构建AI Agent的最优学习路线总结：MCP、CrewAI和Streamlit

关注

原创最新推荐文章于 2026-11-10 16:31:25 发布 862 阅读 AI 写同款· GEO 优化 ›

构建AI Agent的最优学习路径：MCP、CrewAI和Streamlit Study Assistant 遵循复杂的多层架构： 🌐 Streamlit UI → 🔄 API Layer → 🤖 CrewAI Agents → 📡 MCP Protocol → 🛠️ MCP Servers → 🌍 External APIs 流程分解： 1.用户输入：通过 Streamlit 界面输入主题 2.流程编排：API 层管理研究工作流程 3.AI 代理激活：CrewAI 代理开始协作研究 4.工具集成：MCP 协议将代理与专用服务器连接 5.数据收集：搜索和图像阅读详情

🌟 引言：AI 驱动的研究未来已来

想象一下，您拥有一个个人研究助手，可以即时搜索网络、分析信息、生成全面的总结，甚至创建相关图像——所有这些都通过一个美观的 Web 界面完成。如果这个助手还能由尖端的 AI 代理驱动，与外部工具和 API 无缝协作，会怎样？

欢迎体验 MCP-Powered Study Assistant —— 一款结合现代 AI 技术的革命性应用：

• 🤖 CrewAI 代理，用于智能研究和写作

• 📡 Model Context Protocol (MCP)，实现无缝工具集成

• 🌐 Streamlit，提供直观的 Web 界面

• 🔍 通过 Brave Search API 实现实时网络搜索

• 🎨 通过 Segmind API 进行 AI 图像生成

这不仅仅是另一个 ChatGPT 包装器——它是一个完整的研究生态系统，展示了 AI 驱动应用的未来。在本综合指南中，我们将详细介绍每个实现细节，从 MCP 服务器创建到美观的 UI 设计。

🛠️ 技术栈：创新的构建模块

核心框架

• 🤖 CrewAI：多代理 AI 框架，用于协调智能工作流程

• 📡 MCP (Model Context Protocol)：AI 与工具集成的标准化协议

• 🌐 Streamlit：用于 AI 应用的现代 Web 框架

• 🐍 Python 3.8+：主要编程语言

外部 API 与服务

• 🦁 Brave Search API：实时网络搜索功能

• 🎭 Segmind API：最先进的 AI 图像生成

• 🧠 Groq -llama-3.3–70b-versatile：用于智能处理的大型语言模型

开发工具

• 📦 JSON：数据交换格式

• 🔧 Subprocess：模块化架构的进程管理

• 📁 File System：结果存储与检索

• 🎨 CSS：增强用户体验的自定义样式

当前系统状态：

🏗️ 架构概述：整体连接方式

我们的 Study Assistant 遵循复杂的多层架构：

🌐 Streamlit UI → 🔄 API Layer → 🤖 CrewAI Agents → 📡 MCP Protocol → 🛠️ MCP Servers → 🌍 External APIs

流程分解：

1.用户输入：通过 Streamlit 界面输入主题2.流程编排：API 层管理研究工作流程3.AI 代理激活：CrewAI 代理开始协作研究4.工具集成：MCP 协议将代理与专用服务器连接5.数据收集：搜索和图像服务器收集相关内容6.结果处理：生成并解析文件以供显示7.用户体验：美观的选项卡界面呈现所有结果

AI大模型观察站

专注于人工智能大模型的最新进展，涵盖Transformer架构、LLM训练优化、推理加速、多模态应用等核心技术领域。通过深度解析论文、开源项目和行业动态，揭示大模型技术的演进趋势，助力开发者、研究者和AI爱好者把握前沿创新。

308篇原创内容

公众号

🔧 实现深入解析：构建每个组件

1. 🤖 设置 CrewAI 代理

系统的核心在于两个专用 AI 代理：

🔍 Research Agent：网络搜索专家

researcher =Agent(    role='Research Specialist',    goal='Conduct comprehensive research on {topic}',    backstory='Expert at finding and analyzing information',    tools=[search_tool],    verbose=True)

✍️ Writer Agent：内容综合专家

writer =Agent(    role='Content Writer',    goal='Create comprehensive study materials',    backstory='Skilled at organizing complex information',    tools=[image_tool],    verbose=True)

2. 📡 构建 MCP 服务器

Search Server (servers/search_server.py)

@server.call_tool()async def search_web(arguments: dict)-> list[TextContent]:"""Brave Search API integration"""    query = arguments.get("query","")
    headers ={"X-Subscription-Token": BRAVE_API_KEY}params={"q": query,"count":10}
    response = requests.get(BRAVE_SEARCH_URL, headers=headers,params=params)    results = response.json()
return[TextContent(type="text", text=json.dumps(results))]

Image Server (servers/image_server.py)

@server.call_tool()async def generate_image(arguments: dict)-> list[TextContent]:"""Segmind API image generation"""    prompt = arguments.get("prompt","")
    data ={"prompt": prompt,"style":"photographic","samples":1}
    response = requests.post(SEGMIND_URL, json=data, headers=headers)# Save and return image path

