🧠 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
📁 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.