🚀 Агенты LW MCP

LW MCP Agents — это легкая модульная структура для создания и оркестровки агентов ИИ с использованием Model Context Protocol (MCP) . Она позволяет вам быстро проектировать многоагентные системы, в которых каждый агент может специализироваться, сотрудничать, делегировать полномочия и рассуждать — без написания сложной логики оркестровки.

Создавайте масштабируемые, компонуемые системы ИИ, используя только файлы конфигурации.

🔍 Зачем использовать агенты LW MCP?

✅ Агенты Plug-and-Play : запускайте интеллектуальных агентов без шаблонного кода, используя простые конфигурации JSON.
✅ Многоагентная оркестровка : объединяйте агентов в цепочку для решения сложных задач — дополнительный код не требуется.
✅ Совместное использование и повторное использование : легко распространяйте и запускайте конфигурации агентов в разных средах.
✅ MCP-Native : легко интегрируется с любой совместимой с MCP платформой, включая Claude Desktop.

Related MCP server: SupaUI MCP Server

🧠 Что можно построить?

Исследовательские агенты, которые обобщают документы или ищут в Интернете
Оркестраторы, которые делегируют задачи агентам, специфичным для домена
Системы, которые рекурсивно масштабируют рассуждения и динамически объединяют возможности

🏗️ Архитектура вкратце

LW-MCP-агенты-диаграмма

📚 Содержание

🚀 Начало работы

🔧 Установка

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

▶️ Запустите своего первого агента

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

🤖 Попробуйте многоагентную настройку

Терминал 1 (сервер исследовательского агента):

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

Терминал 2 (агент-организатор):

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

Ваш организатор теперь разумно делегирует исследовательские задачи исследовательскому агенту.

🖥️ Интеграция с рабочим столом Клода

Настройте агенты для работы внутри Claude Desktop :

1. Найдите файл конфигурации Claude:

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

2. Добавьте своего агента в

{ "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" } } } }

📦 Примеры агентов

Базовый агент
Минимальный агент, подключающийся к инструментам через MCP.
📁 examples/base_agent/
Оркестратор + Исследователь
Демонстрирует иерархическое делегирование и распределение возможностей.
📁 examples/orchestrator_researcher/

💡 Приведите свой пример! Отправьте PR или свяжитесь с сопровождающими.

⚙️ Работающие агенты

🔹 Основная команда

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

🔸 Расширенные параметры

Вариант	Описание
`--server-mode`	Предоставляет агенту возможность использовать MCP-сервер
`--server-name`	Назначает пользовательское имя сервера MCP

🛠️ Создание индивидуального агента

🧱 Минимальная конфигурация

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

🧠 Добавление возможностей

Определите специализированные функции, над которыми может рассуждать агент:

"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}" } ]

🔄 Агент Оркестратора

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

🧬 Как это работает

🧩 Способности как единицы рассуждения

Каждая возможность:

Заполняет приглашение, используя предоставленные аргументы.
Выполняет внутренние рассуждения с использованием LLM
Использует инструменты или внешние агенты
Возвращает результат

📖 Пример исследования

[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

🧱 Техническая архитектура

🧠 Ключевые компоненты

Компонент	Роль
`AgentServer`	Запускает, настраивает и управляет агентом
`MCPServerWrapper`	Оборачивает агент, чтобы раскрыть его над MCP
`CapabilityRegistry`	Загружает задачи рассуждения из конфигурации
`ToolRegistry`	Обнаруживает инструменты других агентов

🌐 Архитектурные особенности

Иерархическое проектирование : создание систем агентов с рекурсивным рассуждением.
Делегированные полномочия : агенты разумно делегируют полномочия коллегам
Совместное использование инструментов : инструменты, доступные в одном агенте, становятся доступными для других
Композиция без кода : создание целых систем посредством конфигурации

🙌 Благодарности

Этот проект черпает вдохновение из блестящей работы над mcp-агентами от LastMile AI.

LW MCP Agents