3. 🌐 创建 Streamlit 界面

美观的 UI 与自定义样式

def apply_custom_css():    st.markdown("""<style>.main-header {        background: linear-gradient(90deg,#667eea 0%, #764ba2 100%);        padding:2rem;        border-radius:10px;        color: white;        text-align: center;        margin-bottom:2rem;}
.result-card {        background: white;        padding:1.5rem;        border-radius:10px;        box-shadow:02px4px rgba(0,0,0,0.1);        margin:1rem0;}</style>""", unsafe_allow_html=True)

多选项卡结果显示

def display_results():    tab1, tab2, tab3 = st.tabs(["🔍 Search Results","📄 Summary","🎨 Generated Images"])
with tab1:        display_search_results()with tab2:        display_summary_with_download()with tab3:        display_image_gallery()

4. 🔄 API 层实现

main_api.py 作为关键桥梁：

def run_research(topic: str)->Dict:"""Execute research workflow"""try:# Run main.py as subprocess        result = subprocess.run([sys.executable,"main.py", topic],            capture_output=True,            text=True,            timeout=300# 5-minute timeout)
return{"search_results": extract_search_results(),"summary": extract_summary_from_output(result.stdout),"images": get_generated_images(),"success":True}except subprocess.TimeoutExpired:return{"success":False,"error":"Research timeout"}

🎯 核心功能：独特之处

•🔍 智能网络搜索•实时 Brave Search API 集成•结构化结果解析和过滤•基于相关性的内容排序•🤖 多代理协作•专用研究和写作代理•自动化工作流程编排•上下文感知的信息综合•🎨 AI 图像生成•与主题相关的视觉内容创建•多种图像风格选项•自动提示优化•🌐 美观的 Web 界面•响应式设计与自定义 CSS•选项卡式结果组织•所有内容可下载•📊 系统监控•实时 MCP 服务器状态•错误处理与恢复•性能指标跟踪

💡 高级实现技巧

1.错误处理策略

def robust_mcp_call(server_path: str, max_retries:int=3):for attempt in range(max_retries):try:# MCP server communicationreturn call_mcp_server(server_path)exceptExceptionas e:if ttempt == max_retries -1:                st.error(f"🚨 Server Caiunavailable: {e}")            time.sleep(2** attempt)# Exponential backoff

1.结果提取模式

def extract_summary_from_output(output: str)-> str:    patterns =[        r"FINAL RESULT:\s*(.+?)(?=\n\n|\Z)",        r"## Final Answer:\s*(.+?)(?=\n\n|\Z)",        r"Summary:\s*(.+?)(?=\n\n|\Z)"]
for pattern in patterns:        match = re.search(pattern, output, re.DOTALL | re.IGNORECASE)if match:return clean_summary_text(match.group(1))
return"Summary extraction failed"

1.性能优化

•异步 MCP 服务器调用•并行文件处理•智能缓存策略•资源清理自动化

🚀 部署指南：让您的助手上线

1.环境设置

pip install -r requirements.txt
# 配置 API 密钥export BRAVE_API_KEY="your-brave-key"export SEGMIND_API_KEY="your-segmind-key"export OPENAI_API_KEY="your-openai-key"

1.启动序列

# 启动 MCP 服务器python servers/search_server.py &python servers/image_server.py &
# 启动 Streamlit 应用streamlit run streamlit_app.py

1.生产环境考虑

•使用 Docker 进行容器部署•高流量负载均衡•结果持久化的数据库集成•API 速率限制与监控

1.完整代码实现

📂 crewai_mcp/

├── 📄 main.py# 🤖 核心 CrewAI 应用与代理
├── 📄requirements.txt# 📦 Python 依赖
├── 📄debug_summary.py# 🔧 摘要提取调试工具
├── 📄app.py# 🌐 美观的 Web 界面
├── 📄setup_nodejs.py# ⚙️ Node.js 设置工具
├── 📄test_python_version.py# 🧪 Python 版本兼容性测试
├── 📄segmin.py# 🎨 Segmind API 工具
│ ├── 📂servers/# 📡 MCP 服务器实现
│ ├── 📄search_server.py# 🔍 Brave Search MCP 服务器 (Python)
│ ├── 📄image_server.py# 🎨 Segmind 图像 MCP 服务器 (Python)
│ │
│ ├── 📂search_results/# 📊 生成的搜索数据
│ │ └── … (研究主题)
│ │
│ └── 📂images/# 🖼️ 生成的 AI 图像
│ └── … (主题图像)
│ ├── 📂pycache/# 🐍 Python 缓存文件
└── 📂.venv/ # 🔒 虚拟环境

