agentic-mcp-gateway

Model Context Protocol (MCP)

Werkzeuge in einen Agenten-Loop für Betriebsarbeit einbinden: Richtlinien aus einer lokalen Wissensdatenbank abrufen (RAG), Scheinzahlungen durchsuchen und Tickets öffnen – die gleiche Form wie Produktions-Copiloten, die vor Kernbank-/Ops-APIs sitzen, ohne proprietären Code.

Dieses Repository ist ursprüngliche Demo-Software von Md Tanvir Alam. Es verwendet ausschließlich generische Zahlungs-, KYC- und Interbank-Nachrichtenkonzepte.

Related MCP server: cortex

Architektur

flowchart LR
  subgraph Client
    Recruiter["CLI / curl / MCP client"]
  end

  subgraph HTTP["Optional FastAPI"]
    Chat["POST /chat"]
    Health["GET /health"]
  end

  subgraph Agent["Agent loop"]
    LLM["LLM or FakeLLM stub"]
    ReAct["ReAct planner"]
  end

  subgraph MCP["MCP server"]
    T1["retrieve_docs"]
    T2["search_payments"]
    T3["create_ticket"]
  end

  subgraph Data
    KB["Markdown KB + hash embeddings"]
    SQLite["SQLite mock ledger / tickets"]
  end

  Recruiter --> Chat
  Recruiter --> MCP
  Chat --> ReAct
  ReAct --> LLM
  ReAct --> T1 & T2 & T3
  MCP --> T1 & T2 & T3
  T1 --> KB
  T2 --> SQLite
  T3 --> SQLite

Der MCP-Server und der HTTP-Agent teilen sich eine Tool-Registry. Das ist das Produktionsmuster: dieselben typisierten Fähigkeiten über stdio/SSE für IDE-Agenten und über HTTP für eine Produkt-UI bereitstellen.

Schnellstart

Python 3.11+ (3.12/3.13 ok). Kein API-Schlüssel erforderlich.

python3 -m venv .venv
source .venv/bin/activate   # Windows: .venv\Scripts\activate
pip install -r requirements.txt

# tests — FakeLLM, hash embeddings, in-memory SQLite
pytest -q

# HTTP demo
cp .env.example .env
PYTHONPATH=src python -m uvicorn agentic_mcp_gateway.http_app:app --port 8080

Eine Sitzung ausprobieren:

curl -s localhost:8080/health
curl -s localhost:8080/chat -H 'content-type: application/json' \
  -d '{"message":"Find payment PMT-1002 and open a ticket if it is stuck"}'

MCP stdio (für Claude Desktop / Cursor-ähnliche Clients):

PYTHONPATH=src python -m agentic_mcp_gateway.mcp_server

Docker:

docker compose up --build
# then the same curl against localhost:8080

Wie MCP-Tools auf die Produktion abgebildet werden

Der Agent ist eine kleine ReAct-Schleife: denken → Werkzeug wählen → beobachten → wiederholen, dann antworten. Mit LLM_PROVIDER=fake ist der Planer deterministisch, sodass CI nie OpenAI benötigt. Setzen Sie LLM_PROVIDER=llm und OPENAI_API_KEY, um ein echtes Chat-Modell einzusetzen; die Tool-Verträge bleiben identisch.

Embeddings verwenden standardmäßig gehashte Zeichen-n-Gramme (numpy cosine). Das ist ein dokumentierter Demo-Fallback – tauschen Sie HashingEmbedder gegen einen Sentence-Transformer oder eine externe Embedding-API aus, ohne die Retriever-Schnittstelle zu ändern.

Projektstruktur

src/agentic_mcp_gateway/   package
  tools/                   retrieve / payments / tickets
  agent.py                 ReAct + FakeLLM
  mcp_server.py            MCP stdio server
  http_app.py              FastAPI /chat
docs/kb/                   sample ops knowledge
tests/                     tool registry, RAG, mocked agent turn

Autor

Md Tanvir Alam — github.com/tanvir-ux

MIT-lizenziert. Nicht mit einer Bank oder einem Kernbankenanbieter verbunden.