LW MCPエージェント

🚀 LW MCP エージェント

LW MCP Agentsは、**モデルコンテキストプロトコル（MCP）**を用いてAIエージェントを構築およびオーケストレーションするための軽量なモジュール型フレームワークです。複雑なオーケストレーションロジックを記述することなく、各エージェントが専門性を発揮し、連携、委譲、推論を実行できるマルチエージェントシステムを迅速に設計できます。

構成ファイルのみを使用して、スケーラブルで構成可能な AI システムを構築します。

🔍 LW MCP エージェントを使用する理由

✅プラグアンドプレイエージェント: シンプルな JSON 構成を使用して、定型句なしでインテリジェントエージェントを起動します。
✅マルチエージェントオーケストレーション: エージェントを連結して複雑なタスクを解決します。追加のコードは必要ありません。
✅共有と再利用: エージェント構成を環境間で簡単に配布および実行します。
✅ MCP ネイティブ: Claude Desktop を含む、あらゆる MCP 互換プラットフォームとシームレスに統合します。

🧠 何を構築できますか?

文書を要約したりウェブを検索したりするリサーチエージェント
ドメイン固有のエージェントにタスクを委任するオーケストレーター
推論を再帰的に拡張し、機能を動的に集約するシステム

🏗️ 建築の概要

🚀 はじめに

🔧 インストール

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

▶️ 最初のエージェントを実行する

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

🤖 マルチエージェント設定を試す

ターミナル1（リサーチエージェントサーバー）:

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

ターミナル2（オーケストレーターエージェント）:

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

オーケストレーターはリサーチタスクをリサーチエージェントにインテリジェントに委任できるようになりました。

🖥️ クロードデスクトップ統合

Claude Desktop内で実行するようにエージェントを構成します。

1. Claude 構成ファイルを見つけます。

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

2. mcpServersの下にエージェントを追加します。

{
  "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"
      }
    }
  }
}

📦 エージェントの例

ベースエージェント
MCP を介してツールに接続する最小限のエージェント。
📁 examples/base_agent/
オーケストレーター + 研究者
階層的な委任と機能の共有を示します。
📁 examples/orchestrator_researcher/

💡独自の例を投稿してください！ PR を送信するか、メンテナーに連絡してください。

⚙️ エージェントの実行

🔹 基本コマンド

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

🔸 詳細オプション

オプション	説明
`--server-mode`	エージェントをMCPサーバーとして公開する
`--server-name`	カスタムMCPサーバー名を割り当てます

🛠️ カスタムエージェントの作成

🧱 最小限の設定

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

🧠 機能の追加

エージェントが推論できる特殊な関数を定義します。

"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}"
  }
]

🔄 オーケストレーターエージェント

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

🧬 仕組み

🧩 推論ユニットとしての能力

それぞれの機能:

提供された引数を使用してプロンプトを入力します
LLMを使用して内部推論を実行する
ツールや外部エージェントを使用する
結果を返す

📖 研究例

[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

🧱 技術アーキテクチャ

🧠 主要コンポーネント

成分	役割
`AgentServer`	エージェントを起動、構成、実行する
`MCPServerWrapper`	エージェントをラップしてMCP上に公開します
`CapabilityRegistry`	構成から推論タスクをロードします
`ToolRegistry`	他のエージェントからツールを発見する

🌐 建築のハイライト

階層設計：再帰的推論を持つエージェントのシステムを構成する
委任された機能: エージェントはピアにインテリジェントに委任します
ツール共有: 1 つのエージェントで利用可能なツールが他のエージェントでもアクセス可能になります
コードフリー構成:構成を介してシステム全体を作成する

🙌 謝辞

このプロジェクトは、LastMile AI によるmcp-agents の素晴らしい取り組みからインスピレーションを得ています。

LW MCP Agents

Integrations