🧠 MCP: многоагентная точка управления

В этом проекте реализован многоагентный сервер, который направляет вопросы пользователей в модель LLM или специализированным агентам (например, дата, местоположение, погода или технический эксперт). Включает простой веб-интерфейс, созданный с помощью Streamlit для удобства использования.

🚀 Особенности

🌐 Бэкэнд с FastAPI
🧠 Специализированные агенты (дата, место, погода, эксперт LLM)
🧩 Расширяемая и модульная система агентов с наследованием
⚙️ Общее наследование AgenteBase для единообразной обработки ошибок и ответов
🤖 Умная логика для сотрудничества агентов друг с другом
🖥️ Визуальный интерфейс с Streamlit (GUI)
🐳 Docker-контейнеры для простого развертывания
🔌 Клиент-серверное взаимодействие, готовое для локальной или удаленной сети

Related MCP server: Brightsy MCP Server

📁 Структура проекта

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

⚙️ Требования

🧪 Быстрая установка

1. Клонировать репозиторий

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

2. Создайте файл конфигурации для Streamlit

Внутри каталога gui создайте файл:

gui/.streamlit/secrets.toml

Со следующим содержанием:

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

3. Запуск с помощью Docker Compose

docker-compose up --build

Это позволит построить и поднять два контейнера:

Бэкэнд на http://localhost:8000
Графический интерфейс по адресу http://localhost:8501

🌍 Доступ с другого компьютера (опционально)

Убедитесь, что вы правильно открыли порты ( 8000 , 8501 ).
Используйте IP-адрес серверной машины вместо localhost в secrets.toml .
Вы также можете настроить собственные сети Docker для кросс-хостового доступа.

📦 Для производства

Вы можете запустить только бэкэнд, если хотите интегрировать его с другим интерфейсом:

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

✨ Пример использования

В веб-интерфейсе вы можете вводить такие вопросы, как:

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

Приложение решит, отвечать ли на вопрос напрямую или делегировать это агенту.

🛠️ Доступны агенты

Агент	Функция
ДАТА	Возвращает текущую дату и время
РАСПОЛОЖЕНИЕ	Определяет город и страну по IP
КЛИМАТ	Возвращает погоду в текущем местоположении

🔄 Взаимодействие между агентами

Агент погоды теперь напрямую использует агент местоположения для определения географических координат ( lat , lon ) и города перед запросом погоды, что позволяет получать ответы, соответствующие фактическому местоположению пользователя. Это улучшает модульность и взаимодействие между агентами.

🧩 Как создать нового агента

Создайте класс, наследующий от AgenteBase:

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}

Определяет шаблоны для обнаружения релевантных вопросов.
Реализует функцию agente() , которая возвращает словарь с ключевыми данными об успехе и ошибке.
Агент автоматически использует указанный LLM для генерации естественных ответов на основе ваших данных.

⚠️ Важные технические примечания

Все агенты наследуют от AgenteBase, который управляет:
- Стандартные ошибки
- Преобразование данных в естественный ответ с помощью LLM
Метод agent() должен возвращать структурированный словарь.
Каждый агент указывает, какую модель LLM использовать ( llm_simple или llm_experto ).

📄 Лицензия

Данный проект лицензирован по лицензии MIT.

🙋‍♂️ Автор

Разработано Алехандро Гомесом Сьеррой.

MCP: Multi-Agent Control Point