🚀 LW MCP-Agenten

LW MCP Agents ist ein leichtgewichtiges, modulares Framework zum Erstellen und Orchestrieren von KI-Agenten mithilfe des Model Context Protocol (MCP) . Es ermöglicht Ihnen die schnelle Entwicklung von Multi-Agenten-Systemen, in denen jeder Agent spezialisieren, zusammenarbeiten, delegieren und argumentieren kann – ohne komplexe Orchestrierungslogik schreiben zu müssen.

Erstellen Sie skalierbare, zusammensetzbare KI-Systeme nur mithilfe von Konfigurationsdateien.

🔍 Warum LW MCP-Agenten verwenden?

• ✅ Plug-and-Play-Agenten : Starten Sie intelligente Agenten ohne Boilerplate mithilfe einfacher JSON-Konfigurationen.

• ✅ Multi-Agent-Orchestrierung : Verketten Sie Agenten, um komplexe Aufgaben zu lösen – kein zusätzlicher Code erforderlich.

• ✅ Teilen und wiederverwenden : Verteilen und führen Sie Agentenkonfigurationen mühelos in verschiedenen Umgebungen aus.

• ✅ MCP-Nativ : Nahtlose Integration mit jeder MCP-kompatiblen Plattform, einschließlich Claude Desktop.

Related MCP server: SupaUI MCP Server

🧠 Was können Sie bauen?

• Rechercheagenten, die Dokumente zusammenfassen oder das Web durchsuchen

• Orchestratoren, die Aufgaben an domänenspezifische Agenten delegieren

• Systeme, die das Denken rekursiv skalieren und Fähigkeiten dynamisch aggregieren

🏗️ Architektur auf einen Blick

📚 Inhaltsverzeichnis

• Erste Schritte

• Beispielagenten

• Ausführen von Agenten

• Benutzerdefinierte Agentenerstellung

• Wie es funktioniert

• Technische Architektur

• Danksagung

🚀 Erste Schritte

🔧 Installation

git clone https://github.com/Autumn-AIs/LW-MCP-agents.git
cd LW-MCP-agents
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate
pip install -r requirements.txt

▶️ Führen Sie Ihren ersten Agenten aus

python src/agent/agent_runner.py --config examples/base_agent/base_agent_config.json

🤖 Probieren Sie ein Multi-Agent-Setup aus

Terminal 1 (Research Agent Server):

python src/agent/agent_runner.py --config examples/orchestrator_researcher/research_agent_config.json --server-mode

Terminal 2 (Orchestrator-Agent):

python src/agent/agent_runner.py --config examples/orchestrator_researcher/master_orchestrator_config.json

Ihr Orchestrator delegiert jetzt auf intelligente Weise Forschungsaufgaben an den Forschungsagenten.

🖥️ Claude Desktop-Integration

Konfigurieren Sie Agenten für die Ausführung in Claude Desktop :

1. Suchen Sie Ihre Claude-Konfigurationsdatei:

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

• Windows: %APPDATA%\Claude\claude_desktop_config.json

• Linux: ~/.config/Claude/claude_desktop_config.json

2. Fügen Sie Ihren Agenten unter

{
  "mcpServers": {
    "research-agent": {
      "command": "/bin/bash",
      "args": ["-c", "/path/to/venv/bin/python /path/to/agent_runner.py --config=/path/to/agent_config.json --server-mode"],
      "env": {
        "PYTHONPATH": "/path/to/project",
        "PATH": "/path/to/venv/bin:/usr/local/bin:/usr/bin"
      }
    }
  }
}

📦 Beispielagenten

• Basisagent
  Ein minimaler Agent, der über MCP eine Verbindung zu Tools herstellt.
  📁 examples/base_agent/

• Orchestrator + Forscher
  Demonstriert hierarchische Delegation und gemeinsame Nutzung von Fähigkeiten.
  📁 examples/orchestrator_researcher/

💡 Tragen Sie Ihr eigenes Beispiel bei! Senden Sie einen PR oder wenden Sie sich an die Betreuer.

⚙️ Agenten ausführen

🔹 Grundlegender Befehl

python src/agent/agent_runner.py --config <your_config.json>

🔸 Erweiterte Optionen

🛠️ Benutzerdefinierte Agentenerstellung

🧱 Minimale Konfiguration

{
  "agent_name": "my-agent",
  "llm_provider": "groq",
  "llm_api_key": "YOUR_API_KEY",
  "server_mode": false
}

🧠 Funktionen hinzufügen

Definieren Sie spezielle Funktionen, über die der Agent entscheiden kann:

"capabilities": [
  {
    "name": "summarize_document",
    "description": "Summarize a document in a concise way",
    "input_schema": {
      "type": "object",
      "properties": {
        "document_text": { "type": "string" },
        "max_length": { "type": "integer", "default": 200 }
      },
      "required": ["document_text"]
    },
    "prompt_template": "Summarize the following document in {max_length} words:\n\n{document_text}"
  }
]

🔄 Orchestrator-Agent

{
  "agent_name": "master-orchestrator",
  "servers": {
    "research-agent": {
      "command": "python",
      "args": ["src/agent/agent_runner.py", "--config=research_agent_config.json", "--server-mode"]
    }
  }
}

🧬 So funktioniert es

🧩 Fähigkeiten als Denkeinheiten

Jede Funktion:

1. Füllt eine Eingabeaufforderung mit den bereitgestellten Argumenten aus

2. Führt internes Denken mithilfe von LLMs aus

3. Verwendet Tools oder externe Agenten

4. Gibt das Ergebnis zurück

📖 Forschungsbeispiel

[INFO] agent:master-orchestrator - Executing tool: research_topic
[INFO] agent:research-agent - Using tool: brave_web_search
[INFO] agent:research-agent - Finished capability: research_topic

🧱 Technische Architektur

🧠 Schlüsselkomponenten

🌐 Architektur-Highlights

• Hierarchisches Design : Erstellen Sie Agentensysteme mit rekursivem Denken

• Delegierte Fähigkeiten : Agenten delegieren intelligent an Kollegen

• Tool-Sharing : Auf die in einem Agenten verfügbaren Tools können andere zugreifen.

• Codefreie Komposition : Erstellen Sie ganze Systeme per Konfiguration

🙌 Danksagung

Dieses Projekt ist von der brillanten Arbeit an MCP-Agenten von LastMile AI inspiriert.