MCP-Agent 使用教程

MCP-Agent 使用教程

mcp-agent Build effective agents using Model Context Protocol and simple workflow patterns 项目地址: https://gitcode.com/gh_mirrors/mc/mcp-agent

1. 项目介绍

MCP-Agent 是一个基于 Model Context Protocol（MCP）的开源框架，它允许开发者通过简单、组合的模式构建强大的 AI 代理应用。MCP-Agent 处理了 MCP 服务器连接的生命周期管理，并实现了构建生产就绪 AI 代理的各种模式。此外，它还支持 OpenAI 的 Swarm 模式，但以模型无关的方式进行多代理编排。

2. 项目快速启动

首先，确保您的环境中已经安装了 Python。接下来，您可以通过以下两种方式之一安装 MCP-Agent：

使用 uv 管理您的 Python 项目：

uv add "mcp-agent"

或者直接使用 pip 安装：

pip install mcp-agent

安装完成后，您可以通过以下步骤运行一个示例应用：

1. 克隆仓库：

git clone https://github.com/lastmile-ai/mcp-agent.git

2. 进入示例目录：

cd examples/mcp_basic_agent

3. 复制配置文件：

cp mcp_agent.secrets.yaml.example mcp_agent.secrets.yaml

4. 更新 API 密钥，然后在配置文件中适当填写。

5. 运行主程序：

uv run main.py

这将启动一个基础的“查找器”代理，该代理能够使用 fetch 和文件系统服务器来查找文件、读取博客并编写推文。

3. 应用案例和最佳实践

以下是一些使用 MCP-Agent 构建应用案例的示例：

Claude Desktop 集成

您可以将 MCP-Agent 应用集成到 MCP 客户端如 Claude Desktop 中，创建一个包装了 MCP-Agent 应用的 MCP 服务器，并将该服务器暴露给 Claude Desktop 使用。

Streamlit 部署

您可以使用 Streamlit 部署 MCP-Agent 应用，创建交互式应用界面。

Gmail 代理

构建一个能够执行读取和写入操作（如发送电子邮件）的 Gmail 代理应用。

4. 典型生态项目

MCP-Agent 作为一种构建 AI 代理的框架，可以与多种生态项目结合使用，以下是一些典型的生态项目：

• MCP 服务器：提供文件系统、网络请求等服务的服务器。
• OpenAI Swarm：实现多代理协作的编排。
• RAG（ Retrieval Augmented Generation）：结合检索和生成的 NLP 模型。

这些生态项目可以帮助您扩展和增强 MCP-Agent 的功能和性能，构建更加复杂和强大的 AI 应用。

mcp-agent Build effective agents using Model Context Protocol and simple workflow patterns 项目地址: https://gitcode.com/gh_mirrors/mc/mcp-agent