Zeit-MCP

Ein minimales agentenbasiertes KI-System, das zeitbezogene und allgemeine Fragen mithilfe einer toolerweiterten LLM-Pipeline beantwortet.

Merkmale

• Flask-API : Stellt den aktuellen Zeitstempel bereit.

• MCP-Agent-Server : Argumentationsagent, der die Absicht des Benutzers erkennt, Tools (wie die Zeit-API) aufruft, Eingabeaufforderungen erstellt und über OpenRouter (OpenAI-kompatible API) mit einem LLM interagiert.

• Streamlit-Benutzeroberfläche : Einfache Chat-Oberfläche zum Sprechen mit dem KI-Agenten.

Related MCP server: MCP: Multi-Agent Control Point

Aufstellen

1. Abhängigkeiten klonen und installieren

pip install -r requirements.txt

2. Umgebungsvariable

Legen Sie Ihren OpenRouter-API-Schlüssel fest (holen Sie sich einen von https://openrouter.ai ):

export OPENROUTER_API_KEY=sk-...your-key...

3. Führen Sie die Server aus

Öffnen Sie drei Terminals (oder verwenden Sie Hintergrundprozesse):

Terminal 1: Flask Time API

python flask_api.py

Terminal 2: MCP-Agent-Server

python mcp_server.py

Terminal 3: Streamlit-Benutzeroberfläche

streamlit run streamlit_ui.py

Die Streamlit-Benutzeroberfläche wird in Ihrem Browser geöffnet (Standard: http://localhost:8501 )

Verwendung

• Stellen Sie dem Agenten in der Streamlit-Benutzeroberfläche beliebige Fragen.

• Wenn Sie nach der Uhrzeit fragen (z. B. „Wie spät ist es?“), ruft der Agent die Flask-API auf, ruft die aktuelle Uhrzeit ab und erstellt mithilfe des LLM eine schöne, natürliche Antwort.

• Bei anderen Fragen antwortet der Agent ausschließlich über das LLM.

Architektur

[Streamlit UI] → [MCP Agent Server] → [Tools (e.g., Time API)]
                            ↓
                        [LLM via OpenRouter]

• Der MCP-Agent erkennt die Absicht, ruft bei Bedarf Tools auf, erstellt Eingabeaufforderungen und sendet sie an das LLM.

• Leicht erweiterbar, um weitere Tools hinzuzufügen (einfach zur MCPAgent-Klasse hinzufügen).

Anpassung

• Weitere Tools hinzufügen : Implementieren Sie neue Methoden in MCPAgent und aktualisieren Sie self.tools .

• Absichtserkennung verbessern : Erweitern Sie detect_intent() in MCPAgent .

• LLM-Modell ändern : Aktualisieren Sie das model in call_llm() .

Anforderungen

• Python 3.7+

• Informationen zu Abhängigkeiten finden Sie in requirements.txt .

Credits

• Erstellt mit Flask, Streamlit, OpenRouter und Python.

• Inspiriert von agentischen LLM-Designmustern.