🏗️ 架构分解

•📱 前端层•streamlit_app.py — 具有美观 UI 的主要 Web 界面•streamlit_app_backup.py — 安全备份版本•🔄 API 与集成层•main_api.py — Streamlit 与 CrewAI 之间的桥梁•app.py — 替代界面实现•🤖 AI 核心层•main.py — CrewAI 代理 (Research + Writer)•debug_summary.py — 摘要提取工具•📡 MCP 服务器层•servers/search_server.py — 通过 Brave API 进行网络搜索•servers/image_server.py — 通过 Segmind API 进行图像生成•📊 数据存储层•servers/search_results/ — 包含搜索数据的 JSON 文件（40+ 主题）•servers/images/ — 生成的 AI 图像（30+ 视觉效果）•⚙️ 配置与工具•requirements.txt — 依赖管理•setup_nodejs.py — 环境设置•test_python_version.py — 兼容性测试

MCP 服务器 - Image_Server

from typing importAnyimport httpxfrom mcp.server.fastmcp importFastMCPimport osimport requestsimport base64import loggingfrom pathlib importPathfrom dotenv import load_dotenvload_dotenv()
# 设置日志logging.basicConfig(level=logging.INFO)logger = logging.getLogger("image_server")
# 初始化 FastMCP 服务器mcp =FastMCP("image_server")
# 获取当前目录current_dir =Path(__file__).parentoutput_dir = current_dir /"images"os.makedirs(output_dir, exist_ok=True)
# 验证 API 密钥api_key = os.getenv("SEGMIND_API_KEY")ifnot api_key:    logger.error("SEGMIND_API_KEY environment variable is not set!")raiseRuntimeError("Missing Segmind API key")
url ="https://api.segmind.com/v1/imagen-4"
@mcp.tool(name="image_creation_openai", description="Create an image using Segmind API")def image_creation_openai(query: str Latinos, image_name: str)-> str:try:        logger.info(f"Creating image for query: {query}")
# 请求负载        data ={"prompt": f"Generate an image: {query}","negative_prompt":"blurry, pixelated","aspect_ratio":"4:3"}
        headers ={'x-api-key': os.getenv("SEGMIND_API_KEY")}
# 添加超时和错误处理try:            response = requests.post(url, json=data, headers=headers, timeout=30)            response.raise_for_status()except requests.exceptions.RequestExceptionas e:            logger.error(f"API request failed: {e}")return{"success":False,"error": f"API request failed: {str(e)}"}
# 保存图像        image_path = output_dir / f"{image_name}.jpeg"with open(image_path,"wb")as f:            f.write(response.content)
        logger.info(f"Image saved to {image_path}")return{"success":True,"image_path": str(image_path)}exceptExceptionas e:        logger.exception("Image creation failed")return{"success":False,"error": str(e)}
if __name__ =="__main__":    logger.info("Starting Image Creation MCP Server")try:        mcp.run(transport="stdio")exceptExceptionas e:        logger.exception("Server crashed")# 在 Windows 中添加暂停以查看错误        input("Press Enter to exit...")raise

