🚀 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。

Related MCP server: SupaUI MCP Server

🧠 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

LW-MCP-代理图

📚 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。

LW MCP Agents