Agent MCP

Agent MCP

Ein Framework zum Erstellen von Multi-Agenten-Systemen mithilfe des MCP (Model Context Protocol) für eine koordinierte, effiziente KI-Zusammenarbeit.

Kurzanleitung

Hinweis: Ich empfehle die Verwendung von https://github.com/rinadelph/MultipleCursor , um verschiedene Cursorfenster auf derselben Codebasis zu starten, wie im Screenshot oben.

1. Setup-Umgebung :
   • Repo klonen und .env.example nach .env kopieren
   • Fügen Sie Ihren OpenAI-API-Schlüssel zu .env hinzu
   • Installieren Sie mit uv venv && uv pip install -e .
2. Starten Sie den MCP-Server :
   uv run -m mcp_template.main --port 8080 --project-dir /path/to/your/project
   Wichtig : Das Administratortoken wird in der SQLite-Datenbank .agent/mcp_state.db im Projektkontext gespeichert. Installieren Sie eine SQLite-Viewer-Erweiterung, um darauf zuzugreifen.
3. Hauptkontextdokument (MCD) erstellen :
   • Erstellen Sie detaillierte MCD.md mit Systemarchitektur, API-Routen, Datenmodellen usw.
4. Admin-Agent starten :
   • In einem Fenster/einer Sitzung starten
   • Geben Sie ihm das Administratortoken
5. Worker-Agenten initialisieren :
   • Für jeden Mitarbeiter ein neues Fenster/eine neue Sitzung öffnen
   • Kopieren Sie die Worker-Eingabeaufforderung mit dem Auto-Modus aus Abschnitt 4 unten
   • Durch die richtige Agenten-ID und das richtige Administrator-Token ersetzen

Befolgen Sie die nachstehenden ausführlichen Anweisungen, um weitere Informationen zu erhalten.

Merkmale

• Rahmen für die Zusammenarbeit mehrerer Agenten
• Aufgabenmanagement und Koordination
• Kontext- und Wissensaustausch zwischen Agenten
• Graphische Visualisierung von Agenteninteraktionen
• Unterstützung für Einbettungs- und RAG-Funktionen
• Interaktives Dashboard zur Visualisierung von Aufgaben, Agenten und Kontext.

Projektplanung mit dem Main Context Document (MCD)

Bevor Sie mit der Entwicklung beginnen, ist es wichtig, gründlich zu recherchieren und ein Main Context Document (MCD) zu erstellen – die zentrale Informationsquelle für Ihre Anwendung. Dieses Dokument enthält einen detaillierten Plan mit folgenden Details:

• Systemarchitektur und Komponentenbeziehungen
• UI/UX-Design für alle Bildschirme und Komponenten
• API-Routen und Endpunkte
• Datenstrukturen und Modelle
• Umsetzungseinheiten und Aufgaben
• Abhängigkeiten und Technologie-Stack

Der MCD ist aus folgenden Gründen von entscheidender Bedeutung:

1. Es ermöglicht den Agenten, das Gesamtsystem zu verstehen, bevor sie an einzelnen Komponenten arbeiten.
2. Es ermöglicht lineares, koordiniertes Bauen (wie der Bau eines Hauses nach Bauplänen)
3. Es reduziert die Token-Nutzung durch Bereitstellung eines strukturierten, relevanten Kontexts
4. Es verhindert widersprüchliche Implementierungen zwischen Agenten

Überprüfen Sie die Datei MCD.md in diesem Repository, um die Struktur und den erforderlichen Detaillierungsgrad zu verstehen. Die MCD sollte Folgendes enthalten:

• Überblick und Ziele
• Kontext- und Architekturdiagramme
• Funktionale Anforderungen
• Design-Spezifikationen (UI/UX, API, Datenmodelle)
• Implementierungsdetails
• Aufgabenaufschlüsselung für Agenten

Mit einem umfassenden MCD können Agenten Ihre Anwendung Stück für Stück implementieren und haben dabei ein klares Verständnis davon, wie jedes Teil in das Ganze passt.

