🚀 LW MCP 에이전트
LW MCP Agents는 모델 컨텍스트 프로토콜(MCP)을 사용하여 AI 에이전트를 구축하고 오케스트레이션하기 위한 가볍고 모듈화된 프레임워크입니다. 복잡한 오케스트레이션 로직을 작성하지 않고도 각 에이전트가 전문화, 협업, 위임 및 추론을 수행할 수 있는 다중 에이전트 시스템을 신속하게 설계할 수 있도록 지원합니다.
구성 파일만을 사용해 확장 가능하고 구성 가능한 AI 시스템을 구축합니다.
🔍 LW MCP 에이전트를 사용해야 하는 이유는 무엇입니까?
- ✅ 플러그 앤 플레이 에이전트 : 간단한 JSON 구성을 사용하여 보일러플레이트 없이 지능형 에이전트를 시작합니다.
- ✅ 다중 에이전트 오케스트레이션 : 복잡한 작업을 해결하기 위해 에이전트를 연결합니다. 추가 코드가 필요하지 않습니다.
- ✅ 공유 및 재사용 : 에이전트 구성을 여러 환경에서 손쉽게 배포하고 실행합니다.
- ✅ MCP-Native : Claude Desktop을 포함한 모든 MCP 호환 플랫폼과 원활하게 통합됩니다.
🧠 무엇을 만들 수 있나요?
- 문서를 요약하거나 웹을 검색하는 조사 에이전트
- 도메인별 에이전트에 작업을 위임하는 오케스트레이터
- 추론을 재귀적으로 확장하고 동적으로 기능을 집계하는 시스템
🏗️ 한눈에 보는 건축
📚 목차
🚀 시작하기
🔧 설치
지엑스피1
▶️ 첫 번째 에이전트 실행
python src/agent/agent_runner.py --config examples/base_agent/base_agent_config.json
🤖 다중 에이전트 설정을 시도해 보세요
터미널 1(연구 에이전트 서버):
python src/agent/agent_runner.py --config examples/orchestrator_researcher/research_agent_config.json --server-mode
터미널 2(오케스트레이터 에이전트):
python src/agent/agent_runner.py --config examples/orchestrator_researcher/master_orchestrator_config.json
이제 오케스트레이터는 연구 작업을 연구 에이전트에게 지능적으로 위임합니다.
🖥️ Claude 데스크톱 통합
Claude Desktop 내부에서 실행되도록 에이전트를 구성합니다.
1. Claude 구성 파일을 찾으세요.
- macOS:
~/Library/Application Support/Claude/claude_desktop_config.json - Windows:
%APPDATA%\Claude\claude_desktop_config.json - 리눅스:
~/.config/Claude/claude_desktop_config.json
2. mcpServers 에 에이전트를 추가합니다.
{
"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"
}
}
}
}
📦 예시 에이전트
- 베이스 에이전트
MCP를 통해 도구에 연결되는 최소 에이전트.
📁 examples/base_agent/ - 오케스트레이터 + 연구자
계층적 위임과 역량 공유를 보여줍니다.
📁 examples/orchestrator_researcher/
💡 직접 예시를 공유해 보세요! PR을 제출하거나 관리자에게 문의하세요.
⚙️ 러닝 에이전트
🔹 기본 명령
python src/agent/agent_runner.py --config <your_config.json>
🔸 고급 옵션
| 옵션 | 설명 |
|---|
--server-mode | 에이전트를 MCP 서버로 노출합니다. |
--server-name | 사용자 정의 MCP 서버 이름을 할당합니다. |
🛠️ 맞춤형 에이전트 생성
🧱 최소 구성
{
"agent_name": "my-agent",
"llm_provider": "groq",
"llm_api_key": "YOUR_API_KEY",
"server_mode": false
}
🧠 기능 추가
에이전트가 추론할 수 있는 특수 기능을 정의합니다.
"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}"
}
]
🔄 오케스트레이터 에이전트
{
"agent_name": "master-orchestrator",
"servers": {
"research-agent": {
"command": "python",
"args": ["src/agent/agent_runner.py", "--config=research_agent_config.json", "--server-mode"]
}
}
}
🧬 작동 원리
🧩 추론 단위로서의 역량
각 기능:
- 제공된 인수를 사용하여 프롬프트를 채웁니다.
- LLM을 사용하여 내부 추론을 실행합니다.
- 도구나 외부 에이전트를 사용합니다
- 결과를 반환합니다
📖 연구 예시
[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
🧱 기술 아키텍처
🧠 주요 구성 요소
| 요소 | 역할 |
|---|
AgentServer | 에이전트를 시작, 구성 및 실행합니다. |
MCPServerWrapper | 에이전트를 래핑하여 MCP에 노출시킵니다. |
CapabilityRegistry | 구성에서 추론 작업을 로드합니다. |
ToolRegistry | 다른 에이전트의 도구를 발견합니다. |
🌐 건축 하이라이트
- 계층적 설계 : 재귀적 추론을 통한 에이전트 시스템 구성
- 위임된 기능 : 에이전트는 피어에게 지능적으로 위임합니다.
- 도구 공유 : 한 에이전트에서 사용 가능한 도구를 다른 에이전트도 사용할 수 있습니다.
- 코드 없는 구성 : 구성을 통해 전체 시스템 생성
🙌 감사의 말
이 프로젝트는 LastMile AI의 mcp-agents 에 대한 훌륭한 작업에서 영감을 얻었습니다.