MCP 服务器 - Search_Server

from typing importAny,Dict,Listimport requestsfrom mcp.server.fastmcp importFastMCPimport osimport loggingimport jsonfrom pathlib importPathfrom dotenv import load_dotenv
load_dotenv()
# 设置日志logging.basicConfig(level=logging.INFO)logger = logging.getLogger("search_server")
# 初始化 FastMCP 服务器mcp =FastMCP("search_server")
# 获取当前目录current_dir =Path(__file__).parentresults_dir = current_dir /"search_results"os.makedirs(results_dir, exist_ok=True)
# 验证 API 密钥api_key = os.getenv("BRAVE_API_KEY")ifnot api_key:    logger.warning("BRAVE_API_KEY environment variable is not set!")    logger.warning("Search functionality will be limited or unavailable")
# Brave Search API 端点BRAVE_SEARCH_URL ="https://api.search.brave.com/res/v1/web/search"
@mcp.tool(name="brave_search", description="Search the web using Brave Search API")def brave_search(query: str, count:int=10)->Dict[str,Any]:"""使用BraveSearch API 搜索网络
参数：        query:搜索查询字符串        count:返回的结果数量（最大20）
返回：包含搜索结果的字典"""try:        logger.info(f"Searching for: {query}")
ifnot api_key:return{"success":False,"error":"BRAVE_API_KEY not configured","results":[]}
# 将计数限制在合理范围内        count = max(1, min(count,20))
# 请求头        headers ={"Accept":"application/json","Accept-Encoding":"gzip","X-Subscription-Token": api_key}
# 请求参数params={"q": query,"count": count,"search_lang":"en","country":"US","safesearch":"moderate","freshness":"pw",# 过去一周以获取更新的结果"text_decorations":False,"spellcheck":True}
# 发起 API 请求try:            response = requests.get(                BRAVE_SEARCH_URL,                headers=headers,params=params,                timeout=30)            response.raise_for_status()except requests.exceptions.RequestExceptionas e:            logger.error(f"Search API request failed: {e}")return{"success":False,"error": f"Search API request failed: {str(e)}","results":[]}
# 解析响应try:            data = response.json()except json.JSONDecodeErroras e:            logger.error(f"Failed to parse search response: {e}")return{"success":False,"error":"Failed to parse search response","results":[]}
# 提取并格式化结果        search_results =[]        web_results = data.get("web",{}).get("results",[])
for result in web_results:            search_result ={"title": result.get("title",""),"url": result.get("url",""),"description": result.get("description",""),"published": result.get("published",""),"thumbnail": result.get("thumbnail",{}).get("src","")if result.get("thumbnail")else""}            search_results.append(search_result)
# 将结果保存到文件以供参考try:            results_file = results_dir / f"search_{query.replace(' ', '_')[:50]}.json"with open(results_file,'w', encoding='utf-8')as f:                json.dump({"query": query,"timestamp": data.get("query",{}).get("posted_at",""),"results": search_results}, f, indent=2, ensure_ascii=False)            logger.info(f"Search results saved to {results_file}")exceptExceptionas e:            logger.warning(f"Failed to save search results: {e}")
        logger.info(f"Found {len(search_results)} search results")
return{"success":True,"query": query,"total_results": len(search_results),"results": search_results}
exceptExceptionas e:        logger.exception("Search operation failed")return{"success":False,"error": str(e),"results":[]}
@mcp.tool(name="search_news", description="Search for news using Brave Search API")def search_news(query: str, count:int=5)->Dict[str,Any]:"""使用BraveSearch API 搜索新闻
参数：        query:搜索查询字符串        count:返回的新闻结果数量（最大20）
返回：包含新闻搜索结果的字典"""try:        logger.info(f"Searching news for: {query}")
ifnot api_key:return{"success":False,"error":"BRAVE_API_KEY not configured","results":[]}
# 将计数限制在合理范围内        count = max(1, min(count,20))
# 请求头        headers ={"Accept":"application/json","Accept-Encoding":"gzip","X-Subscription-Token": api_key}
# 新闻搜索的请求参数params={"q": query,"count": count,"search_lang":"en","country":"US","safesearch":"moderate","freshness":"pd",# 过去一天以获取最新新闻"text_decorations":False,"result_filter":"news"# 专注于新闻结果}
# 发起 API 请求try:            response = requests.get(                BRAVE_SEARCH_URL,                headers=headers,params=params,                timeout=30)            response.raise_for_status()except requests.exceptions.RequestExceptionas e:            logger.error(f"News search API request failed: {e}")return{"success":False,"error": f"News search API request failed: {str(e)}","results":[]}
# 解析响应try:            data = response.json()except json.JSONDecodeErroras e:            logger.error(f"Failed to parse news search response: {e}")return{"success":False,"error":"Failed to parse news search response","results":[]}
# 提取新闻结果        news_results =[]
# 检查响应中的新闻部分        news_data = data.get("news",{}).get("results",[])ifnot news_data:# 如果没有专用新闻部分，则回退到网页结果            news_data = data.get("web",{}).get("results",[])
for result in news_data:            news_result ={"title": result.get("title",""),"url": result.get("url",""),"description": result.get("description",""),"published": result.get("age", result.get("published","")),"source": result.get("profile",{}).get("name","")if result.get("profile")else"","thumbnail": result.get("thumbnail",{}).get("src","")if result.get("thumbnail")else""}            news_results.append(news_result)
        logger.info(f"Found {len(news_results)} news results")
return{"success":True,"query": query,"total_results": len(news_results),"results": news_results}
exceptExceptionas e:        logger.exception("News search operation failed")return{"success":False,"error": str(e),"results":[]}
if __name__ =="__main__":    logger.info("Starting Brave Search MCP Server")try:        mcp.run(transport="stdio")exceptExceptionas e:        logger.exception("Search server crashed")# 在 Windows 中添加暂停以查看错误        input("Press Enter to exit...")raise

