🚀 LW MCP-Agenten
LW MCP Agents ist ein leichtgewichtiges, modulares Framework zum Erstellen und Orchestrieren von KI-Agenten mithilfe des Model Context Protocol (MCP) . Es ermöglicht Ihnen die schnelle Entwicklung von Multi-Agenten-Systemen, in denen jeder Agent spezialisieren, zusammenarbeiten, delegieren und argumentieren kann – ohne komplexe Orchestrierungslogik schreiben zu müssen.
Erstellen Sie skalierbare, zusammensetzbare KI-Systeme nur mithilfe von Konfigurationsdateien.
🔍 Warum LW MCP-Agenten verwenden?
- ✅ Plug-and-Play-Agenten : Starten Sie intelligente Agenten ohne Boilerplate mithilfe einfacher JSON-Konfigurationen.
- ✅ Multi-Agent-Orchestrierung : Verketten Sie Agenten, um komplexe Aufgaben zu lösen – kein zusätzlicher Code erforderlich.
- ✅ Teilen und wiederverwenden : Verteilen und führen Sie Agentenkonfigurationen mühelos in verschiedenen Umgebungen aus.
- ✅ MCP-Nativ : Nahtlose Integration mit jeder MCP-kompatiblen Plattform, einschließlich Claude Desktop.
🧠 Was können Sie bauen?
- Rechercheagenten, die Dokumente zusammenfassen oder das Web durchsuchen
- Orchestratoren, die Aufgaben an domänenspezifische Agenten delegieren
- Systeme, die das Denken rekursiv skalieren und Fähigkeiten dynamisch aggregieren
🏗️ Architektur auf einen Blick
📚 Inhaltsverzeichnis
🚀 Erste Schritte
🔧 Installation
git clone https://github.com/Autumn-AIs/LW-MCP-agents.git
cd LW-MCP-agents
python -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
pip install -r requirements.txt
▶️ Führen Sie Ihren ersten Agenten aus
python src/agent/agent_runner.py --config examples/base_agent/base_agent_config.json
🤖 Probieren Sie ein Multi-Agent-Setup aus
Terminal 1 (Research Agent Server):
python src/agent/agent_runner.py --config examples/orchestrator_researcher/research_agent_config.json --server-mode
Terminal 2 (Orchestrator-Agent):
python src/agent/agent_runner.py --config examples/orchestrator_researcher/master_orchestrator_config.json
Ihr Orchestrator delegiert jetzt auf intelligente Weise Forschungsaufgaben an den Forschungsagenten.
🖥️ Claude Desktop-Integration
Konfigurieren Sie Agenten für die Ausführung in Claude Desktop :
1. Suchen Sie Ihre Claude-Konfigurationsdatei:
- macOS:
~/Library/Application Support/Claude/claude_desktop_config.json - Windows:
%APPDATA%\Claude\claude_desktop_config.json - Linux:
~/.config/Claude/claude_desktop_config.json
2. Fügen Sie Ihren Agenten unter mcpServers hinzu:
{
"mcpServers": {
"research-agent": {
"command": "/bin/bash",
"args": ["-c", "/path/to/venv/bin/python /path/to/agent_runner.py --config=/path/to/agent_config.json --server-mode"],
"env": {
"PYTHONPATH": "/path/to/project",
"PATH": "/path/to/venv/bin:/usr/local/bin:/usr/bin"
}
}
}
}
📦 Beispielagenten
- Basisagent
Ein minimaler Agent, der über MCP eine Verbindung zu Tools herstellt.
📁 examples/base_agent/ - Orchestrator + Forscher
Demonstriert hierarchische Delegation und gemeinsame Nutzung von Fähigkeiten.
📁 examples/orchestrator_researcher/
💡 Tragen Sie Ihr eigenes Beispiel bei! Senden Sie einen PR oder wenden Sie sich an die Betreuer.
⚙️ Agenten ausführen
🔹 Grundlegender Befehl
python src/agent/agent_runner.py --config <your_config.json>
🔸 Erweiterte Optionen
| Option | Beschreibung |
|---|
--server-mode | Stellt den Agenten als MCP-Server bereit |
--server-name | Weist einen benutzerdefinierten MCP-Servernamen zu |
🛠️ Benutzerdefinierte Agentenerstellung
🧱 Minimale Konfiguration
{
"agent_name": "my-agent",
"llm_provider": "groq",
"llm_api_key": "YOUR_API_KEY",
"server_mode": false
}
🧠 Funktionen hinzufügen
Definieren Sie spezielle Funktionen, über die der Agent entscheiden kann:
"capabilities": [
{
"name": "summarize_document",
"description": "Summarize a document in a concise way",
"input_schema": {
"type": "object",
"properties": {
"document_text": { "type": "string" },
"max_length": { "type": "integer", "default": 200 }
},
"required": ["document_text"]
},
"prompt_template": "Summarize the following document in {max_length} words:\n\n{document_text}"
}
]
🔄 Orchestrator-Agent
{
"agent_name": "master-orchestrator",
"servers": {
"research-agent": {
"command": "python",
"args": ["src/agent/agent_runner.py", "--config=research_agent_config.json", "--server-mode"]
}
}
}
🧬 So funktioniert es
🧩 Fähigkeiten als Denkeinheiten
Jede Funktion:
- Füllt eine Eingabeaufforderung mit den bereitgestellten Argumenten aus
- Führt internes Denken mithilfe von LLMs aus
- Verwendet Tools oder externe Agenten
- Gibt das Ergebnis zurück
📖 Forschungsbeispiel
[INFO] agent:master-orchestrator - Executing tool: research_topic
[INFO] agent:research-agent - Using tool: brave_web_search
[INFO] agent:research-agent - Finished capability: research_topic
🧱 Technische Architektur
🧠 Schlüsselkomponenten
| Komponente | Rolle |
|---|
AgentServer | Startet, konfiguriert und führt einen Agenten aus |
MCPServerWrapper | Umschließt den Agenten, um ihn über MCP verfügbar zu machen |
CapabilityRegistry | Lädt Reasoning-Aufgaben aus der Konfiguration |
ToolRegistry | Entdeckt Tools von anderen Agenten |
🌐 Architektur-Highlights
- Hierarchisches Design : Erstellen Sie Agentensysteme mit rekursivem Denken
- Delegierte Fähigkeiten : Agenten delegieren intelligent an Kollegen
- Tool-Sharing : Auf die in einem Agenten verfügbaren Tools können andere zugreifen.
- Codefreie Komposition : Erstellen Sie ganze Systeme per Konfiguration
🙌 Danksagung
Dieses Projekt ist von der brillanten Arbeit an MCP-Agenten von LastMile AI inspiriert.