Agentic AI with MCP

IA agente con protocolo de contexto de modelo (MCP)

Este proyecto implementa un sistema de IA Agentic que conecta un LLM alojado en Groq (modelo qwen-qwq-32b) con diversas herramientas mediante un servidor de Protocolo de Contexto de Modelo (MCP) personalizado. El sistema mejora las capacidades del LLM al proporcionar información contextual de Wikipedia, búsquedas en internet (mediante la API de Tavily) y datos financieros (mediante la API de Yahoo Finance).

Acerca de MCP

El Protocolo de Contexto de Modelo (MCP) es un estándar abierto desarrollado por Anthropic para estandarizar la forma en que las aplicaciones proporcionan contexto a los grandes modelos lingüísticos (LLM). Facilita la integración fluida entre las aplicaciones LLM y las fuentes de datos y herramientas externas, permitiendo que los sistemas de IA interactúen dinámicamente con diversos servicios a través de una interfaz estandarizada.

Características principales de MCP:

• Estandarización: proporciona un protocolo universal para interconectar asistentes de IA con herramientas estructuradas y capas de datos.
• Arquitectura modular: sigue un patrón cliente-servidor a través de un flujo persistente, generalmente mediado por un sistema de inteligencia artificial host.
• Introspección dinámica: admite el descubrimiento dinámico de herramientas y recursos a través de métodos como herramientas/lista y recursos/lista.

Seguridad: Incorpora autenticación mediada por el host y admite protocolos de transporte seguro. Al adoptar MCP, los desarrolladores pueden crear aplicaciones de IA más interoperables, seguras y capaces de gestionar flujos de trabajo complejos.

Para agregar nuevas herramientas al servidor MCP:

• Definir la herramienta: crear una nueva función que maneje la tarea específica o la recuperación de datos.
• Registrar la herramienta: actualice el registro de herramientas del servidor para incluir la nueva función, especificando el nombre y la descripción de la herramienta.
• Manejar solicitudes: garantizar que el servidor pueda enrutar las solicitudes entrantes a la herramienta adecuada en función de la consulta. Este enfoque modular permite una fácil expansión de las capacidades del servidor, lo que permite que el modelo de lenguaje acceda a una gama más amplia de información contextual.

Características

• Servidor MCP : Centro central que proporciona acceso a varias herramientas
• Tres herramientas integradas :
  1. Búsqueda en Wikipedia: para recuperar información factual
  2. Búsqueda en Internet: con tecnología de API de Tavily para obtener resultados web completos
  3. API de Yahoo Finance: para datos bursátiles y financieros en tiempo real
• Integración de la API de Groq : procesamiento LLM ultrarrápido con el modelo qwen-qwq-32b
• Arquitectura cliente-servidor : separación clara entre la gestión de herramientas y la interacción LLM

Prerrequisitos

Antes de comenzar, asegúrese de tener lo siguiente:

• Instalar UV para la instalación de Python
• Clave API de Groq. Consulta la documentación.
• Clave API de Tavily (regístrese en Tavily AI )

Instalación

1. Clonar el repositorio:
   git clone https://github.com/dev484p/AgenticAI_MCP cd AgenticAI_MCP
2. Instalar dependencias:
   uv add "mcp[cli]"
3. Configura tus variables de entorno: Actualiza la clave API de Groq y Tavily en keys.json
4. Opcional (para ejecutar el servidor con el Inspector MCP para desarrollo):

5. Ejecute el siguiente comando para iniciar el chatbot:
   uv run client.py

Herramientas disponibles

El sistema proporciona tres herramientas a través del servidor MCP:

1. Búsqueda en Wiki:

• Acceder a la información de Wikipedia
• Ejemplo de consulta: "Cuéntame sobre la historia de la inteligencia artificial"

2. Búsqueda en Internet (Tavily):

• Obtenga resultados de búsqueda web completos
• Ejemplo de consulta: "¿Cuáles son los últimos avances en computación cuántica?"

3. Yahoo Finanzas:

• Acceda a precios de acciones y datos financieros
• Ejemplo de consulta: "¿Cuál es el precio actual de las acciones de AAPL?"

Referencia

• https://modelcontextprotocol.io/introduction
• https://github.com/langchain-ai/langchain-mcp-adapters
• https://github.com/krishnaik06/MCP-CRASH-Course