🧠 MCP: Multi-Agent-Kontrollpunkt

Dieses Projekt implementiert einen Multiagentenserver, der Benutzerfragen an ein LLM-Modell oder an spezialisierte Agenten weiterleitet (z. B. Datum, Standort, Wetter oder einen technischen Experten). Enthält eine einfache, mit Streamlit erstellte Weboberfläche zur Benutzerfreundlichkeit.

🚀 Funktionen

🌐 Backend mit FastAPI
🧠 Spezialisierte Agenten (Datum, Ort, Wetter, LLM-Experte)
🧩 Erweiterbares und modulares Agentensystem mit Vererbung
⚙️ Gemeinsame Vererbung AgenteBase für einheitliche Fehler- und Antwortbehandlung
🤖 Intelligente Logik für die Zusammenarbeit der Agenten untereinander
🖥️ Visuelle Schnittstelle mit Streamlit (GUI)
🐳 Docker-Container für einfache Bereitstellung
🔌 Client-Server-Kommunikation bereit für lokales oder Remote-Netzwerk

Related MCP server: Brightsy MCP Server

📁 Projektstruktur

MCP/ ├── core/ │ ├── ollama_wrapper.py # Encapsula la lógica para interactuar con modelos LLM en Ollama │ ├── context_loader.py # Carga contexto adicional desde base de datos u otras fuentes │ └── router_llm.py # Router inteligente que decide qué agente usar en base a la consulta ├── agents/ # Carpeta que contiene todos los agentes disponibles del sistema ├── server/ │ ├── mcp_server.py # Punto central que gestiona los agentes registrados y el procesamiento de mensajes │ └── api.py # Define la API REST usando FastAPI para comunicación con la GUI u otros clientes ├── gui/ │ ├── app.py # Aplicación Streamlit que actúa como interfaz gráfica del sistema │ └── .streamlit/ │ └── secrets.toml # Archivo de configuración que contiene la URL del backend para la GUI ├── utils/ │ ├── db_utils.py # Funciones auxiliares para conectarse y consultar la base de datos SQLite │ ├── agente_base.py # Clase base AgenteBase, común a todos los agentes personalizados │ └── json_parser.py # Utilidad para dividir respuestas JSON en partes más manejables ├── database/ │ ├── context.db # Base de datos SQLite con información contextual para los agentes o el LLM │ ├── comprobar_db.py # Script que valida la existencia y consistencia de la base de datos │ └── create_db.py # Script para generar y poblar la base de datos desde cero ├── config.py # Archivo central de configuración del sistema (rutas, modelos, flags, etc.) ├── requirements.txt # Lista de dependencias de Python necesarias para ejecutar el proyecto ├── Dockerfile.backend # Dockerfile para construir el contenedor del backend (API + lógica de agentes) ├── Dockerfile.frontend # Dockerfile para construir el contenedor de la interfaz Streamlit └── docker-compose.yml # Archivo para levantar los servicios frontend y backend de forma conjunta

⚙️ Voraussetzungen

🧪 Schnelle Installation

1. Klonen Sie das Repository

git clone https://github.com/tu-usuario/MCP.git cd MCP

2. Konfigurationsdatei für Streamlit erstellen

Erstellen Sie im gui -Verzeichnis die Datei:

gui/.streamlit/secrets.toml

Mit folgendem Inhalt:

server_url = "http://backend:8000/process"

3. Mit Docker Compose ausführen

docker-compose up --build

Dadurch werden zwei Container gebaut und angehoben:

Backend unter http://localhost:8000
Grafische Oberfläche unter http://localhost:8501

🌍 Zugriff von einem anderen Computer (optional)

Stellen Sie sicher, dass Sie die Ports richtig freigeben ( 8000 , 8501 ).
Verwenden Sie in secrets.toml die IP des Servercomputers anstelle von localhost .
Sie können auch benutzerdefinierte Docker-Netzwerke für den hostübergreifenden Zugriff einrichten.

📦 Für die Produktion

Sie können nur das Backend ausführen, wenn Sie es in eine andere Schnittstelle integrieren möchten:

docker build -f Dockerfile.backend -t mcp_backend . docker run -p 8000:8000 mcp_backend

✨ Anwendungsbeispiel

In der Weboberfläche können Sie Fragen eingeben wie:

¿Qué día es hoy?
¿Dónde estoy?
¿Qué clima hace?
Explícame qué es Python

Die App entscheidet, ob die Frage direkt beantwortet oder an einen Agenten delegiert wird.

🛠️ Agenten verfügbar

Agent	Funktion
DATUM	Gibt das aktuelle Datum und die Uhrzeit zurück
STANDORT	Erkennt Stadt und Land anhand der IP
KLIMA	Gibt das Wetter am aktuellen Standort zurück

🔄 Interaktion zwischen Agenten

Der Wetteragent verwendet jetzt direkt den Standortagenten, um geografische Koordinaten ( lat , lon ) und die Stadt zu bestimmen, bevor er das Wetter abfragt. Dadurch sind auf den tatsächlichen Standort des Benutzers zugeschnittene Antworten möglich. Dies verbessert die Modularität und Zusammenarbeit zwischen Agenten.

🧩 So erstellen Sie einen neuen Agenten

Erstellen Sie eine Klasse, die von AgenteBase erbt:

from agentes.base import AgenteBase class AgenteEjemplo(AgenteBase): patrones = [r"expresiones.*clave", r"otra.*forma.*de.*preguntar"] def agente(self) -> dict: datos = {"respuesta": "Soy un agente de ejemplo"} return {"success": True, "data": datos}

Gibt Muster an, um relevante Fragen zu erkennen.
Implementiert agente() , das ein Dict mit dem Schlüssel „Erfolg“ und „Daten oder Fehler“ zurückgibt.
Der Agent verwendet automatisch das angegebene LLM, um basierend auf Ihren Daten natürliche Antworten zu generieren.

⚠️ Wichtige technische Hinweise

Alle Agenten erben von AgenteBase, das Folgendes verwaltet:
- Standardfehler
- Konvertieren von Daten in eine natürliche Reaktion über LLM
Die Methode agent() muss ein strukturiertes Wörterbuch zurückgeben.
Jeder Agent gibt an, welches LLM-Modell verwendet werden soll ( llm_simple oder llm_experto ).

📄 Lizenz

Dieses Projekt ist unter der MIT-Lizenz lizenziert.

🙋‍♂️ Autor

Entwickelt von Alejandro Gómez Sierra.

MCP: Multi-Agent Control Point