🚀 Агенты LW MCP

LW MCP Agents — это легкая модульная структура для создания и оркестровки агентов ИИ с использованием Model Context Protocol (MCP) . Она позволяет вам быстро проектировать многоагентные системы, в которых каждый агент может специализироваться, сотрудничать, делегировать полномочия и рассуждать — без написания сложной логики оркестровки.

Создавайте масштабируемые, компонуемые системы ИИ, используя только файлы конфигурации.

🔍 Зачем использовать агенты LW MCP?

• ✅ Агенты Plug-and-Play : запускайте интеллектуальных агентов без шаблонного кода, используя простые конфигурации JSON.

• ✅ Многоагентная оркестровка : объединяйте агентов в цепочку для решения сложных задач — дополнительный код не требуется.

• ✅ Совместное использование и повторное использование : легко распространяйте и запускайте конфигурации агентов в разных средах.

• ✅ MCP-Native : легко интегрируется с любой совместимой с MCP платформой, включая Claude Desktop.

Related MCP server: code-mode-toon

🧠 Что можно построить?

• Исследовательские агенты, которые обобщают документы или ищут в Интернете

• Оркестраторы, которые делегируют задачи агентам, специфичным для домена

• Системы, которые рекурсивно масштабируют рассуждения и динамически объединяют возможности

🏗️ Архитектура вкратце

📚 Содержание

• Начиная

• Примеры агентов

• Работающие агенты

• Создание индивидуального агента

• Как это работает

• Техническая Архитектура

• Благодарности

🚀 Начало работы

🔧 Установка

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

▶️ Запустите своего первого агента

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

🤖 Попробуйте многоагентную настройку

Терминал 1 (сервер исследовательского агента):

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

Терминал 2 (агент-организатор):

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

Ваш организатор теперь разумно делегирует исследовательские задачи исследовательскому агенту.

🖥️ Интеграция с рабочим столом Клода

Настройте агенты для работы внутри Claude Desktop :

1. Найдите файл конфигурации Claude:

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

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

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

2. Добавьте своего агента в mcpServers :

{
  "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"
      }
    }
  }
}

📦 Примеры агентов

• Базовый агент
  Минимальный агент, подключающийся к инструментам через MCP.
  📁 examples/base_agent/

• Оркестратор + Исследователь
  Демонстрирует иерархическое делегирование и распределение возможностей.
  📁 examples/orchestrator_researcher/

💡 Приведите свой пример! Отправьте PR или свяжитесь с сопровождающими.

⚙️ Работающие агенты

🔹 Основная команда

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

🔸 Расширенные параметры

🛠️ Создание индивидуального агента

🧱 Минимальная конфигурация

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

🧠 Добавление возможностей

Определите специализированные функции, над которыми может рассуждать агент:

"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}"
  }
]

🔄 Агент Оркестратора

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

🧬 Как это работает

🧩 Способности как единицы рассуждения

Каждая возможность:

1. Заполняет приглашение, используя предоставленные аргументы.

2. Выполняет внутренние рассуждения с использованием LLM

3. Использует инструменты или внешние агенты

4. Возвращает результат

📖 Пример исследования

[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

🧱 Техническая архитектура

🧠 Ключевые компоненты

🌐 Архитектурные особенности

• Иерархическое проектирование : создание систем агентов с рекурсивным рассуждением.

• Делегированные полномочия : агенты разумно делегируют полномочия коллегам

• Совместное использование инструментов : инструменты, доступные в одном агенте, становятся доступными для других

• Композиция без кода : создание целых систем посредством конфигурации

🙌 Благодарности

Этот проект черпает вдохновение из блестящей работы над mcp-агентами от LastMile AI.