🚀 LW MCP エージェント
LW MCP Agentsは、**モデルコンテキストプロトコル（MCP）**を用いてAIエージェントを構築およびオーケストレーションするための軽量なモジュール型フレームワークです。複雑なオーケストレーションロジックを記述することなく、各エージェントが専門性を発揮し、連携、委譲、推論を実行できるマルチエージェントシステムを迅速に設計できます。
構成ファイルのみを使用して、スケーラブルで構成可能な AI システムを構築します。
🔍 LW MCP エージェントを使用する理由
✅プラグアンドプレイエージェント: シンプルな JSON 構成を使用して、定型句なしでインテリジェントエージェントを起動します。
✅マルチエージェント オーケストレーション: エージェントを連結して複雑なタスクを解決します。追加のコードは必要ありません。
✅共有と再利用: エージェント構成を環境間で簡単に配布および実行します。
✅ MCP ネイティブ: Claude Desktop を含む、あらゆる MCP 互換プラットフォームとシームレスに統合します。
Related MCP server: SupaUI MCP Server
🧠 何を構築できますか?
文書を要約したりウェブを検索したりするリサーチエージェント
ドメイン固有のエージェントにタスクを委任するオーケストレーター
推論を再帰的に拡張し、機能を動的に集約するシステム
🏗️ 建築の概要
📚 目次
🚀 はじめに
🔧 インストール
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▶️ 最初のエージェントを実行する
python src/agent/agent_runner.py --config examples/base_agent/base_agent_config.json🤖 マルチエージェント設定を試す
ターミナル1（リサーチエージェントサーバー）:
python src/agent/agent_runner.py --config examples/orchestrator_researcher/research_agent_config.json --server-modeターミナル2（オーケストレーターエージェント）:
python src/agent/agent_runner.py --config examples/orchestrator_researcher/master_orchestrator_config.jsonオーケストレーターはリサーチ タスクをリサーチ エージェントにインテリジェントに委任できるようになりました。
🖥️ クロード デスクトップ統合
Claude Desktop内で実行するようにエージェントを構成します。
1. Claude 構成ファイルを見つけます。
macOS:
~/Library/Application Support/Claude/claude_desktop_config.jsonWindows:
%APPDATA%\Claude\claude_desktop_config.jsonLinux:
~/.config/Claude/claude_desktop_config.json
2.
{
"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"
}
}
}
}📦 エージェントの例
ベースエージェント
MCP を介してツールに接続する最小限のエージェント。
📁examples/base_agent/オーケストレーター + 研究者
階層的な委任と機能の共有を示します。
📁examples/orchestrator_researcher/
💡独自の例を投稿してください！ PR を送信するか、メンテナーに連絡してください。
⚙️ エージェントの実行
🔹 基本コマンド
python src/agent/agent_runner.py --config <your_config.json>🔸 詳細オプション
オプション | 説明 |
| エージェントをMCPサーバーとして公開する |
| カスタムMCPサーバー名を割り当てます |
🛠️ カスタムエージェントの作成
🧱 最小限の設定
{
"agent_name": "my-agent",
"llm_provider": "groq",
"llm_api_key": "YOUR_API_KEY",
"server_mode": false
}🧠 機能の追加
エージェントが推論できる特殊な関数を定義します。
"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}"
}
]🔄 オーケストレーターエージェント
{
"agent_name": "master-orchestrator",
"servers": {
"research-agent": {
"command": "python",
"args": ["src/agent/agent_runner.py", "--config=research_agent_config.json", "--server-mode"]
}
}
}🧬 仕組み
🧩 推論ユニットとしての能力
それぞれの機能:
提供された引数を使用してプロンプトを入力します
LLMを使用して内部推論を実行する
ツールや外部エージェントを使用する
結果を返す
📖 研究例
[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🧱 技術アーキテクチャ
🧠 主要コンポーネント
成分 | 役割 |
| エージェントを起動、構成、実行する |
| エージェントをラップしてMCP上に公開します |
| 構成から推論タスクをロードします |
| 他のエージェントからツールを発見する |
🌐 建築のハイライト
階層設計：再帰的推論を持つエージェントのシステムを構成する
委任された機能: エージェントはピアにインテリジェントに委任します
ツール共有: 1 つのエージェントで利用可能なツールが他のエージェントでもアクセス可能になります
コードフリー構成:構成を介してシステム全体を作成する
🙌 謝辞
このプロジェクトは、LastMile AI によるmcp-agents の素晴らしい取り組みからインスピレーションを得ています。