Installation

Voraussetzungen

• Python 3.8+
• uv (empfohlen für eine schnellere Paketinstallation)

Aufstellen

1. Klonen Sie das Repository:
   git clone https://github.com/your-username/agent-mcp.git cd agent-mcp
2. Richten Sie Umgebungsvariablen ein, indem Sie die Beispieldatei kopieren:
   cp .env.example .env
3. Bearbeiten Sie die .env Datei und fügen Sie Ihren OpenAI-API-Schlüssel hinzu:
   OPENAI_API_KEY=your_openai_api_key_here
4. Mit UV installieren:
   uv venv uv pip install -e .
   Oder mit pip:
   pip install -e .

Multi-Agent-Workflow

Workflow-Übersicht

1. Beginnen Sie mit gründlicher Recherche : Nutzen Sie vor dem Codieren KI, um ein umfassendes Main Context Document (MCD) zu erstellen.
2. Starten Sie die Infrastruktur : Starten Sie den MCP-Server und suchen Sie Ihr Administratortoken in der Datenbank
3. Admin-Agent-Setup : Initialisieren Sie Ihren Admin-Agenten mit dem Token und INSTRUCTIONS.md
4. Mitarbeitererstellung : Der Administrator erstellt spezialisierte Mitarbeiter für verschiedene Aspekte Ihres Projekts
5. Aufgabenzuweisung : Der Administrator unterteilt den MCD in einzelne Aufgaben und weist sie den Mitarbeitern zu
6. Parallele Entwicklung : Mitarbeiter führen Aufgaben aus und teilen dabei den Kontext über das MCP
7. Kontexterhaltung : Alle Agenten speichern ihr Wissen in der zentralen Datenbank

Entwicklungsschleife

Architekturübersicht

Das MCP-System verwendet eine hierarchische Struktur mit:

• Admin-Agent : Koordiniert andere Agenten, weist Aufgaben zu und behält die Gesamtleitung des Projekts bei
• Worker Agents : Spezialisierte Agenten, die bestimmte Aufgaben ausführen (Frontend, Backend, Datenmodellierung usw.)

Einrichtung und Betrieb des Agenten

1. Starten des MCP-Servers

Optionen:

• --port : Port, auf dem der Server ausgeführt wird (Standard: 8080)
• --project-dir : Basisverzeichnis für das Projekt

2. Zugriff auf das Admin-Token

Das Administratortoken bietet privilegierten Zugriff auf den MCP-Server und ist für alle Agentenvorgänge erforderlich.

So finden Sie das Admin-Token :

1. Nach dem Start des Servers wird automatisch ein Token generiert
2. Dieses Token wird in der SQLite-Datenbank .agent/mcp_state.db gespeichert
3. Installieren Sie eine SQLite-Viewer-Erweiterung für VS Code oder ein anderes SQLite-Tool
4. Öffnen Sie die Datenbank und überprüfen Sie die Tabelle project_context
5. Suchen Sie nach dem Admin-Token-Eintrag

Agenten-Token : Agentenspezifische Token werden ebenfalls im Ordner .agent gespeichert. Diese Token erteilen jedem Agenten seine spezifischen Berechtigungen und seine Identität innerhalb des MCP-Systems.

3. Startagenten

1. Starten Sie zuerst den MCP-Server :
   uv run -m mcp_template.main --port 8080 --project-dir /path/to/your/project
   Der Server generiert beim Start ein Administratortoken. Speichern Sie dieses Token, da Sie es für die Agentauthentifizierung benötigen.
2. Admin-Agent : Starten Sie einen einzelnen Admin-Agenten mit:
   uv run -m mcp_template.mcp_client_runner --admin
   Wenn beim Importieren Fehler wie ModuleNotFoundError: No module named 'mcp_client' auftreten, stellen Sie sicher, dass Sie vom Stammverzeichnis des Projekts aus arbeiten und Ihr Python-Paket ordnungsgemäß installiert ist.
3. Worker-Agenten : Anstatt Worker-Agenten direkt zu starten, weisen Sie Ihren Admin-Agenten an, diese zu erstellen und zu verwalten. Dies geschieht, indem Sie dem Admin-Agenten Folgendes mitteilen:
   "Create a new agent with ID 'frontend-worker' and assign it to implement the login page based on the MCD."
   Der Admin-Agent kümmert sich um die Erstellung und Zuweisung von Aufgaben an Worker-Agenten.