代理 - main.py

from crewai importAgent,Task,Crew, LLMfrom crewai_tools importMCPServerAdapterfrom mcp importStdioServerParametersimport sysimport platformfrom pathlib importPathimport osimport warningsfrom pydantic importPydanticDeprecatedSince20from dotenv import load_dotenvimport tracebackimport subprocessfrom pydantic importBaseModel,FieldclassSummary(BaseModel):    summary: str =Field(description="研究成果的详细摘要")    image_path: str =Field(description="代理创建的图像文件路径")
# 加载环境变量load_dotenv()
def get_available_llm():"""从环境变量中获取第一个可用的 LLM"""    llm_configs =[{"name":"Groq Llama","model":"groq/llama-3.3-70b-versatile","api_key_env":"GROQ_API_KEY","temperature":0.7},{"name":"OpenAI GPT-4","model":"gpt-4o-mini","api_key_env":"OPENAI_API_KEY","temperature":0.7},{"name":"Anthropic Claude","model":"claude-3-haiku-20240307","api_key_env":"ANTHROPIC_API_KEY","temperature":0.7},{"name":"Ollama Local","model":"ollama/llama3.2","api_key_env":None,# 本地模型无需 API 密钥"temperature":0.7}]
print("🔍 检查可用的 LLM 提供者...")
for config in llm_configs:try:if config["api_key_env"]isNone:# 对于本地模型如 Ollama，尝试无需 API 密钥print(f"⚡ 尝试 {config['name']} (本地)...")                llm = LLM(                    model=config["model"],                    temperature=config["temperature"],                    max_tokens=1000,)print(f"✅ 使用 {config['name']}: {config['model']}")return llmelse:                api_key = os.getenv(config["api_key_env"])if api_key:print(f"⚡ 尝试 {config['name']}...")                    llm = LLM(                        model=config["model"],                        temperature=config["temperature"],                        api_key=api_key)print(f"✅ 使用 {config['name']}: {config['model']}")return llmelse:print(f"⚠️  {config['name']} API 密钥未在环境中找到")exceptExceptionas e:print(f"❌ {config['name']} 失败: {str(e)[:100]}...")continue
# 如果全部失败，则回退到基本配置print("⚠️  使用回退 LLM 配置...")return LLM(        model="groq/llama-3.3-70b-versatile",        temperature=0.7,        api_key=os.getenv("GROQ_API_KEY",""))
# 配置具有回退选项的 LLMllm = get_available_llm()
# 抑制警告warnings.filterWarnings("ignore", category=PydanticDeprecatedSince20)
# 获取当前目录base_dir =Path(__file__).parent.resolve()
print(f"Python 可执行文件: {sys.executable}")print(f"当前目录: {os.getcwd()}")print(f"基础目录: {base_dir}")
# 确定适用于 Windows 的正确 npx 命令npx_cmd ="npx.cmd"if platform.system()=="Windows"else"npx"
def check_npx_availability():"""检查 npx 是否可用且正常工作"""try:        result = subprocess.run([npx_cmd,"--version"],                              capture_output=True, text=True, timeout=10)if result.returncode ==0:print(f"✓ NPX 可用: {result.stdout.strip()}")returnTrueelse:print(f"✗ NPX 检查失败: {result.stderr}")returnFalseexceptExceptionas e:print(f"✗ NPX 不可用: {e}")returnFalse
def check_python_server():"""检查 Python 图像服务器是否存在"""    server_path = base_dir /"servers"/"image_server.py"if server_path.exists():print(f"✓ 找到 Python 图像服务器: {server_path}")returnTrueelse:print(f"✗ 未找到 Python 图像服务器: {server_path}")returnFalse
def check_search_server():"""检查 Python 搜索服务器是否存在"""    server_path = base_dir /"servers"/"search_server.py"if server_path.exists():print(f"✓ 找到 Python 搜索服务器: {server_path}")returnTrueelse:print(f"✗ 未找到 Python 搜索服务器: {server_path}")returnFalse
def get_working_servers():"""获取工作服务器配置列表"""    working_servers =[]
print("\n"+"="*50)print("诊断 MCP 服务器")print("="*50)
# 首先检查 Python 图像服务器（最有可能工作）    python_server_available = check_python_server()if python_server_available:        image_server_params =StdioServerParameters(            command="python",            args=[                str(base_dir /"servers"/"image_server.py"),],            env={"UV_PYTHON":"3.12",**os.environ},)        working_servers.append(("Image Server", image_server_params))print("✓ 图像服务器已配置")else:print("✗ 跳过图像服务器（未找到服务器文件）")
# 检查 Python 搜索服务器    search_server_available = check_search_server()if search_server_available:        search_server_params =StdioServerParameters(            command="python",            args=[                str(base_dir /"servers"/"search_server.py"),],            env={"UV_PYTHON":"3.12",**os.environ},)        working_servers.append(("Python Search Server", search_server_params))print("✓ Python 搜索服务器已配置")else:print("✗ 跳过 Python 搜索服务器（未找到服务器文件）")
# 仅为文件系统服务器检查 NPX 可用性    npx_available = check_npx_availability()
# 仅在 Node.js 版本足够新时添加 NPX 服务器if npx_available:        node_version_check = check_node_version()if node_version_check:# 文件系统服务器配置            filesystem_server_params =StdioServerParameters(                command=npx_cmd,                args=["-y","@modelcontextprotocol/server-filesystem",                    os.path.join(os.path.expanduser("~"),"Downloads")],)            working_servers.append(("Filesystem Server", filesystem_server_params))print("✓ 文件系统服务器已配置")else:print("⚠️  由于 Node.js 版本兼容性问题，跳过 NPX 文件系统服务器")print("💡 要启用文件系统服务器，请将 Node.js 更新到 18+ 或 20+ 版本")print("   访问: https://nodejs.org/en/download/")else:print("✗ 跳过 NPX 文件系统服务器（NPX 不可用）")
print(f"\n找到 {len(working_servers)} 个服务器配置")return working_servers
