Multi-Agent Research Assistant & MCP Server

Dieses Projekt setzt die Aufgabe in zwei kleinen Teilen um:

1. Ein LangGraph-Multi-Agent-Workflow mit einem Supervisor und zwei spezialisierten Workern.

2. Ein FastMCP-Server mit zwei Tools und einem Client, der diese Tools aufruft.

Das Sprachmodell ist Ollama, daher ist kein OpenAI-API-Schlüssel erforderlich.

1. Was das Projekt demonstriert

Der Supervisor erhält eine Frage und wählt den passenden Worker:

User question
		 |
		 v
Supervisor Agent
		 |------------------------------|
		 v                              v
Research Agent                 Analysis Agent
		 |                              |
		 v                              v
Knowledge-base tool             Comparison tool

Für eine Frage, die beide Worker benötigt, fordert der Supervisor zuerst Beweise vom Research Agent an und gibt diese dann an den Analysis Agent weiter.

Der MCP-Teil ist unabhängig vom LangGraph-Teil:

MCP Client ---> FastMCP Server
										|------ get_weather(city)
										|------ get_news(topic)

Related MCP server: AIE8-MCP Server

2. Voraussetzungen

• Windows PowerShell

• Python 3.10 oder neuer

• Ollama

• Ein Ollama-Modell wie llama3.2

Das Repository enthält bereits die gewünschte virtuelle Umgebung unter multivenv.

3. Installation

Öffnen Sie PowerShell im Projektverzeichnis:

cd D:\LLMEngg_8-Multi-Agent-Research-Assistant-MCP-Server
.\multivenv\Scripts\Activate.ps1
python -m pip install -r requirements.txt
Copy-Item .env.example .env

Wenn PowerShell die Aktivierung nicht zulässt, verwenden Sie die virtuelle Umgebung direkt für jeden Befehl:

.\multivenv\Scripts\python.exe -m pip install -r requirements.txt

Verwenden Sie kein anderes System-Python. Andernfalls fehlen möglicherweise Importe wie langchain_core.

4. Ollama konfigurieren

Starten Sie Ollama in einem separaten Terminal. Wenn Ollama bereits als Desktop-Anwendung läuft, überspringen Sie ollama serve.

ollama serve
ollama pull llama3.2

Die Standardkonfiguration in .env ist:

OLLAMA_MODEL=llama3.2
OLLAMA_BASE_URL=http://localhost:11434

Sie können ein anderes Modell verwenden, aber es muss Chat und Tool-Aufrufe gut genug für LangGraph unterstützen. Zum Beispiel:

OLLAMA_MODEL=qwen2.5:7b

5. Den Multi-Agent-Assistenten ausführen

Führen Sie eine reine Recherche-Frage aus:

python main.py "What does MCP do?"

Dies sollte zum Research Agent weitergeleitet werden, der data/knowledge_base.txt durchsucht.

Führen Sie eine Analyse-Frage aus:

python main.py "Compare these two ideas: solar power uses sunlight; wind power uses moving air."

Dies sollte zum Analysis Agent weitergeleitet werden, der compare_texts verwendet.

Führen Sie eine Kollaborationsfrage aus:

python main.py "Research solar and wind power, then compare their main trade-offs."

Diese Frage benötigt beide Worker. Der erwartete Workflow ist:

1. Der Supervisor ruft ask_research_agent auf.

2. Der Research Agent ruft search_knowledge_base auf.

3. Der Supervisor sendet die Beweise an ask_analysis_agent.

4. Der Analysis Agent ruft compare_texts auf.

5. Der Supervisor gibt eine endgültige Antwort zurück.

Die Standardfrage kann auch ohne Argument ausgeführt werden:

python main.py

6. Die MCP-Demonstration ausführen

Der Client ruft beide FastMCP-Tools auf:

python -m mcp_client.client

Die erwartete Ausgabe ähnelt:

Weather: Cloudy, 15 C
News: Mock headline: New developments in artificial intelligence are being monitored by the research team.

Der Client verwendet den In-Process-Client-Transport von FastMCP, sodass die Demonstration zuverlässig und einfach lokal ausführbar ist. Er verwendet weiterhin das echte MCP-Client/Server-Protokoll. Der eigenständige Server kann für einen MCP-kompatiblen Host mit folgendem Befehl gestartet werden:

python mcp_server/server.py

Dieser eigenständige Server verwendet den MCP-stdio-Transport.

7. Tests ausführen

python -m pytest -q

Die Tests decken die deterministischen Tools ab, ohne dass Ollama oder ein Modell-Download erforderlich ist. Die LangGraph-Konstruktion kann ebenfalls ohne Modellanfrage überprüft werden:

$env:OLLAMA_MODEL = "llama3.2"
python -c "from agents.supervisor import build_supervisor; build_supervisor(); print('Supervisor created')"

8. Dateistruktur

agents/
	model.py             Shared ChatOllama configuration
	research_agent.py    Research worker created with create_react_agent
	analysis_agent.py    Analysis worker created with create_react_agent
	supervisor.py        Supervisor and wrapped worker tools

tools/
	research_tool.py     Local knowledge-base lookup tool
	analysis_tool.py     Structured two-text comparison tool

data/
	knowledge_base.txt   Local evidence used by the Research Agent

mcp_server/
	server.py            FastMCP server and its two tools

mcp_client/
	client.py            Client demonstration calling both MCP tools

main.py                Command-line entry point for the Supervisor
tests/                  Deterministic tool tests
requirements.txt        Python dependencies
.env.example            Ollama configuration template

9. Checkliste der Aufgabenziele

10. Fehlerbehebung

No module named langchain_core

Das System-Python wird verwendet. Aktivieren Sie multivenv oder verwenden Sie den direkten Interpreterpfad:

.\multivenv\Scripts\python.exe main.py "What does MCP do?"

connection refused von Ollama

Starten Sie Ollama und bestätigen Sie, dass das Modell existiert:

ollama serve
ollama list
ollama pull llama3.2

Das Modell ruft keine Tools auf

Verwenden Sie ein tool-fähiges Chat-Modell, halten Sie die Frage explizit und versuchen Sie das Kollaborationsbeispiel aus Abschnitt 5. Kleine oder ältere Modelle antworten möglicherweise direkt, ohne ein Tool zu verwenden.

Die Wissensdatenbank liefert keine Antwort

Der Research Agent durchsucht nur die lokale Datei. Fügen Sie weitere Absätze zu data/knowledge_base.txt hinzu und führen Sie die Frage erneut aus.

11. Wichtiger Hinweis zum Umfang

Dies ist eine einfache pädagogische Implementierung. Die Wissensdatenbank ist eine simulierte lokale Datenquelle, Wetter- und Nachrichten sind simulierte MCP-Ergebnisse, und die LLM-Routing wird manuell mit Ollama getestet. Die deterministischen Tools werden durch automatisierte Tests abgedeckt.