Multi-Server Model Context Protocol (MCP) Demo

Eine vollständige Demonstration zum Erstellen und Integrieren mehrerer Model Context Protocol (MCP)-Server mit einem LangGraph ReAct-Agenten, der von Groq und Echtzeit-OpenWeatherMap-Daten angetrieben wird.

Dieses Projekt zeigt, wie ein LLM-Agent dynamisch Tools über verschiedene MCP-Server und Transportprotokolle (stdio und streamable-http) in einem einheitlichen Arbeitsablauf entdecken und nutzen kann.

🏗️ Architektur

flowchart LR
    subgraph Agent["LangGraph ReAct Agent (client.py)"]
        ChatGroq["LLM: Groq (Qwen / ChatGroq)"]
        MultiMCP["MultiServerMCPClient"]
    end

    subgraph MathServer["Math MCP Server (mathserver.py)"]
        MathTools["Tools: add, sub, mul, div"]
    end

    subgraph WeatherServer["Weather MCP Server (weatherserver.py)"]
        WeatherTools["Tool: get_weather (OpenWeatherMap API)"]
    end

    MultiMCP -- "stdio transport (subprocess)" --> MathServer
    MultiMCP -- "streamable-http (http://127.0.0.1:8000/mcp)" --> WeatherServer

Komponenten

1. Math MCP Server (mathserver.py):

   • Erstellt mit FastMCP.

   • Läuft über stdio-Transport.

   • Stellt arithmetische Tools bereit: add, sub, mul, div.

   • Wird automatisch als Hintergrund-Subprozess vom MCP-Client gestartet.

2. Weather MCP Server (weatherserver.py):

   • Erstellt mit FastMCP, das über streamable-http-Transport unter http://127.0.0.1:8000/mcp läuft.

   • Verwendet httpx, um aktuelle meteorologische Daten von der OpenWeatherMap API abzurufen.

   • Stellt das Tool get_weather bereit (gibt Temperatur, Wetterbeschreibung, gefühlte Temperatur und Luftfeuchtigkeit zurück).

3. Orchestrator-Client (client.py):

   • Verbindet sich gleichzeitig mit beiden MCP-Servern über MultiServerMCPClient aus langchain-mcp-adapters.

   • Stellt die Tools zusammen und treibt einen LangGraph ReAct-Agenten mit Groqs schneller LLM-Inferenz (ChatGroq) an.

Related MCP server: AIE8-MCP Server

📁 Projektstruktur

Mcp_demo/
├── client.py           # ReAct Agent & Multi-Server MCP client orchestrator
├── mathserver.py       # FastMCP server running on stdio transport
├── weatherserver.py    # FastMCP server with OpenWeatherMap API on HTTP transport
├── requirements.txt    # Python package dependencies
├── pyproject.toml      # Project configuration & metadata
├── .env.example        # Environment variables template
├── .gitignore          # Git ignore rules (protects .env and caches)
└── README.md           # Project documentation

🚀 Erste Schritte

1. Voraussetzungen

• Python 3.10+

• Groq API Key

• OpenWeatherMap API Key (kostenloser Tarif)

2. Installation

Repository klonen und Abhängigkeiten installieren:

git clone https://github.com/sreeshanthkprakash-stack/MCP-Server.git
cd MCP-Server

# Create and activate virtual environment
python -m venv .venv
# On Windows:
.venv\Scripts\activate
# On Linux/macOS:
source .venv/bin/activate

# Install dependencies
pip install -r requirements.txt

3. Umgebungskonfiguration

Erstellen Sie eine .env-Datei im Stammverzeichnis (oder kopieren Sie von .env.example):

GROQ_API_KEY=your_groq_api_key_here
OPENWEATHER_API_KEY=your_openweather_api_key_here

🧪 Anwendung ausführen

Schritt 1: Weather MCP Server starten

Da der Wetterserver über HTTP kommuniziert, starten Sie ihn zuerst in einem Terminal:

python weatherserver.py

Der Wetterserver beginnt mit dem Abhören von http://127.0.0.1:8000/mcp.

Schritt 2: Agent-Client ausführen

Öffnen Sie ein zweites Terminalfenster (stellen Sie sicher, dass Ihre virtuelle Umgebung aktiv ist) und führen Sie aus:

python client.py

Beispiel für erwartete Ausgabe

math_response The result of the expression ((15*20)+200)/4 is 125.
weather_response Weather in Hyderabad: haze, temperature 29.5°C (feels like 32.1°C), humidity 65%

📦 Abhängigkeiten

• mcp: Offizielles Model Context Protocol SDK (FastMCP)

• langchain-mcp-adapters: Verbindet LangChain mit MCP-Servern

• langgraph: Graphbasierte Agenten-Orchestrierungs-Laufzeit

• langchain-groq: Hochgeschwindigkeits-LLM-Inferenz mit Groq

• httpx: Async-HTTP-Client für Wetter-API-Anfragen

• python-dotenv: Sicheres Laden von Umgebungsvariablen

📄 Lizenz

Dieses Projekt ist Open Source und unter der MIT-Lizenz verfügbar.