🚀 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
🚀 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 :
{
"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
| Opción | Descripción |
|---|
--server-mode | Expone al agente como un servidor MCP |
--server-name | Asigna un nombre de servidor MCP personalizado |
🛠️ 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:
- Completa un mensaje usando los argumentos proporcionados
- Ejecuta razonamiento interno utilizando LLM
- Utiliza herramientas o agentes externos
- 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
| Componente | Role |
|---|
AgentServer | Inicia, configura y ejecuta un agente. |
MCPServerWrapper | Envuelve al agente para exponerlo sobre MCP |
CapabilityRegistry | Carga tareas de razonamiento desde la configuración |
ToolRegistry | Descubre herramientas de otros agentes |
🌐 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 .