4. Verwenden des AUTO-Modus mit Worker-Agenten

Die empfohlene Methode zum Initialisieren von Worker-Agenten ist Ihr Admin-Agent. Verwenden Sie beim Erstellen eines Agenten genau diese Eingabeaufforderung zur Worker-Initialisierung (kopieren Sie diese und fügen Sie sie in Ihren Worker-Agenten ein):

Ersetzen Sie [agent_id] durch die tatsächliche Worker-ID (z. B. „frontend-worker“) und your_admin_token_here durch das Token, das beim Starten des MCP-Servers generiert wurde.

Dies befiehlt dem Agenten:

• Autonomer Betrieb ohne Benutzereingriff
• Befolgen Sie das Mitarbeiterprotokoll mit der Aufgabenstatusverfolgung
• Nutzen Sie das Gedächtnis, um den Kontext über Interaktionen hinweg beizubehalten
• Fragen Sie das RAG-System proaktiv ab, um den Aufgabenkontext zu verstehen

Um optimale Ergebnisse zu erzielen, fügen Sie beim Initialisieren Ihrer Agenten die Anweisungen aus INSTRUCTIONS.md an, indem Sie sie vor dem AUTO-Befehl kopieren und einfügen.

Armaturenbrett

Greifen Sie auf das Dashboard unter http://localhost:8080 zu, um:

• Überwachen Sie die Agentenaktivitäten in Echtzeit
• Anzeigen des Aufgabenstatus und der Abhängigkeiten
• Beobachten Sie die Beziehungen und Koordination der Agenten
• Verfolgen Sie Dateivorgänge und Kontextfreigabe

Alternative Entwicklung: Mehrere Agentensitzungen

Für komplexe Projekte wird folgende Vorgehensweise empfohlen:

1. Verwenden Sie eine Konversation für Ihren Admin-Agenten
2. Starten Sie separate Gespräche/Sitzungen für jeden Worker-Agenten
3. Geben Sie für alle Agenten dasselbe Administrator-Token frei
4. Verwenden Sie Claude Code, RooCode oder Cursor mit mehreren Fenstern/Sitzungen

Dieser Ansatz gibt jedem Agenten seinen eigenen Gesprächskontext, während sie über das gemeinsame MCP-System zusammenarbeiten.

Beispiel-Workflow:

1. Starten Sie den MCP-Server und notieren Sie sich das Administratortoken
2. Erstellen Sie einen Admin-Agenten in einem Fenster
3. Öffnen Sie für jeden Worker-Agenten ein neues Fenster und initialisieren Sie ihn mit der obigen Worker-Eingabeaufforderung.
4. Geben Sie jedem Mitarbeiter eine eigene Agenten-ID, aber dasselbe Administrator-Token

Token-System und Ressourcenverwaltung

Token verstehen

Token erfüllen im MCP-System mehrere Zwecke:

1. Authentifizierungstoken : Wird zur Agentenidentifizierung und für den Administratorzugriff verwendet
2. RAG-Token : Wird zum Einbetten und Abrufen von Kontext aus der Wissensdatenbank verwendet
3. OpenAI-Token : Werden während Agentenvorgängen verbraucht (Modellnutzung)

Token-Verwaltung

So überwachen und verwalten Sie die Token-Nutzung:

1. Installieren Sie das SQLite Viewer-Plugin oder verwenden Sie die Befehlszeile:
   sqlite3 /path/to/project/.agent/mcp_state.db
2. Verwendung des Abfragetokens:
   SELECT * FROM token_usage;
3. Überwachen Sie im Dashboard unter der Registerkarte „Ressourcen“

Ressourcenoptimierung

Für große Projekte:

