MCP Study Agent Project 📚

Este proyecto implementa un agente MCP (Model Context Protocol) capaz de interactuar con documentos locales para facilitar el estudio.

🚀 Instalación y Setup

1. Clonar/Abrir el proyecto en VS Code.

2. Crear y activar entorno virtual:

   python -m venv venv
   .\venv\Scripts\activate

3. Instalar dependencias:

   pip install -r requirements.txt

Related MCP server: Docalyze

🛠️ Ejecución del Servidor

Corre el servidor FastAPI usando Uvicorn:

uvicorn mcp-server.server:app --reload

El servidor estará disponible en: http://127.0.0.1:8000

🤖 Endpoints y Tools

1. Listar Documentos (Tool MCP)

Muestra los archivos disponibles en la carpeta data/.

• URL: GET /tools/list_documents

2. Leer Documento (Tool MCP)

Lee el contenido de un archivo específico.

• URL: GET /tools/read_document?filename=prueba.txt

3. Agente de Estudio (Agentic Flow)

Invoca al agente para procesar un documento usando las tools MCP.

• URL: POST /agent/study

• Body (JSON):

  {
    "filename": "arquitectura.txt",
    "mode": "summary"
  }

• Modos disponibles: summary | flashcards

🧠 Estructura del Agente

• Skills: Lógica de procesamiento de resúmenes y generación de flashcards en skills/study_skill.py.

• Agente: El "cerebro" que decide invocar la tool read_document en agent/study_agent.py.

• Server: Expone las herramientas y el punto de entrada para el agente.

✅ Checklist de Cumplimiento

• Tools MCP: Funcionando y parametrizadas.

• Skill: Pasos definidos para resumen y flashcards.

• Agente: Invoca tools reales y entrega resultados útiles.

• README: Guía de uso rápido.

Prueba de funcionamiento

Servidor corriendo

El servidor MCP se ejecuta localmente usando uvicorn.

Tools disponibles

El servidor expone herramientas MCP que pueden ser usadas por el agente.

Ejecución del agente

El agente invoca la tool read_document y genera un resumen del documento.