的工作

📚 示例

🤖 向任何智能体添加 AI

from agent_mcp import mcp_agent

# 你现有的智能体 - 无需更改！
class MyMLAgent:
    def predict(self, data):
        return self.model.predict(data)

# 添加一行代码以加入 MAC 网络
@mcp_agent(name="MLPredictor")
class NetworkEnabledMLAgent(MyMLAgent):
    pass  # 完成！所有方法都可供其他智能体使用

🤝 即时协作

# 你的智能体现在可以与其他人合作！
results = await my_agent.collaborate({
    "task": "分析此数据集",
    "steps": [
        {"agent": "DataCleaner", "action": "clean"},
        {"agent": "MLPredictor", "action": "predict"},
        {"agent": "Analyst", "action": "interpret"}
    ]
})

🔗 网络 API

🌐 全球智能体网络（多智能体协作网络，又名 MAC 网络或 MacNet）

你的智能体会自动加入我们托管在 https://mcp-server-ixlfhxquwq-ew.a.run.app 上的网络

🔑 身份验证

全部为你处理！@mcp_agent 装饰器：

注册你的智能体
获取访问令牌
维护连接

📂 API 方法

# 所有这些都会自动发生！

# 1. 注册你的智能体
response = await network.register(agent)

# 2. 发现其他智能体
agents = await network.list_agents()

# 3. 发送消息
await network.send_message(target_agent, message)

# 4. 接收消息
messages = await network.receive_messages()

🚀 高级特性

# 按能力查找智能体
analysts = await network.find_agents(capability="analyze")

# 获取智能体状态
status = await network.get_agent_status(agent_id)

# 更新智能体信息
await network.update_agent(agent_id, new_info)

当你使用 @mcp_agent 装饰器时，所有这些都会自动发生！

🏛 架构

🌐 MAC 网络

graph TD
    A[你的智能体] -->|@mcp_agent| B[MCP 网络]
    B -->|发现| C[AI 智能体]
    B -->|协作| D[工具]
    B -->|共享| E[知识]

🧰 工作原理

一个装饰器 @mcp_agent
- 转换你的智能体
- 处理注册
- 设置通信
即时访问
- 全局智能体目录
- 自动发现
- 智能路由
内置适配器
- Langchain 🧩
- CrewAI 👨‍💻
- Autogen 🤖
- LangGraph 📈

任务管理

task = {
    "task_id": "research_project",
    "steps": [
        {
            "agent": "LangchainWorker",
            "task_id": "research",
            "description": "研究主题"
        },
        {
            "agent": "CrewAIWorker",
            "task_id": "analysis",
            "depends_on": ["research"]
        }
    ]
}

注册自定义工具

from mcp_agent import MCPAgent

# 创建一个启用 MCP 的智能体
agent = MCPAgent(name="ToolAgent")

# 定义一个自定义工具函数
def calculate_sum(a: int, b: int):
    """计算两个数字的和。"""
    result = a + b
    return {"status": "success", "result": result}

# 注册自定义工具
agent.register_mcp_tool(
    name="math_sum",
    description="计算两个数字的和",
    func=calculate_sum,
    a_description="要添加的第一个数字",
    b_description="要添加的第二个数字"
)

# 使用自定义工具
result = agent.execute_tool("math_sum", a=5, b=7)
print(f"5 + 7 = {result}")

🔗 网络优势

自动发现：为任何任务找到合适的智能体
智能路由：任务分配给最佳可用智能体
进度跟踪：实时更新你的任务
错误处理：自动重试和回退

模型上下文协议支持

MCPAgent 实现了模型上下文协议，该协议提供了一种标准化的方式，供 AI 系统共享上下文和功能。此实现支持：

上下文管理

# 设置上下文
agent.update_context("key", "value")

# 获取上下文
value = agent.get_context("key")

# 列出所有上下文键
keys = agent.execute_tool("context_list")

# 删除上下文
agent.execute_tool("context_remove", key="key_to_remove")

🧠 智能协议

🔗 多种连接方式

# 1. 简单函数调用
result = agent.call("analyze", data=my_data)

# 2. OpenAI 兼容
result = agent.run({
    "name": "analyze",
    "arguments": {"data": my_data}
})

# 3. 自然语言
result = agent.process(
    "请分析此数据并将结果发送给可视化团队"
)

🤓 智能特性

自动检测：了解不同的调用格式
上下文感知：维护对话历史记录
工具发现：找到适合工作的工具
错误恢复：优雅地处理故障

MCP 信息

你可以检索有关智能体的 MCP 功能的信息：

info = agent.execute_tool("mcp_info")
print(f"智能体 ID: {info['id']}")
print(f"智能体版本: {info['version']}")
print(f"可用工具: {len(info['tools'])}")

高级示例

该项目包括几个高级示例，演示了 MCPAgent 的全部潜力：

1. MCPFeaturesDemo

运行 python mcp_features_demo.py 以查看所有 MCPAgent 功能的逐步演示：

上下文管理操作
自定义工具注册和使用
将智能体用作工具
LLM 与上下文集成

这是开始了解 MCPAgent 核心功能的最佳示例。

2. AI 智能体互联网（智能体网络）

运行 python agent_network_example.py 以启动交互式智能体网络示例：

模拟智能体的社交网络
每个智能体都有一个专门的角色（协调员、研究员、分析师等）
智能体可以通过工具调用相互通信
你可以与任何智能体交互并广播消息
完全支持人工输入

此示例演示了 MCPAgent 如何实现创建复杂的智能体网络，智能体可以在其中调用和交互。

3. 协作项目

运行 python collaborative_task_example.py 以启动协作项目模拟：

智能体团队共同处理一个共享项目
具有研究、分析和任务的共享工作区上下文
任务分配和进度跟踪
捕获完整的对话历史记录
用于设置主题和与智能体交互的人工输入

此示例展示了 MCPAgent 如何用于结构化的协作环境中，智能体在其中共享工作区并为共同目标做出贡献。

LangGraph 实现

MCPAgent 也已为 LangGraph 实现，在 LangGraph 框架内提供相同的模型上下文协议功能：

from mcp_langgraph import MCPNode, MCPReactAgent, create_mcp_langgraph
from langchain_openai import ChatOpenAI

# 创建一个 LLM
llm = ChatOpenAI(model="gpt-4o")

# 创建一个具有 MCP 功能的 LangGraph
graph = create_mcp_langgraph(
    llm,
    name="SimpleMCPGraph",
    system_message="你是一个有用的助手，使用上下文来回答问题。"
)

# 访问图的 MCP 智能体
mcp_agent = graph.mcp_agent

# 将上下文添加到 MCP 智能体
mcp_agent.update_context("user_info", {
    "name": "Alice",
    "occupation": "Data Scientist"
})

# 使用用户查询运行图
from langchain_core.messages import HumanMessage

question = "在我的领域，接下来我应该学习什么？"
initial_state = {"messages": [HumanMessage(content=question)]}
result = graph.invoke(initial_state)

LangGraph 示例

该项目包括几个示例，演示了如何将 MCP 协议与 LangGraph 一起使用：

基本 LangGraph 示例 运行 python langgraph_example.py 以查看 MCPNode 与 LangGraph 的逐步演示。
LangGraph 智能体网络 运行 python langgraph_agent_network.py 以启动使用 LangGraph 构建的交互式智能体网络。
LangGraph 协作项目 运行 python langgraph_collaborative_task.py 以启动与 LangGraph 智能体的协作项目模拟。