Agentic Swiggy MCP Server

Это высокомодульный, недетерминированный агентный сервер Model Context Protocol (MCP), имитирующий ассистента по доставке еды (например, Swiggy). Он построен на LangGraph, FastMCP и ChromaDB и использует интеллектуальный ReAct-агент для динамической маршрутизации задач, ответов на вопросы, предоставления рекомендаций и безопасного выполнения заказов еды с помощью рабочего процесса Human-in-the-Loop (HITL).

Ключевые возможности

• Недетерминированный ReAct-агент: агент динамически решает, какие инструменты использовать, исходя из контекста диалога, без жёстко заданных сценариев.

• Human-in-the-Loop (HITL): размещение заказов безопасно перехватывается. Агент приостанавливает выполнение и запрашивает подтверждение у человека перед финализацией любой реальной транзакции.

• Мультиформатная загрузка RAG: независимый конвейер приёма данных, который универсально разбирает файлы .json, .csv, .md, .txt и .pdf в локальное векторное хранилище ChromaDB.

• Контекстные рекомендации: рекомендует топ-3 блюда с динамической оценкой на основе текущего географического местоположения пользователя и времени суток.

• Model Context Protocol (MCP): предоставляет возможности агента в виде стандартизированных MCP-инструментов, что делает их доступными и обнаруживаемыми для современных LLM-клиентов (например, Claude Desktop).

• 100% локальные эмбеддинги: встроена поддержка HuggingFace sentence-transformers для бесплатных офлайн-векторных эмбеддингов.

Related MCP server: Food402

Структура проекта

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

Установка и настройка

1. Установка зависимостей

Убедитесь, что установлен Python 3.10+. Установите необходимые пакеты:

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. Настройка переменных окружения

Создайте файл .env в корневой директории и добавьте ключи API для LLM (например, Google Gemini, OpenAI или 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. Инициализация векторной базы данных

Перед запуском агента загрузите синтетические данные для формирования локального векторного хранилища ChromaDB:

python src/ingestion.py

Использование

Вариант 1: Запуск интерактивной демонстрации агента

Протестируйте агента LangGraph и процесс заказов с Human-in-the-Loop через терминал:

python main.py

Попробуйте такой запрос: "Я USR_500 в Корамангале в 21:00. Что здесь хорошего поесть? Посмотри отзывы, что говорят люди, и если рейтинг хороший, закажи 1 порцию в 5-й блок".

Вариант 2: Запуск MCP-сервера

Чтобы предоставить инструменты MCP-совместимому клиенту (например, Claude Desktop или внешнему приложению):

python src/mcp_server.py

Справочник инструментов

Лицензия

Лицензия MIT