🚀 Agentes de LW MCP

LW MCP Agents es un marco ligero y modular para crear y orquestar agentes de IA mediante el Protocolo de Contexto de Modelo (MCP) . Permite diseñar rápidamente sistemas multiagente donde cada agente puede especializarse, colaborar, delegar y razonar, sin necesidad de escribir una lógica de orquestación compleja.

Cree sistemas de IA escalables y componibles utilizando únicamente archivos de configuración.

🔍¿Por qué utilizar agentes LW MCP?

• ✅ Agentes Plug-and-Play : Lanza agentes inteligentes sin necesidad de código repetitivo mediante configuraciones JSON simples.

• ✅ Orquestación de múltiples agentes : encadene agentes para resolver tareas complejas, sin necesidad de código adicional.

• ✅ Compartir y reutilizar : distribuya y ejecute configuraciones de agentes en distintos entornos sin esfuerzo.

• ✅ MCP-Native : se integra perfectamente con cualquier plataforma compatible con MCP, incluido Claude Desktop.

🧠¿Qué puedes construir?

• Agentes de investigación que resumen documentos o buscan en la web

• Orquestadores que delegan tareas a agentes específicos del dominio

• Sistemas que escalan el razonamiento recursivamente y agregan capacidades dinámicamente

🏗️ Arquitectura de un vistazo

📚 Índice de contenidos

• Empezando

• Agentes de ejemplo

• Agentes en ejecución

• Creación de un agente personalizado

• Cómo funciona

• Arquitectura técnica

• Expresiones de gratitud

🚀 Primeros pasos

🔧Instalación

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

▶️ Ejecuta tu primer agente

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

🤖 Pruebe una configuración multiagente

Terminal 1 (Servidor del agente de investigación):

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

Terminal 2 (Agente orquestador):

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

Su orquestador ahora delega de forma inteligente las tareas de investigación al agente de investigación.

🖥️ Integración de escritorio de Claude

Configurar agentes para que se ejecuten dentro de Claude Desktop :

1. Localice el archivo de configuración de Claude:

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

• Ventanas: %APPDATA%\Claude\claude_desktop_config.json

• Linux: ~/.config/Claude/claude_desktop_config.json

2. Agregue su agente en

{
  "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"
      }
    }
  }
}

📦 Agentes de ejemplo

• Agente base
  Un agente mínimo que se conecta a las herramientas a través de MCP.
  📁 examples/base_agent/

• Orquestador + Investigador
  Demuestra delegación jerárquica y compartición de capacidades.
  📁 examples/orchestrator_researcher/

¡ Aporta tu propio ejemplo! Envía una solicitud de registro o contacta con los responsables.

⚙️ Agentes en ejecución

🔹 Comando básico

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

🔸 Opciones avanzadas

🛠️ Creación de agentes personalizados

🧱 Configuración mínima

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

🧠 Añadiendo capacidades

Defina funciones especializadas sobre las que el agente puede razonar:

"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}"
  }
]

🔄 Agente orquestador

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

🧬 Cómo funciona

🧩 Capacidades como unidades de razonamiento

Cada capacidad:

1. Completa un mensaje usando los argumentos proporcionados

2. Ejecuta razonamiento interno utilizando LLM

3. Utiliza herramientas o agentes externos

4. Devuelve el resultado

Ejemplo de investigación

[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

🧱 Arquitectura Técnica

Componentes clave

🌐 Aspectos destacados de la arquitectura

• Diseño jerárquico : componer sistemas de agentes con razonamiento recursivo

• Capacidades delegadas : los agentes delegan de forma inteligente a sus pares

• Uso compartido de herramientas : las herramientas disponibles en un agente se vuelven accesibles para otros

• Composición sin código : cree sistemas completos mediante configuración

🙌 Agradecimientos

Este proyecto se inspira en el brillante trabajo de LastMile AI sobre mcp-agents .