🚀 LW MCP-Agenten

LW MCP Agents ist ein leichtgewichtiges, modulares Framework zum Erstellen und Orchestrieren von KI-Agenten mithilfe des Model Context Protocol (MCP) . Es ermöglicht Ihnen die schnelle Entwicklung von Multi-Agenten-Systemen, in denen jeder Agent spezialisieren, zusammenarbeiten, delegieren und argumentieren kann – ohne komplexe Orchestrierungslogik schreiben zu müssen.

Erstellen Sie skalierbare, zusammensetzbare KI-Systeme nur mithilfe von Konfigurationsdateien.

🔍 Warum LW MCP-Agenten verwenden?

✅ Plug-and-Play-Agenten : Starten Sie intelligente Agenten ohne Boilerplate mithilfe einfacher JSON-Konfigurationen.
✅ Multi-Agent-Orchestrierung : Verketten Sie Agenten, um komplexe Aufgaben zu lösen – kein zusätzlicher Code erforderlich.
✅ Teilen und wiederverwenden : Verteilen und führen Sie Agentenkonfigurationen mühelos in verschiedenen Umgebungen aus.
✅ MCP-Nativ : Nahtlose Integration mit jeder MCP-kompatiblen Plattform, einschließlich Claude Desktop.

Related MCP server: SupaUI MCP Server

🧠 Was können Sie bauen?

Rechercheagenten, die Dokumente zusammenfassen oder das Web durchsuchen
Orchestratoren, die Aufgaben an domänenspezifische Agenten delegieren
Systeme, die das Denken rekursiv skalieren und Fähigkeiten dynamisch aggregieren

🏗️ Architektur auf einen Blick

LW-MCP-Agenten-Diagramm

📚 Inhaltsverzeichnis

🚀 Erste Schritte

🔧 Installation

git clone https://github.com/Autumn-AIs/LW-MCP-agents.git cd LW-MCP-agents python -m venv venv source venv/bin/activate # Windows: venv\Scripts\activate pip install -r requirements.txt

▶️ Führen Sie Ihren ersten Agenten aus

python src/agent/agent_runner.py --config examples/base_agent/base_agent_config.json

🤖 Probieren Sie ein Multi-Agent-Setup aus

Terminal 1 (Research Agent Server):

python src/agent/agent_runner.py --config examples/orchestrator_researcher/research_agent_config.json --server-mode

Terminal 2 (Orchestrator-Agent):

python src/agent/agent_runner.py --config examples/orchestrator_researcher/master_orchestrator_config.json

Ihr Orchestrator delegiert jetzt auf intelligente Weise Forschungsaufgaben an den Forschungsagenten.

🖥️ Claude Desktop-Integration

Konfigurieren Sie Agenten für die Ausführung in Claude Desktop :

1. Suchen Sie Ihre Claude-Konfigurationsdatei:

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
Windows: %APPDATA%\Claude\claude_desktop_config.json
Linux: ~/.config/Claude/claude_desktop_config.json

2. Fügen Sie Ihren Agenten unter

{ "mcpServers": { "research-agent": { "command": "/bin/bash", "args": ["-c", "/path/to/venv/bin/python /path/to/agent_runner.py --config=/path/to/agent_config.json --server-mode"], "env": { "PYTHONPATH": "/path/to/project", "PATH": "/path/to/venv/bin:/usr/local/bin:/usr/bin" } } } }

📦 Beispielagenten

Basisagent
Ein minimaler Agent, der über MCP eine Verbindung zu Tools herstellt.
📁 examples/base_agent/
Orchestrator + Forscher
Demonstriert hierarchische Delegation und gemeinsame Nutzung von Fähigkeiten.
📁 examples/orchestrator_researcher/

💡 Tragen Sie Ihr eigenes Beispiel bei! Senden Sie einen PR oder wenden Sie sich an die Betreuer.

⚙️ Agenten ausführen

🔹 Grundlegender Befehl

python src/agent/agent_runner.py --config <your_config.json>

🔸 Erweiterte Optionen

Option	Beschreibung
`--server-mode`	Stellt den Agenten als MCP-Server bereit
`--server-name`	Weist einen benutzerdefinierten MCP-Servernamen zu

🛠️ Benutzerdefinierte Agentenerstellung

🧱 Minimale Konfiguration

{ "agent_name": "my-agent", "llm_provider": "groq", "llm_api_key": "YOUR_API_KEY", "server_mode": false }

🧠 Funktionen hinzufügen

Definieren Sie spezielle Funktionen, über die der Agent entscheiden kann:

"capabilities": [ { "name": "summarize_document", "description": "Summarize a document in a concise way", "input_schema": { "type": "object", "properties": { "document_text": { "type": "string" }, "max_length": { "type": "integer", "default": 200 } }, "required": ["document_text"] }, "prompt_template": "Summarize the following document in {max_length} words:\n\n{document_text}" } ]

🔄 Orchestrator-Agent

{ "agent_name": "master-orchestrator", "servers": { "research-agent": { "command": "python", "args": ["src/agent/agent_runner.py", "--config=research_agent_config.json", "--server-mode"] } } }

🧬 So funktioniert es

🧩 Fähigkeiten als Denkeinheiten

Jede Funktion:

Füllt eine Eingabeaufforderung mit den bereitgestellten Argumenten aus
Führt internes Denken mithilfe von LLMs aus
Verwendet Tools oder externe Agenten
Gibt das Ergebnis zurück

📖 Forschungsbeispiel

[INFO] agent:master-orchestrator - Executing tool: research_topic [INFO] agent:research-agent - Using tool: brave_web_search [INFO] agent:research-agent - Finished capability: research_topic

🧱 Technische Architektur

🧠 Schlüsselkomponenten

Komponente	Rolle
`AgentServer`	Startet, konfiguriert und führt einen Agenten aus
`MCPServerWrapper`	Umschließt den Agenten, um ihn über MCP verfügbar zu machen
`CapabilityRegistry`	Lädt Reasoning-Aufgaben aus der Konfiguration
`ToolRegistry`	Entdeckt Tools von anderen Agenten

🌐 Architektur-Highlights

Hierarchisches Design : Erstellen Sie Agentensysteme mit rekursivem Denken
Delegierte Fähigkeiten : Agenten delegieren intelligent an Kollegen
Tool-Sharing : Auf die in einem Agenten verfügbaren Tools können andere zugreifen.
Codefreie Komposition : Erstellen Sie ganze Systeme per Konfiguration

🙌 Danksagung

Dieses Projekt ist von der brillanten Arbeit an MCP-Agenten von LastMile AI inspiriert.

LW MCP Agents