def check_node_version():"""检查 Node.js 版本是否兼容"""try:        result = subprocess.run(["node","--version"],                              capture_output=True, text=True, timeout=10)if result.returncode ==0:            version = result.stdout.strip()print(f"Node.js 版本: {version}")# 提取主版本号            major_version =int(version.lstrip('v').split('.')[0])if major_version >=18:print("✓ Node.js 版本兼容")returnTrueelse:print(f"⚠️  Node.js 版本 {version} 可能过旧（推荐 v18+）")returnFalsereturnFalseexceptExceptionas e:print(f"✗ 无法检查 Node.js 版本: {e}")returnFalse
classCustomMCPServerAdapter(MCPServerAdapter):"""具有增加超时的自定义 MCP 服务器适配器"""def __init__(self,*args,**kwargs):super().__init__(*args,**kwargs)self.timeout =90# 将超时增加到 90 秒
def test_servers_individually(server_configs):"""单独测试每个服务器以识别问题服务器"""    working_servers =[]
print("\n"+"="*50)print("单独测试服务器")print("="*50)
for name, server_params in server_configs:print(f"\n测试 {name}...")try:withCustomMCPServerAdapter([server_params])as tools:print(f"✓ {name} 连接成功！")print(f"  可用工具: {[tool.name for tool in tools]}")                working_servers.append(server_params)exceptExceptionas e:print(f"✗ {name} 失败: {str(e)[:100]}...")continue
return working_servers
def create_agent_and_tasks(tools=None):"""创建代理和任务（带或不带工具）"""    tools_list = tools or[]
# 根据可用工具调整角色和任务if tools_list:        tool_names =[getattr(tool,'name','unknown')for tool in tools_list]print(f"代理将有权访问: {tool_names}")
        role ="AI Research Creator with Tools"        goal ="使用可用的 MCP 工具深入研究主题，创建全面的图表，并保存摘要"        backstory ="擅长使用 MCP 工具收集信息、创建视觉表示并保存研究成果的 AI 研究者和创作者。"else:        role ="AI Research Creator"        goal ="使用内置知识深入研究和分析主题"        backstory ="擅长分析主题并使用可用知识提供详细见解的 AI 研究者。"
    agent =Agent(        role=role,        goal=goal,        backstory=backstory,        tools=tools_list,        llm=llm,        verbose=True,)
if tools_list:        research_task =Task(            description="使用可用的 MCP 工具深入研究主题 '{topic}'。如果有图像创建工具，创建一个深入的图表，展示主题的工作原理，包括关键组件、流程和关系。",            expected_output="全面的研究摘要，如果可能，包括成功创建的图表/图像，说明主题。",            agent=agent,)
        summary_task =Task(            description="创建研究成果的详细摘要。如果有文件系统工具，将其保存为 Downloads 文件夹中的文本文件。包括关键见解、重要细节和对创建的任何图表的引用。",            expected_output="研究成果的详细摘要，如果有文件系统访问权限，优选保存为文本文件。最终响应应采用 pydantic 模型 Summary 的格式",            agent=agent,            output_pydantic=Summary)else:        research_task =Task(            description="使用您的知识深入研究和分析主题 '{topic}'。提供有关其工作原理的详细见解，包括关键组件、流程和关系。",            expected_output="对主题的全面分析和解释，包含详细见解。",            agent=agent,)
        summary_task =Task(            description="创建分析的详细摘要，突出主题的最重要方面、关键见解和实际意义。",            expected_output="结构良好的摘要，包含主题的关键发现和见解。最终响应应采用 pydantic 模型 Summary 的格式",            agent=agent,            output_pydantic=Summary,            markdown=True,# 启用最终输出的 markdown 格式            output_file="report.md")
return agent,[research_task, summary_task]
def main():"""运行 CrewAI 应用的主函数"""# 获取可用服务器配置    server_configs = get_working_servers()
ifnot server_configs:print("\n⚠️  无可用 MCP 服务器。仅以回退模式运行。")        run_fallback_mode()return
# 单独测试服务器以找到工作中的服务器    working_server_params = test_servers_individually(server_configs)
ifnot working_server_params:print("\n⚠️  无 MCP 服务器工作。以回退模式运行。")        run_fallback_mode()return
try:print(f"\n✓ 使用 {len(working_server_params)} 个工作中的 MCP 服务器")print("初始化 MCP 服务器适配器...")
withCustomMCPServerAdapter(working_server_params)as tools:print(f"成功连接到 MCP 服务器！")print(f"可用工具: {[tool.name for tool in tools]}")
# 使用 MCP 工具创建代理和任务            agent, tasks = create_agent_and_tasks(tools)
# 创建具有错误处理的 crew            crew =Crew(                agents=[agent],                tasks=tasks,                verbose=True,                reasoning=True,)
# 获取用户输入            topic = input("\n请输入要研究的主题: ").strip()ifnot topic:                topic ="artificial intelligence"print(f"未提供主题，使用默认值: {topic}")
# 使用重试机制执行 crew            max_retries =2for attempt in range(max_retries +1):try:print(f"\n开始研究: {topic} (尝试 {attempt + 1})")                    result = crew.kickoff(inputs={"topic": topic})# print("\n" + "="*50)# print("来自代理的最终结果")# print("="*50)
                    response = result["summary"]print(response)print(f"摘要任务输出: {tasks[1].output}")return responseexceptExceptionas e:if attempt < max_retries:print(f"⚠️  尝试 {attempt + 1} 失败: {str(e)[:100]}...")print(f"🔄 重试... ({attempt + 2}/{max_retries + 1})")continueelse:print(f"❌ 所有尝试均失败。错误: {e}")raise e
exceptExceptionas e:print(f"使用 MCP 工具运行时出错: {e}")        traceback.print_exc()print("\n回退到无 MCP 工具的基本代理...")        run_fallback_mode()
def run_fallback_mode():"""在无 MCP 工具的情况下运行应用"""print("\n"+"="*50)print("以回退模式运行")print("="*50)
# 创建不带 MCP 工具但带 LLM 的回退代理    agent, tasks = create_agent_and_tasks()
    crew =Crew(        agents=[agent],        tasks=tasks,        verbose=True,        reasoning=True,)
# 获取回退模式的输入    topic = input("请输入要研究的主题（回退模式）: ").strip()ifnot topic:        topic ="artificial intelligence"print(f"未提供主题，使用默认值: {topic}")
print(f"\n开始研究: {topic}（无 MCP 工具）")    result = crew.kickoff(inputs={"topic": topic})print("\n"+"="*50)print("最终结果（回退模式）:")print("="*50)print(result["summary"])return result["summary"]
if __name__ =="__main__":print("🚀 启动 CrewAI MCP 演示")print("\n📋 设置说明:")print("   要使用更多 MCP 服务器，请将 Node.js 更新到 v18+: https://nodejs.org")print("   在 .env 文件中添加 API 密钥以支持更多 LLM 提供者")print("   支持: GROQ_API_KEY, OPENAI_API_KEY, ANTHROPIC_API_KEY, BRAVE_API_KEY")    result = main()#print(result)

