🧠 MCP：多代理控制点

该项目实现了一个多代理服务器，将用户问题路由到 LLM 模型或专门的代理（例如日期、位置、天气或技术专家）。包括使用 Streamlit 构建的简单 Web 界面，以方便使用。

🚀 功能

🌐 使用 FastAPI 的后端
🧠 专业代理（日期、地点、天气、法学硕士专家）
🧩 具有继承性的可扩展和模块化代理系统
⚙️ 通用继承AgenteBase ，用于统一错误和响应处理
🤖 代理之间相互协作的智能逻辑
🖥️ Streamlit 的可视化界面（GUI）
🐳 Docker 容器，易于部署
🔌 客户端-服务器通信可用于本地或远程网络

📁 项目结构

MCP/
├── core/
│   ├── ollama_wrapper.py       # Encapsula la lógica para interactuar con modelos LLM en Ollama
│   ├── context_loader.py       # Carga contexto adicional desde base de datos u otras fuentes
│   └── router_llm.py           # Router inteligente que decide qué agente usar en base a la consulta
├── agents/                     # Carpeta que contiene todos los agentes disponibles del sistema
├── server/
│   ├── mcp_server.py           # Punto central que gestiona los agentes registrados y el procesamiento de mensajes
│   └── api.py                  # Define la API REST usando FastAPI para comunicación con la GUI u otros clientes
├── gui/
│   ├── app.py                  # Aplicación Streamlit que actúa como interfaz gráfica del sistema
│   └── .streamlit/
│       └── secrets.toml        # Archivo de configuración que contiene la URL del backend para la GUI
├── utils/
│   ├── db_utils.py             # Funciones auxiliares para conectarse y consultar la base de datos SQLite
│   ├── agente_base.py          # Clase base AgenteBase, común a todos los agentes personalizados
│   └── json_parser.py          # Utilidad para dividir respuestas JSON en partes más manejables
├── database/
│   ├── context.db              # Base de datos SQLite con información contextual para los agentes o el LLM
│   ├── comprobar_db.py         # Script que valida la existencia y consistencia de la base de datos
│   └── create_db.py            # Script para generar y poblar la base de datos desde cero
├── config.py                   # Archivo central de configuración del sistema (rutas, modelos, flags, etc.)
├── requirements.txt            # Lista de dependencias de Python necesarias para ejecutar el proyecto
├── Dockerfile.backend          # Dockerfile para construir el contenedor del backend (API + lógica de agentes)
├── Dockerfile.frontend         # Dockerfile para construir el contenedor de la interfaz Streamlit
└── docker-compose.yml          # Archivo para levantar los servicios frontend y backend de forma conjunta

⚙️ 要求

🧪 快速安装

1. 克隆存储库

git clone https://github.com/tu-usuario/MCP.git
cd MCP

2.创建Streamlit的配置文件

在gui目录中，创建文件：

gui/.streamlit/secrets.toml

内容如下：

server_url = "http://backend:8000/process"

3. 使用 Docker Compose 运行

docker-compose up --build

这将构建并提升两个容器：

后端位于http://localhost:8000
图形界面http://localhost:8501

🌍 从另一台机器访问（可选）

确保正确公开端口（ 8000 、 8501 ）。
在secrets.toml中使用服务器机器的 IP 而不是localhost 。
您还可以设置自定义 Docker 网络以实现跨主机访问。

📦用于生产

如果您想将其与另一个界面集成，则可以只运行后端：

docker build -f Dockerfile.backend -t mcp_backend .
docker run -p 8000:8000 mcp_backend

✨ 使用示例

在 Web 界面中，您可以输入如下问题：

¿Qué día es hoy?
¿Dónde estoy?
¿Qué clima hace?
Explícame qué es Python

该应用程序将决定是否直接回答问题或将其委托给代理。

🛠️ 代理可用

代理人	功能
日期	返回当前日期和时间
地点	通过 IP 检测城市和国家
气候	返回当前位置的天气

🔄 代理之间的交互

天气代理现在在查询天气之前直接使用位置代理来确定地理坐标（ lat 、 lon ）和城市，从而允许根据用户的实际位置做出定制的响应。这提高了代理之间的模块化和协作。

🧩 如何创建新代理

创建一个继承自 AgenteBase 的类：

from agentes.base import AgenteBase

class AgenteEjemplo(AgenteBase):
    patrones = [r"expresiones.*clave", r"otra.*forma.*de.*preguntar"]

    def agente(self) -> dict:
        datos = {"respuesta": "Soy un agente de ejemplo"}
        return {"success": True, "data": datos}

指定模式来检测相关问题。
实现agente() ，返回一个包含成功键和数据或错误的字典。
代理将自动使用指示的 LLM 根据您的数据生成自然响应。

⚠️ 重要技术说明

所有代理都继承自 AgenteBase，它管理：
- 标准误差
- 通过 LLM 将数据转换为自然响应
agent() 方法必须返回一个结构化字典。
每个代理指定要使用哪个 LLM 模型（ llm_simple或llm_experto ）。

📄 许可证

该项目已获得 MIT 许可。

🙋‍♂️ 作者

由 Alejandro Gómez Sierra 开发。

MCP: Multi-Agent Control Point