🚀 LW MCP 代理
LW MCP Agents是一个轻量级的模块化框架，用于使用**模型上下文协议 (MCP)**构建和编排 AI 代理。它使您能够快速设计多代理系统，其中每个代理都可以进行专门化、协作、委托和推理，而无需编写复杂的编排逻辑。
仅使用配置文件构建可扩展、可组合的 AI 系统。
🔍 为什么要使用 LW MCP 代理？
- ✅即插即用代理：使用简单的 JSON 配置启动零样板的智能代理。
- ✅多代理编排：将代理链接在一起以解决复杂的任务 - 无需额外的代码。
- ✅共享和重用：轻松跨环境分发和运行代理配置。
- ✅ MCP-Native ：与任何 MCP 兼容平台无缝集成，包括 Claude Desktop。
🧠 您可以构建什么？
- 总结文档或搜索网络的研究代理
- 将任务委托给特定领域代理的协调器
- 递归扩展推理并动态聚合能力的系统
🏗️ 架构概览
📚 目录
🚀 入门
🔧 安装
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
▶️ 运行你的第一个代理
python src/agent/agent_runner.py --config examples/base_agent/base_agent_config.json
🤖 尝试多代理设置
终端 1（研究代理服务器）：
python src/agent/agent_runner.py --config examples/orchestrator_researcher/research_agent_config.json --server-mode
终端 2（Orchestrator 代理）：
python src/agent/agent_runner.py --config examples/orchestrator_researcher/master_orchestrator_config.json
您的协调器现在可以智能地将研究任务委托给研究代理。
🖥️ Claude 桌面集成
配置代理在Claude Desktop内运行：
1. 找到您的 Claude 配置文件：
- macOS：
~/Library/Application Support/Claude/claude_desktop_config.json - Windows：
%APPDATA%\Claude\claude_desktop_config.json - Linux：
~/.config/Claude/claude_desktop_config.json
2. 在mcpServers下添加您的代理：
{
"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"
}
}
}
}
📦示例代理
- 基础代理
通过 MCP 连接到工具的最小代理。
📁 examples/base_agent/ - 策划者+研究员
展示分层委托和能力共享。
📁 examples/orchestrator_researcher/
💡**贡献你自己的示例！**提交 PR 或联系维护人员。
⚙️ 运行代理
🔹基本命令
python src/agent/agent_runner.py --config <your_config.json>
🔸 高级选项
| 选项 | 描述 |
|---|
--server-mode | 将代理公开为 MCP 服务器 |
--server-name | 分配自定义 MCP 服务器名称 |
🛠️ 自定义代理创建
🧱 最小配置
{
"agent_name": "my-agent",
"llm_provider": "groq",
"llm_api_key": "YOUR_API_KEY",
"server_mode": false
}
🧠 添加功能
定义代理可以推理的专门函数：
"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}"
}
]
🔄 Orchestrator 代理
{
"agent_name": "master-orchestrator",
"servers": {
"research-agent": {
"command": "python",
"args": ["src/agent/agent_runner.py", "--config=research_agent_config.json", "--server-mode"]
}
}
}
🧬 工作原理
🧩 能力作为推理单元
每个功能：
- 使用提供的参数填写提示
- 使用 LLM 执行内部推理
- 使用工具或外部代理
- 返回结果
📖 研究示例
[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
🧱 技术架构
🧠 关键组件
| 成分 | 角色 |
|---|
AgentServer | 启动、配置并运行代理 |
MCPServerWrapper | 包裹代理以将其暴露在 MCP 上 |
CapabilityRegistry | 从配置中加载推理任务 |
ToolRegistry | 发现其他代理的工具 |
🌐 架构亮点
- 分层设计：用递归推理组成代理系统
- 委派功能：代理智能地委派给同行
- 工具共享：一个代理中可用的工具可供其他代理使用
- 无代码组合：通过配置创建整个系统
🙌 致谢
该项目从 LastMile AI 在mcp-agents上的出色工作中汲取了灵感。