使用 Streamlit 的用户界面 - app.py

import streamlit as stimport subprocessimport sysimport osfrom pathlib importPathimport globfrom PIL importImageimport re
def find_venv_python():"""从虚拟环境中找到正确的 Python 可执行文件"""    current_dir =Path(__file__).parent    possible_venv_paths =[        os.path.join(current_dir,".venv","Scripts","python.exe"),        os.path.join(current_dir,"venv","Scripts","python.exe"),        os.path.join(current_dir,".venv","bin","python"),        os.path.join(current_dir,"venv","bin","python"),]
for path in possible_venv_paths:if os.path.exists(path):return pathreturn sys.executable
def run_research(topic):"""使用给定主题运行 main.py 并返回结果"""    current_dir =Path(__file__).parent    python_executable = find_venv_python()
# 准备带 UTF-8 编码的环境    env = os.environ.copy()    env['PYTHONIOENCODING']='utf-8'    env['PYTHONLEGACYWINDOWSSTDIO']='1'
try:# 作为子进程运行 main.py        process = subprocess.Popen([python_executable,"main.py"],            cwd=current_dir,            stdin=subprocess.PIPE,            stdout=subprocess.PIPE,            stderr=subprocess.PIPE,            text=True,            encoding='utf-8',            errors='replace',            env=env)
# 将主题作为输入发送        stdout, stderr = process.communicate(input=topic +"\n", timeout=300)
if process.returncode ==0:# 从 stdout 中提取最终结果return extract_final_result(stdout),Noneelse:returnNone, f"错误（返回代码 {process.returncode}）:\n{stderr}"
except subprocess.TimeoutExpired:        process.kill()returnNone,"研究在 5 分钟后超时"exceptExceptionas e:returnNone, f"意外错误: {str(e)}"
def extract_final_result(output):"""从 main.py CrewAI 输出中提取最终结果"""    lines = output.split('\n')
# 首先，尝试找到最终结果部分    final_result_start =-1for i, line in enumerate(lines):if"FINAL RESULT:"in line or"==================================================\nFINAL RESULT:"in output:            final_result_start = ibreak
if final_result_start !=-1:# 提取 “FINAL RESULT:” 之后直到结束的内容        result_lines =[]for line in lines[final_result_start:]:# 跳过 “FINAL RESULT:” 行本身if"FINAL RESULT:"in line:# 如果同一行存在标记后的内容，则获取                content_after = line.split("FINAL RESULT:",1)if len(content_after)>1and content_after[1].strip():                    result_lines.append(content_after[1].strip())continue
# 跳过 CrewAI 格式化和空行            cleaned_line = re.sub(r'[╭│╰═─└├┤┬┴┼╔╗╚╝║╠╣╦╩╬▓▒░]','', line)            cleaned_line = cleaned_line.strip()
if cleaned_line:                result_lines.append(cleaned_line)
if result_lines:return'\n'.join(result_lines).strip()
# 第二次尝试：寻找 ## Final Answer 模式    final_answer_lines =[]    capturing =False
for line in lines:if"## Final Answer"in line or"Final Answer:"in line:            capturing =True# 如果标记后有内容，则包含if"Final Answer:"in line:                content = line.split("Final Answer:",1)if len(content)>1and content[1].strip():                    final_answer_lines.append(content[1].strip())continue
if capturing:# 跳过 CrewAI 框图字符和进度指示器            cleaned = re.sub(r'[╭│╰═─└├┤┬┴┼╔╗╚╝║╠╣╦╩╬▓▒░🚀📋🔧✅]','', line)            cleaned = cleaned.strip()
# 在某些模式下停止，表示答案结束if any(pattern in line.lower()for pattern in['crew execution completed','task completion','crew completion','└──','assigned to:','status:','used']):break
# 仅包含实质性内容if cleaned and len(cleaned)>10:                final_answer_lines.append(cleaned)
if final_answer_lines:return'\n'.join(final_answer_lines).strip()
# 第三次尝试：在 crew 完成消息前获取最后一段实质性内容    substantial_blocks =[]    current_block =[]
for line in lines:# 跳过明显的 CrewAI UI 元素if any(skip in line for skip in['╭','│','╰','🚀','📋','└──','Assigned to:','Status:']):if current_block:                substantial_blocks.append('\n'.join(current_block))                current_block =[]continue
