🧠 MCP: Multi-Agent Control Point

This project implements a multi-agent server that routes user queries to an LLM model or specialized agents (such as date, location, weather, or a technical expert). It includes a simple web interface built with Streamlit for ease of use.

🚀 Features

• 🌐 Backend with FastAPI

• 🧠 Specialized agents (date, location, weather, LLM expert)

• 🧩 Extensible and modular agent system with inheritance

• ⚙️ Common inheritance AgenteBase for uniform error and response handling

• 🤖 Smart logic for agents to collaborate with each other

• 🖥️ Visual interface with Streamlit (GUI)

• 🐳 Docker containers for easy deployment

• 🔌 Client-server communication ready for local or remote network

Related MCP server: Time-MCP

📁 Project structure

MCP/
├── core/
│   ├── ollama_wrapper.py       # Encapsula la lógica para interactuar con modelos LLM en Ollama
│   ├── context_loader.py       # Carga contexto adicional desde base de datos u otras fuentes
│   └── router_llm.py           # Router inteligente que decide qué agente usar en base a la consulta
├── agents/                     # Carpeta que contiene todos los agentes disponibles del sistema
├── server/
│   ├── mcp_server.py           # Punto central que gestiona los agentes registrados y el procesamiento de mensajes
│   └── api.py                  # Define la API REST usando FastAPI para comunicación con la GUI u otros clientes
├── gui/
│   ├── app.py                  # Aplicación Streamlit que actúa como interfaz gráfica del sistema
│   └── .streamlit/
│       └── secrets.toml        # Archivo de configuración que contiene la URL del backend para la GUI
├── utils/
│   ├── db_utils.py             # Funciones auxiliares para conectarse y consultar la base de datos SQLite
│   ├── agente_base.py          # Clase base AgenteBase, común a todos los agentes personalizados
│   └── json_parser.py          # Utilidad para dividir respuestas JSON en partes más manejables
├── database/
│   ├── context.db              # Base de datos SQLite con información contextual para los agentes o el LLM
│   ├── comprobar_db.py         # Script que valida la existencia y consistencia de la base de datos
│   └── create_db.py            # Script para generar y poblar la base de datos desde cero
├── config.py                   # Archivo central de configuración del sistema (rutas, modelos, flags, etc.)
├── requirements.txt            # Lista de dependencias de Python necesarias para ejecutar el proyecto
├── Dockerfile.backend          # Dockerfile para construir el contenedor del backend (API + lógica de agentes)
├── Dockerfile.frontend         # Dockerfile para construir el contenedor de la interfaz Streamlit
└── docker-compose.yml          # Archivo para levantar los servicios frontend y backend de forma conjunta

⚙️ Requirements

• Docker

• Docker Compose

🧪 Quick installation

1. Clone the repository

git clone https://github.com/tu-usuario/MCP.git
cd MCP

2. Create configuration file for Streamlit

Inside the gui directory, create the file:

gui/.streamlit/secrets.toml

With the following content:

server_url = "http://backend:8000/process"

3. Run with Docker Compose

docker-compose up --build

This will build and lift two containers:

• Backend at http://localhost:8000

• Graphical interface at http://localhost:8501

🌍 Access from another machine (optional)

1. Make sure you expose the ports correctly ( 8000 , 8501 ).

2. Use the server machine's IP instead of localhost in secrets.toml .

3. You can also set up custom Docker networks for cross-host access.

📦 For production

You can run only the backend if you want to integrate it with another interface:

docker build -f Dockerfile.backend -t mcp_backend .
docker run -p 8000:8000 mcp_backend

✨ Example of use

In the web interface, you can type questions like:

• ¿Qué día es hoy?

• ¿Dónde estoy?

• ¿Qué clima hace?

• Explícame qué es Python

The app will decide whether to answer the question directly or delegate it to an agent.

🛠️ Agents available

🔄 Interaction between agents

The weather agent now directly uses the location agent to determine geographic coordinates ( lat , lon ) and city before querying the weather, allowing for responses tailored to the user's actual location. This improves modularity and collaboration between agents.

🧩 How to create a new agent

1. Create a class that inherits from AgenteBase:

from agentes.base import AgenteBase

class AgenteEjemplo(AgenteBase):
    patrones = [r"expresiones.*clave", r"otra.*forma.*de.*preguntar"]

    def agente(self) -> dict:
        datos = {"respuesta": "Soy un agente de ejemplo"}
        return {"success": True, "data": datos}

2. Specifies patterns to detect relevant questions.

3. Implements agente() which returns a dict with the key success and data or error.

4. The agent will automatically use the indicated LLM to generate natural responses based on your data.

⚠️ Important technical notes

• All agents inherit from AgenteBase, which manages:

  • Standard errors

  • Converting data to natural response via LLM

• The agent() method must return a structured dictionary.

• Each agent specifies which LLM model to use ( llm_simple or llm_experto ).

📄 License

This project is licensed under the MIT License.

🙋‍♂️ Author

Developed by Alejandro Gómez Sierra.