Agentic Swiggy MCP Server
Agentic Swiggy MCP Server
Ein hochmodularer, nicht-deterministischer agentischer Model Context Protocol (MCP)-Server, der einen Essenslieferassistenten (wie Swiggy) nachbildet. Erstellt mit LangGraph, FastMCP und ChromaDB, nutzt dieser Server einen intelligenten ReAct-Agenten, um Aufgaben dynamisch zu steuern, Fragen zu beantworten, Empfehlungen zu geben und Essensbestellungen mithilfe eines Human-in-the-Loop (HITL)-Workflows sicher auszuführen.
Kernfunktionen
Nicht-deterministischer ReAct-Agent: Der Agent entscheidet anhand des Gesprächskontexts dynamisch, welche Tools verwendet werden, ohne fest codierte Workflows.
Human-in-the-Loop (HITL): Bestellvorgänge werden sicher unterbrochen. Der Agent pausiert die Ausführung und fordert vor Abschluss echter Transaktionen eine menschliche Autorisierung an.
Multi-Format-RAG-Erfassung: Eine entkoppelte Erfassungspipeline, die
.json,.csv,.md,.txtund.pdf-Dateien universell in einen lokalen ChromaDB-Vektor-Store lädt.Kontextbezogene Empfehlungen: Empfiehlt die Top-3-Gerichte, die dynamisch anhand des aktuellen geografischen Standorts und der Uhrzeit des Benutzers bewertet werden.
Model Context Protocol (MCP): Stellt die Funktionen des Agenten als standardisierte MCP-Tools bereit und macht sie für moderne LLM-Clients (wie Claude Desktop) auffindbar und nutzbar.
100 % lokale Embeddings: Integrierte Unterstützung für HuggingFace
sentence-transformersfür kostenlose, offline nutzbare Vektor-Embeddings.
Related MCP server: Food402
Projektstruktur
swiggy_agent/
├── data/
│ ├── restaurants_menu.json # Restaurant catalog & timings
│ ├── order_history.json # Past & active order records
│ ├── food_reviews.csv # Customer reviews & sentiment
│ └── platform_policies.md # Packaging & late-night guidelines
├── src/
│ ├── ingestion.py # Multi-format universal data ingestor
│ ├── tools/
│ │ ├── __init__.py
│ │ ├── order_tool.py # Tool 1: Order Food (HITL sensitive)
│ │ ├── recommendation_tool.py # Tool 2: Geo/Time Recommendations
│ │ ├── history_tool.py # Tool 3: Order tracking & history
│ │ └── rag_tool.py # Tool 4: Review retrieval RAG
│ ├── agent.py # Non-deterministic LangGraph agent + HITL
│ └── mcp_server.py # FastMCP Server exposing tools
├── requirements.txt
├── .env # Environment variables (API Keys)
└── main.py # Entry point for interactive CLI testingEinrichtung und Installation
1. Abhängigkeiten installieren
Stellen Sie sicher, dass Python 3.10+ installiert ist. Installieren Sie die erforderlichen Pakete:
pip install -r requirements.txt
# Alternatively, install manually:
pip install mcp langchain langchain-openai langchain-huggingface langchain-chroma langgraph chromadb sentence-transformers python-dotenv2. Umgebungsvariablen konfigurieren
Erstellen Sie eine .env-Datei im Hauptverzeichnis und fügen Sie Ihre LLM-API-Schlüssel (z. B. Google Gemini, OpenAI oder Groq) hinzu:
# Example using Google Gemini (Recommended for free tier)
GEMINI_API_KEY=your_api_key_here
# Example using OpenAI (If applicable)
# OPENAI_API_KEY=your_api_key_here3. Vektordatenbank initialisieren
Laden Sie vor dem Ausführen des Agenten die synthetischen Daten, um den lokalen ChromaDB-Vektor-Store aufzubauen:
python src/ingestion.pyVerwendung
Option 1: Interaktive Agent-Demo ausführen
Testen Sie den LangGraph-Agenten und den Human-in-the-Loop-Bestellworkflow über das Terminal:
python main.pyVersuchen Sie zum Beispiel einen Prompt wie: „Hi, ich bin USR_500 in Koramangala um 21:00 Uhr. Was gibt es hier Gutes zu essen? Schau dir die Bewertungen an, was die Leute sagen, und wenn es gut bewertet ist, bestelle 1 Portion an den 5th Block.“
Option 2: MCP-Server starten
Um die Tools für einen MCP-kompatiblen Client (wie Claude Desktop oder eine externe App) verantwortlich zu machen:
python src/mcp_server.pyTool-Referenz
Tool-Name | Beschreibung | Ausgabe |
| Gibt eine Essensbestellung auf. Löst eine Graph-Unterbrechung aus, die eine | JSON-Bestätigung |
| Bewertet lokale Restaurants anhand von | JSON-Array |
| Ruft aktive und vergangene Bestelldaten für eine bestimmte Benutzer-ID ab. | JSON-dict |
| Führt eine semantische RAG-Suche über Bewertungen, Kunden und Plattformrichtlinien durch. | Markdown-Text |
Lizenz
MIT License
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
MCP server for building and testing AI agents with multi-model experimentation and insights.
Per-restaurant MCP servers: menu, hours, delivery terms; live example below
MCP server for AI agents to plan, verify, and deploy Cloudflare-native apps.
MCP server for AI agents: posts, messages and comments on WhatsApp, Instagram, TikTok and Facebook.
Related MCP Servers
- FlicenseNot gradedqualityDmaintenanceA proof-of-concept Model Context Protocol server that enables LLM applications to interact with Uber Eats, allowing AI agents to browse and order food through natural language.241-
- AlicenseNot gradedqualityDmaintenanceAn MCP server that enables AI assistants to order food from TGO Yemek by browsing restaurants, managing carts, and completing checkouts. It allows users to handle address selection and order tracking directly through natural language interactions.9 npm12MIT
- AlicenseNot gradedqualityDmaintenanceAn MCP server that enables AI agents to discover restaurants and place food delivery orders on Uber Eats and Thuisbezorgd (Just Eat Takeaway). It provides tools for restaurant discovery and order management through normalized platform APIs.5MIT
- AlicenseAqualityDmaintenanceMCP server for Chipotle — let AI agents find locations, browse menus, build custom orders, and checkout for pickup or delivery.1857 npmMIT