MCP 船员 AI 服务器

MCP Crew AI 服务器是一款基于 Python 的轻量级服务器，旨在运行、管理和创建 CrewAI 工作流。该项目利用模型上下文协议 (MCP)与大型语言模型 (LLM) 以及 Claude Desktop 或 Cursor IDE 等工具进行通信，让您能够轻松编排多智能体工作流。

特征

**自动配置：**从两个 YAML 文件（ agents.yml和tasks.yml ）自动加载代理和任务配置，因此您无需为基本设置编写自定义代码。
**命令行灵活性：**通过命令行参数（ --agents和--tasks ）将自定义路径传递给配置文件。
**无缝工作流程执行：**通过 MCP run_workflow工具轻松运行预配置的工作流程。
**本地开发：**以 STDIO 模式本地运行服务器，非常适合开发和测试。

安装

有几种方法可以安装 MCP Crew AI 服务器：

选项 1：从 PyPI 安装（推荐）

pip install mcp-crew-ai

选项 2：从 GitHub 安装

pip install git+https://github.com/adam-paterson/mcp-crew-ai.git

选项 3：克隆并安装

git clone https://github.com/adam-paterson/mcp-crew-ai.git
cd mcp-crew-ai
pip install -e .

要求

Python 3.11+
MCP SDK
CrewAI
PyYAML

配置

**agent.yml：**通过角色、目标和背景故事定义您的代理。
**tasks.yml：**定义带有描述、预期输出的任务，并将其分配给代理。

示例agents.yml ：

zookeeper:
  role: Zookeeper
  goal: Manage zoo operations
  backstory: >
    You are a seasoned zookeeper with a passion for wildlife conservation...

示例tasks.yml ：

write_stories:
  description: >
    Write an engaging zoo update capturing the day's highlights.
  expected_output: 5 engaging stories
  agent: zookeeper
  output_file: zoo_report.md

用法

安装后，您可以使用以下任一方法运行 MCP CrewAI 服务器：

标准 Python 命令

mcp-crew-ai --agents path/to/agents.yml --tasks path/to/tasks.yml

使用 UV 执行（uvx）

为了获得更简化的体验，您可以使用 UV 执行命令：

uvx mcp-crew-ai --agents path/to/agents.yml --tasks path/to/tasks.yml

或者直接运行服务器：

uvx mcp-crew-ai-server

这将使用环境变量中的默认配置启动服务器。

命令行选项

--agents ：代理 YAML 文件的路径（必需）
--tasks ：任务 YAML 文件的路径（必需）
--topic ：团队工作的主要主题（默认值：“人工智能”）
--process ：要使用的进程类型（选项：“顺序”或“分层”，默认值：“顺序”）
--verbose ：启用详细输出
--variables ：JSON 字符串或 JSON 文件的路径，其中包含要在 YAML 文件中替换的附加变量
--version ：显示版本信息并退出

高级用法

您还可以提供要在 YAML 模板中使用的其他变量：

mcp-crew-ai --agents examples/agents.yml --tasks examples/tasks.yml --topic "Machine Learning" --variables '{"year": 2025, "focus": "deep learning"}'

这些变量将替换 YAML 文件中的占位符。例如， {topic}将被替换为“机器学习”， {year}将被替换为“2025”。

贡献

欢迎贡献代码！请提交问题或拉取请求，以改进代码、修复错误或添加新功能。

执照

本项目遵循 MIT 许可证。详情请参阅许可证文件。

工作流程编排愉快！

MCP Crew AI Server

Integrations