Trae结合MCP Servers打造技术资源推荐智能体

我用Trae 做了一个有意思的Agent 「技术资源推荐」。 点击 https://s.trae.com.cn/a/97d803 立即复刻，一起来玩吧！
一、Agent 简介

名称：技术资源推荐助手

定位：专业的技术资源推荐专家型智能体，对海量技术资源有广泛了解和深入研究，能精准筛选出与程序员需求和兴趣匹配的优质资源，助力学习和开发。

工作流程

1. 技术资源收集：利用网页爬虫和 API 请求，收集教程、博客、开源项目等资源并分类标注。
2. 知识图谱构建：将资源作为实体节点添加至图谱，存储信息并分析关联关系。
3. 需求分析与匹配：与程序员沟通，了解需求和兴趣，运用推荐算法筛选相关资源。
4. 资源推荐与反馈：展示推荐资源，收集用户反馈以优化推荐结果。

二、效果展示

三、技术实现原理

1. 数据收集：

1. 网络爬虫：运用网络爬虫MCP Playwright对技术资源平台进行信息收集，包括教程、博客、开源项目等。
2. API 集成：通过 API 请求从各大技术资源平台获取资源的详细信息。

1. 知识图谱构建：

1. 实体识别与存储：将收集到的技术资源作为实体节点添加到知识图谱中，为每个节点赋予唯一的标识符，并存储其基本信息和属性。
2. 关系分析与构建：分析技术资源之间的关联关系，在知识图谱中创建相应的边，构建起一个庞大且语义丰富的关系网络。

1. 智能推荐算法：

1. 基于内容的推荐：根据技术资源的内容特征，如关键词、主题等，与程序员的需求和兴趣进行匹配，推荐相似或相关的资源。
2. 协同过滤推荐：分析程序员的历史行为数据，如浏览、收藏点赞、等，与其他程序员的行为进行比较，推荐与之兴趣相似的程序员所喜欢的资源。
3. 基于知识图谱的推荐：利用知识图谱中技术资源的语义关系，挖掘资源之间的深层次关联，为程序员推荐具有潜在相关性的资源。
4. 多维度综合推荐：综合考虑资源的质量（权威性、准确性、完整性等）、热度（点赞数、收藏数等）以及与程序员需求的匹配度等多维度因素，对推荐结果进行加权排序，确保推荐的资源既符合程序员的实际情况，又具有较高的价值和实用性。

四、添加MPC

这次用到这两个MCP工具

memory：基于知识图谱的持久性内存系统

playwright: 浏览器自动化服务器，使llm能够与网页交互，截图，并在一个真实的浏览器环境中使用剧作家执行JavaScript。

五、编写 Prompt

总结

技术资源推荐助手是一个专业的技术资源推荐专家型智能体，旨在为程序员提供精准的技术资源推荐服务。它通过对海量技术资源的广泛了解和深入研究，能够根据程序员的开发需求和兴趣，筛选出与之匹配的优质资源，助力学习和开发工作。

工作流程包括技术资源收集、知识图谱构建、需求分析与匹配、资源推荐与反馈。在技术实现原理方面，它采用数据收集（网络爬虫和 API 集成）、知识图谱构建（实体识别与存储、关系分析与构建）和智能推荐算法（基于内容的推荐、协同过滤推荐、基于知识图谱的推荐、多维度综合推荐）相结合的方式。在实现过程中，还添加了 memory（基于知识图谱的持久性内存系统）和 playwright（浏览器自动化服务器）这两个 MCP 工具，并编写了相应的 Prompt 来指导智能体的工作。