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, .txt und .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-transformers für 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 testing

Einrichtung 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-dotenv

2. 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_here

3. Vektordatenbank initialisieren

Laden Sie vor dem Ausführen des Agenten die synthetischen Daten, um den lokalen ChromaDB-Vektor-Store aufzubauen:

python src/ingestion.py

Verwendung

Option 1: Interaktive Agent-Demo ausführen

Testen Sie den LangGraph-Agenten und den Human-in-the-Loop-Bestellworkflow über das Terminal:

python main.py

Versuchen 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.py

Tool-Referenz

Lizenz

MIT License