Servidor de IA de la tripulación MCP

MCP Crew AI Server es un servidor ligero basado en Python, diseñado para ejecutar, gestionar y crear flujos de trabajo de CrewAI. Este proyecto aprovecha el Protocolo de Contexto de Modelo (MCP) para comunicarse con Modelos de Lenguaje Grandes (LLM) y herramientas como Claude Desktop o Cursor IDE, lo que permite orquestar flujos de trabajo multiagente con facilidad.

Características

• Configuración automática: carga automáticamente las configuraciones de agente y tarea desde dos archivos YAML ( agents.yml y tasks.yml ), por lo que no necesita escribir código personalizado para configuraciones básicas.

• Flexibilidad de la línea de comandos: pase rutas personalizadas a sus archivos de configuración a través de argumentos de la línea de comandos ( --agents y --tasks ).

• Ejecución de flujo de trabajo sin inconvenientes: ejecute fácilmente flujos de trabajo preconfigurados a través de la herramienta run_workflow de MCP.

• Desarrollo local: ejecuta el servidor localmente en modo STDIO, lo que lo hace ideal para desarrollo y pruebas.

Related MCP server: CrewAI Enterprise MCP Server

Instalación

Hay varias formas de instalar el servidor MCP Crew AI:

Opción 1: Instalar desde PyPI (recomendado)

pip install mcp-crew-ai

Opción 2: Instalar desde GitHub

pip install git+https://github.com/adam-paterson/mcp-crew-ai.git

Opción 3: Clonar e instalar

git clone https://github.com/adam-paterson/mcp-crew-ai.git
cd mcp-crew-ai
pip install -e .

Requisitos

• Python 3.11+

• Kit de desarrollo de software de MCP

• CrewAI

• PyYAML

Configuración

• agents.yml: Define tus agentes con roles, objetivos e historias de fondo.

• task.yml: Define tareas con descripciones, resultados esperados y asígnalas a agentes.

Ejemplo agents.yml :

zookeeper:
  role: Zookeeper
  goal: Manage zoo operations
  backstory: >
    You are a seasoned zookeeper with a passion for wildlife conservation...

Ejemplo de tasks.yml :

write_stories:
  description: >
    Write an engaging zoo update capturing the day's highlights.
  expected_output: 5 engaging stories
  agent: zookeeper
  output_file: zoo_report.md

Uso

Una vez instalado, puedes ejecutar el servidor MCP CrewAI utilizando cualquiera de estos métodos:

Comando estándar de Python

mcp-crew-ai --agents path/to/agents.yml --tasks path/to/tasks.yml

Uso de la ejecución UV (uvx)

Para una experiencia más optimizada, puede utilizar el comando de ejecución UV:

uvx mcp-crew-ai --agents path/to/agents.yml --tasks path/to/tasks.yml

O ejecute simplemente el servidor directamente:

uvx mcp-crew-ai-server

Esto iniciará el servidor utilizando la configuración predeterminada de las variables de entorno.

Opciones de línea de comandos

• --agents : Ruta al archivo YAML de los agentes (obligatorio)

• --tasks : Ruta al archivo YAML de tareas (obligatorio)

• --topic : El tema principal en el que trabajará la tripulación (predeterminado: "Inteligencia Artificial")

• --process : Tipo de proceso a utilizar (opciones: "secuencial" o "jerárquico", predeterminado: "secuencial")

• --verbose : Habilitar salida detallada

• --variables : cadena JSON o ruta a un archivo JSON con variables adicionales para reemplazar en archivos YAML

• --version : Muestra información de la versión y sale

Uso avanzado

También puedes proporcionar variables adicionales para usar en tus plantillas YAML:

mcp-crew-ai --agents examples/agents.yml --tasks examples/tasks.yml --topic "Machine Learning" --variables '{"year": 2025, "focus": "deep learning"}'

Estas variables reemplazarán los marcadores de posición en sus archivos YAML. Por ejemplo, {topic} se reemplazará por "Machine Learning" y {year} por "2025".

Contribuyendo

¡Agradecemos sus contribuciones! Abra problemas o envíe solicitudes de incorporación de cambios con mejoras, correcciones de errores o nuevas funciones.

Licencia

Este proyecto está licenciado bajo la licencia MIT. Consulte el archivo de licencia para más detalles.

¡Feliz orquestación del flujo de trabajo!