1. Verwenden Sie spezialisierte Agenten mit gezielten Funktionen, um die Kontextgröße zu reduzieren
2. Teilen Sie Aufgaben in kleinere Einheiten mit klaren Abhängigkeiten auf
3. Nutzen Sie das RAG-System für eine effiziente Kontextsuche
4. Gemeinsam genutzte Informationen im Projektkontext speichern, statt sie in Nachrichten zu wiederholen

Projekt RAG und Wissensdatenbank

Einrichten des Projekt-RAG

Das Retrieval-Augmented Generation (RAG)-System ermöglicht Agenten den effizienten Zugriff auf relevantes Projektwissen:

1. Projektdateien indizieren:
   python -m mcp_template.rag_indexer --project-dir /path/to/project
2. Fügen Sie der Wissensdatenbank Dokumentation hinzu:
   python -m mcp_template.rag_indexer --add-doc /path/to/document.md

Verwenden von RAG in Agent-Workflows

Agenten können die Wissensdatenbank folgendermaßen abfragen:

Dadurch wird relevanter Kontext zurückgegeben, ohne dass ganze Dateien geladen werden müssen. Dadurch werden Token gespeichert und die Antwortqualität verbessert.

Strategie zur Aufgabenzuweisung für Agenten

Befolgen Sie für eine optimale Leistung diese Richtlinien:

1. Aufgabengranularität : Zerlegen Sie große Aufgaben in atomare Einheiten mit klaren Ein- und Ausgaben
2. Abhängigkeitsverfolgung : Aufgabenabhängigkeiten explizit in der Zuweisung definieren
3. Fähigkeitsabgleich : Weisen Sie Aufgaben Agenten mit relevanten Fähigkeiten zu
4. Fortschrittsüberwachung : Verwenden Sie explizite Statusaktualisierungen, um den Aufgabenfortschritt zu verfolgen
5. Kontextfreigabe : Stellen Sie zum Zeitpunkt der Zuweisung den erforderlichen Kontext bereit, um spätere Nachschlagevorgänge zu reduzieren

Beispiel für eine Aufgabenzuweisung vom Administrator zum Mitarbeiter:

Beim Erstellen eines neuen Worker-Agenten:

1. Sagen Sie Ihrem Admin-Agenten: „Erstellen Sie einen neuen Agenten mit der ID ‚Frontend-Worker‘ und weisen Sie ihn zu, die Anmeldeseite basierend auf dem MCD zu implementieren.“
2. Öffnen Sie ein neues Fenster/eine neue Sitzung und initialisieren Sie den Worker-Agenten mit der zuvor beschriebenen AUTO-Eingabeaufforderung
3. Stellen Sie sicher, dass Sie das Administrator-Token einschließen, damit der Mitarbeiter auf die ihm zugewiesenen Aufgaben zugreifen kann

Komponenten

• main.py : MCP-Serverimplementierung
• mcp_client.py : Client-Bibliothek zum Verbinden von Agenten mit MCP
• dashboard_api.py : API-Endpunkte für die Visualisierung
• rag_agent_test.py : Beispiel eines RAG-fähigen Agenten
• INSTRUCTIONS.md : Betriebsrichtlinien für Agenten

Umgebungsvariablen

• OPENAI_API_KEY : Ihr OpenAI-API-Schlüssel
• MCP_SERVER_URL : URL des MCP-Servers
• MCP_ADMIN_TOKEN : (Optional) Admin-Token für den direkten Zugriff
• MCP_PROJECT_DIR : Pfad zum Projektverzeichnis

Lizenz

MIT-Lizenz

Gemeinschaft

Treten Sie unserer Discord-Community bei, um über Agent MCP zu diskutieren, Ihre Projekte zu teilen, Hilfe zu erhalten und sich mit anderen Entwicklern zu vernetzen, die mit KI-Tools arbeiten. Wir sind eine wachsende Community, die sich darauf konzentriert, die Grenzen des Möglichen mit Multi-Agenten-Systemen und KI-Zusammenarbeit zu erweitern.