Agentic Swiggy MCP Server

Un servidor de Model Context Protocol (MCP) agéntico, altamente modular y no determinista que simula un asistente de entrega de comida (como Swiggy). Construido con LangGraph, FastMCP y ChromaDB, este servidor aprovecha un agente ReAct inteligente para enrutar tareas dinámicamente, responder preguntas, ofrecer recomendaciones y ejecutar pedidos de comida de forma segura mediante un flujo de trabajo Human-in-the-Loop (HITL).

Funciones Principales

• Agente ReAct No Determinista: El agente decide dinámicamente qué herramientas usar según el contexto conversacional, sin flujos de trabajo codificados de forma rígida.

• Human-In-The-Loop (HITL): Los pedidos se interceptan de forma segura. El agente interrumpe su ejecución para pedir autorización humana antes de finalizar cualquier transacción real.

• Ingesta RAG de Múltiples Formatos: Un pipeline de ingesta desacoplado que universalmente agrega, parsea y procesa archivos .json, .csv, .md, .txt y .pdf en un almacén vectorial local de ChromaDB.

• Recomendaciones Contextuales: Recomienda el top 3 de platos evaluados dinámicamente según la ubicación geográfica actual del usuario y la hora del día.

• Model Context Protocol (MCP): Expone las capacidades del agente como herramientas MCP estandarizadas, haciéndolas detectables y utilizables por clientes LLM modernos (como Claude Desktop).

• Embeddings 100% Locales: Soporte integrado para los sentence-transformers de HuggingFace, lo que permite obtener embeddings vectoriales sin costo ni conexión.

Related MCP server: Food402

Estructura del Proyecto

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

Configuración e Instalación

1. Instalar Dependencias

Asegúrate de tener instalado Python 3.10+. Instala los paquetes requeridos:

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. Configurar Variables de Entorno

Crea un archivo .env en el directorio raíz y añade tus claves de API de LLM (p. ej., Google Gemini, OpenAI o Groq):

# 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. Inicializar la Base de Datos Vectorial

Antes de ejecutar el agente, ingilla los datos sintéticos para construir el almacén vectorial local de ChromaDB:

python src/ingestion.py

Uso

Opción 1: Ejecutar la Demo Interactiva del Agente

Prueba el agente de LangGraph y el flujo de trabajo de pedidos Human-in-the-Loop a través de la terminal:

python main.py

Prueba un prompt como: "Hola, soy USR_500 en Koramangala a las 21:00. ¿Qué hay algo bueno por aquí? Revisa las reseñas para ver qué opina la gente y, si está bien valorado, pide 1 porción para 5th Block."

Opción 2: Iniciar el Servidor MCP

Para exponer las herramientas a un cliente compatible con MCP (como Claude Desktop o una aplicación externa):

python src/mcp_server.py

Referencia de Herramientas

Licencia

MIT License