Demostración del Protocolo de Contexto de Modelo (MCP) Multi-Servidor

Una demostración completa de la construcción e integración de múltiples servidores del Protocolo de Contexto de Modelo (MCP) con un agente LangGraph ReAct impulsado por Groq y datos en tiempo real de OpenWeatherMap.

Este proyecto muestra cómo un agente LLM puede descubrir y consumir dinámicamente herramientas a través de diferentes servidores MCP y protocolos de transporte (stdio y streamable-http) en un único flujo de trabajo unificado.

🏗️ Arquitectura

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

Componentes

1. Servidor MCP de Matemáticas (mathserver.py):

   • Construido con FastMCP.

   • Se ejecuta sobre el transporte stdio.

   • Expone herramientas aritméticas: add, sub, mul, div.

   • Se lanza automáticamente como un subproceso en segundo plano por el cliente MCP.

2. Servidor MCP del Clima (weatherserver.py):

   • Construido con FastMCP ejecutándose sobre el transporte streamable-http en http://127.0.0.1:8000/mcp.

   • Usa httpx para obtener datos meteorológicos en vivo de la API de OpenWeatherMap.

   • Expone la herramienta get_weather (devuelve temperatura, descripción del clima, sensación térmica y humedad).

3. Cliente Orquestador (client.py):

   • Se conecta a ambos servidores MCP simultáneamente usando MultiServerMCPClient de langchain-mcp-adapters.

   • Ensambla las herramientas y potencia un agente LangGraph ReAct utilizando la inferencia rápida de LLM de Groq (ChatGroq).

Related MCP server: AIE8-MCP Server

📁 Estructura del Proyecto

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

🚀 Primeros Pasos

1. Requisitos Previos

• Python 3.10+

• Clave de API de Groq

• Clave de API de OpenWeatherMap (nivel gratuito)

2. Instalación

Clona el repositorio e instala las dependencias:

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. Configuración del Entorno

Crea un archivo .env en el directorio raíz (o copia de .env.example):

GROQ_API_KEY=your_groq_api_key_here
OPENWEATHER_API_KEY=your_openweather_api_key_here

🧪 Ejecutando la Aplicación

Paso 1: Iniciar el Servidor MCP del Clima

Dado que el servidor del clima se comunica a través de HTTP, inícialo primero en una terminal:

python weatherserver.py

El servidor del clima comenzará a escuchar en http://127.0.0.1:8000/mcp.

Paso 2: Ejecutar el Cliente Agente

Abre una segunda ventana de terminal (asegúrate de que tu entorno virtual esté activo) y ejecuta:

python client.py

Ejemplo de Salida Esperada

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%

📦 Dependencias

• mcp: SDK oficial del Protocolo de Contexto de Modelo (FastMCP)

• langchain-mcp-adapters: Conecta LangChain a servidores MCP

• langgraph: Entorno de orquestación de agentes basado en grafos

• langchain-groq: Inferencia LLM de alta velocidad con Groq

• httpx: Cliente HTTP asíncrono para solicitudes a la API del clima

• python-dotenv: Carga segura de variables de entorno

📄 Licencia

Este proyecto es de código abierto y está disponible bajo la Licencia MIT.