Zeit-MCP

Ein minimales agentenbasiertes KI-System, das zeitbezogene und allgemeine Fragen mithilfe einer toolerweiterten LLM-Pipeline beantwortet.

Merkmale

Flask-API : Stellt den aktuellen Zeitstempel bereit.
MCP-Agent-Server : Argumentationsagent, der die Absicht des Benutzers erkennt, Tools (wie die Zeit-API) aufruft, Eingabeaufforderungen erstellt und über OpenRouter (OpenAI-kompatible API) mit einem LLM interagiert.
Streamlit-Benutzeroberfläche : Einfache Chat-Oberfläche zum Sprechen mit dem KI-Agenten.

Related MCP server: MCP-RAG

pip install -r requirements.txt

Legen Sie Ihren OpenRouter-API-Schlüssel fest (holen Sie sich einen von https://openrouter.ai ):

export OPENROUTER_API_KEY=sk-...your-key...

Öffnen Sie drei Terminals (oder verwenden Sie Hintergrundprozesse):

python flask_api.py

python mcp_server.py

streamlit run streamlit_ui.py

Die Streamlit-Benutzeroberfläche wird in Ihrem Browser geöffnet (Standard: http://localhost:8501 )

Stellen Sie dem Agenten in der Streamlit-Benutzeroberfläche beliebige Fragen.
Wenn Sie nach der Uhrzeit fragen (z. B. „Wie spät ist es?“), ruft der Agent die Flask-API auf, ruft die aktuelle Uhrzeit ab und erstellt mithilfe des LLM eine schöne, natürliche Antwort.
Bei anderen Fragen antwortet der Agent ausschließlich über das LLM.

[Streamlit UI] → [MCP Agent Server] → [Tools (e.g., Time API)] ↓ [LLM via OpenRouter]

Der MCP-Agent erkennt die Absicht, ruft bei Bedarf Tools auf, erstellt Eingabeaufforderungen und sendet sie an das LLM.
Leicht erweiterbar, um weitere Tools hinzuzufügen (einfach zur MCPAgent-Klasse hinzufügen).

Weitere Tools hinzufügen : Implementieren Sie neue Methoden in MCPAgent und aktualisieren Sie self.tools .
Absichtserkennung verbessern : Erweitern Sie detect_intent() in MCPAgent .
LLM-Modell ändern : Aktualisieren Sie das model in call_llm() .