        cleaned = line.strip()if cleaned and len(cleaned)>30:# 仅实质性行            current_block.append(cleaned)elif current_block:# 空行结束一个块            substantial_blocks.append('\n'.join(current_block))            current_block =[]
# 添加最后一个块if current_block:        substantial_blocks.append('\n'.join(current_block))
# 返回最后一个实质性块（很可能是最终答案）if substantial_blocks:return substantial_blocks[-1].strip()
return"研究成功完成。请检查控制台输出以获取详细结果。"
def get_latest_images():"""从 images 文件夹获取最新图像"""    images_dir =Path("servers/images")ifnot images_dir.exists():return[]
# 获取所有图像文件    image_extensions =['*.jpg','*.jpeg','*.png','*.gif','*.bmp']    image_files =[]
for ext in image_extensions:        image_files.extend(glob.glob(str(images_dir / ext)))
ifnot image_files:return[]
# 按修改时间排序（最新优先）    image_files.sort(key=os.path.getmtime, reverse=True)
# 返回前 5 个最新图像return image_files[:1]
def main():    st.set_page_config(        page_title="CrewAI-MCP 研究助手",        page_icon="🔬",        layout="wide")
    st.title("🔬 CrewAI-MCP 学习助手")    st.markdown("输入一个主题以进行研究并生成带视觉图表的全面见解。")
# 主题输入    topic = st.text_input("研究主题:",        placeholder="例如，解释光合作用过程、机器学习算法等。",        help="输入您想要详细研究的任何主题")
# 研究按钮if st.button("🚀 开始研究", type="primary", disabled=not topic.strip()):if topic.strip():with st.spinner(f"🔍 正在研究 '{topic}'... 这可能需要几分钟。"):                result, error = run_research(topic.strip())print(f"来自 CREWAI 的结果: {result}")
if result:                st.success("✅ 研究成功完成！")print(f"来自 CREWAI 的结果: {result}")# 将结果存储在会话状态中                st.session_state['research_result']= result                st.session_state['research_topic']= topic.strip()                st.session_state['latest_images']= get_latest_images()else:                st.error(f"❌ 研究失败: {error}")
# 并排显示结果和图像if'research_result'in st.session_state:# 创建分隔线        st.divider()        st.subheader(f"研究结果: {st.session_state.get('research_topic', '未知主题')}")
# 创建两列以并排显示        col1, col2 = st.columns([2,1])# 结果占 2/3 宽度，图像占 1/3 宽度
# 左侧列 - 研究结果with col1:            st.markdown("### 📋 摘要结果")
# 以 markdown 格式显示结果            result_text = st.session_state['research_result']            pattern = re.compile(r'\x1b\[[\d;]*m')            result_text = pattern.sub('', result_text)
# 为长内容创建可滚动容器with st.container():                st.markdown(result_text)
# 为结果添加下载按钮            st.download_button(                label="📥 下载结果为文本",                data=result_text,                file_name=f"research_{st.session_state.get('research_topic', 'topic').replace(' ', '_')}.txt",                mime="text/plain")
# 右侧列 - 生成的图像with col2:            st.markdown("### 🎨 生成的图像")
            images = st.session_state.get('latest_images',[])
if images:                st.success(f"找到 {len(images)} 张图像")
# 垂直堆叠显示图像for idx, image_path in enumerate(images):try:# 打开并显示图像                        img =Image.open(image_path)
                        st.image(                            img,                            caption=f"生成: {Path(image_path).name}",                            use_container_width=True)
# 为每张图像添加下载按钮with open(image_path,"rb")as file:                            st.download_button(                                label=f"⬇️ 下载",                                data=file.read(),                                file_name=Path(image_path).name,                                mime="image/jpeg",                                key=f"download_img_{idx}")
# 如果有多张图像，添加图像间距if idx < len(images)-1:                            st.markdown("---")
exceptExceptionas e:                        st.error(f"加载图像出错: {str(e)}")else:                st.info("🖼️ 研究完成后，图像将显示在此处。")with st.expander("ℹ️ 关于图像"):                    st.markdown("""**工作原理：**-研究期间自动生成图像-保存到`servers/images/`文件夹-按创建时间排序显示在此处-每张图像都有下载按钮""")
if __name__ =="__main__":    main()