A2a MCP Langgraph Agent Local

A2A MCP LangGraph代理本地

一个完全本地的开源代理人工智能系统，结合了 LangGraph 对于代理开发， 奥拉玛 对于LLM服务，模型上下文协议(主控程序)，以及代理人对代理人(A2A)通信——无需订阅，无需云API，完全控制。

🎯 这有什么作用

该项目展示了一个完全在您的机器上运行的完整代理AI堆栈：

• 🧭 LangGraph 编排多代理工作流
• 🔌 主控程序 提供标准化的工具访问
• 💬 A2A 启用代理到代理的通信
• ⚙️ 奥拉玛 为本地LLM提供推理服务

使用案例： 构建研究助手、自动化工作流程、多智能体系统或实验智能体模式-所有这些都无需外部API成本和完全控制。

📖 想了解架构和概念吗？ 阅读 完整博客文章

______________________________________________________________________

🏗️ 架构概述

graph TB
    User[👤 User]
    Client[client.py
A2A Client]
    
    subgraph A2A_Stack["🌐 A2A Agent Stack"]
        Starlette[a2a_1_starlette.py
HTTP Server Starlette
• REST API endpoints
• A2A protocol]
        Executor[a2a_2_executor.py
Task Execution Engine
• Task lifecycle
• Error handling]
        Agent[a2a_3_agent.py
LangGraph Agent Core
• Agent reasoning
• Ollama LLM backend
• MCP client]
    end
    
    subgraph MCP_Stack["🔌 MCP Tool Stack"]
        MCP[mcp_server.py
MCP Protocol Layer
• Standardizes tool access
• Formats responses
• Tool discovery]
        
        subgraph Tools["⚙️ Actual Tools"]
            DDG[🔍 DuckDuckGo
Search]
            ArXiv[📚 arXiv
Search]
            Wiki[📖 Wikipedia
Search]
        end
    end
    
    subgraph Ollama["🧠 Ollama"]
        LLM[Local LLM Server]
        Models["Models:
🔷 Mistral
🦙 Llama 3
⚡ Qwen
💎 Gemma
🤖 Gpt-oss"]
    end
    
    LLM -->|serves| Models
    
    User -->|Terminal Request| Client
    Client ==>|POST /send_message| Starlette
    Starlette -->|wraps| Executor
    Executor -->|wraps| Agent
    Agent -->|connects to| MCP
    Agent -.->|reasoning| LLM
    MCP -->|wraps| Tools
    MCP -->|executes| DDG
    MCP -->|executes| ArXiv
    MCP -->|executes| Wiki
    
    classDef userStyle fill:#e8eaf6,stroke:#5c6bc0,stroke-width:2px
    classDef a2aBox fill:#bbdefb,stroke:#1976d2,stroke-width:2px
    classDef mcpBox fill:#c8e6c9,stroke:#388e3c,stroke-width:2px
    classDef ollamaBox fill:#f8bbd0,stroke:#c2185b,stroke-width:2px
    classDef subgraphStyle fill:#f5f5f5,stroke:#999,stroke-width:2px
    
    class User,Client userStyle
    class Starlette,Executor,Agent a2aBox
    class MCP,DDG,ArXiv,Wiki mcpBox
    class LLM,Models ollamaBox
    class A2A_Stack,MCP_Stack,Tools,Ollama subgraphStyle

阅读更多： 带有详细架构说明的博客文章)

______________________________________________________________________

🚀 快速开始

先决条件

• Python 3.10+
• 8GB+内存 （建议较大型号使用16GB）
• 子速率复用器 （用于运行多个服务）
• macOS、Linux或Windows与WSL

虽然代码可以完全在CPU中运行，但建议使用某种GPU加速器以获得更好的体验（减少延迟）。该实施方案已经过商业级解决方案的测试；M1、M3、RTX。

步骤1：安装依赖项

安装tmux：

macOS：

brew install tmux

Ubuntu/Debian：

sudo apt-get install tmux

安装Ollama：

curl -fsSL https://ollama.com/install.sh | sh

启动Ollama并下载模型：

ollama serve
ollama pull mistral-nemo # you can chose any open model available in Ollama. 
#if you change the model, make sure to update it accordingly in line 39 on src/a2a_3_agent.py

步骤2：克隆和设置

git clone https://github.com/JuanMaParraU/a2a-mcp-langgraph-agent-local.git
cd a2a-mcp-langgraph-agent-local

设置Python环境：

使用 uv （推荐）：

uv sync
source .venv/bin/activate

使用标准venv：

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

步骤3：启动系统

chmod +x start_agents.sh
./start_agents.sh

这将在单独的tmux窗口中启动三个服务：

• 窗口0（MCP）： MCP服务器提供工具
• 窗口1（代理）： 具有A2A+LangGraph的代理服务器
• 窗口2（客户端）： 用于发送任务的交互式客户端

# Flow
┌───────────────────────────────────────────────────────────────────────────────────────────┐
│ [ Client (User Input) ] --A2A--> [ Agent ] --MCP--> [ MCP Server ] --> [ Tools / APIs ]   │
└───────────────────────────────────────────────────────────────────────────────────────────┘

你应该看到这样的东西：

Demo welcome screen

现在，您可以通过A2A开始与远程MCP嵌入式代理聊天。要开始，请尝试以下提示：

（这将通过A2A检索代理技能）

agent card 

What tools are available to you?

Use wikipedia to explain Transformer Models architecture

Find the latest papers on Large Language Models

______________________________________________________________________

🎮 管理Tmux会话

如果您是tmux的新手，请快速查看此内容 tmux简介 开始吧。它涵盖了创建、附加和管理会话的基础知识。

在Windows之间切换

Ctrl+b then 0  →  MCP Server
Ctrl+b then 1  →  Agent Server
Ctrl+b then 2  →  Client

或循环通过：

Ctrl+b then n  →  Next window
Ctrl+b then p  →  Previous window

分离并重新连接

分离 （在后台运行）：

Ctrl+b then d

重新连接：

tmux attach -t agentic-ai

停止系统

从任何窗口按 Ctrl + c 然后

tmux kill-server

或

tmux kill-session -t agentic-ai

______________________________________________________________________

📁 深入探究

有关详细的文件说明、自定义选项和示例，请参阅 src/文件夹文档.

______________________________________________________________________

🐛 故障排除

Ollama连接问题

错误： ConnectionRefusedError: [Errno 61] Connection refused

解决方案： 确保Ollama正在跑步：

ollama serve

未找到型号

错误： Model 'mistral-nemo' not found

解决方案：

ollama pull mistral-nemo

导入错误

解决方案： 确保虚拟环境已激活（uv或venv）：

source .venv/bin/activate
pip install -r requirements.txt

tmux会话已存在

解决方案：

tmux kill-session -t agentic-ai
./start_agents_tmux.sh

______________________________________________________________________

🤝 贡献

欢迎投稿！感兴趣的领域：

• 🔭 观测工具 --可视化代理图和状态
• 🧩 高级A2A模式 --协商、共识协议
• ⚙️ 新的MCP工具 -数据库访问，API集成
• 🧠 模型基准 --性能比较
• 📚 文档 --教程、示例、解释

如何做出贡献：

1. 分叉存储库
2. 创建要素分支
3. 进行更改
4. 提交拉取请求

问题或想法？ 打开一个问题

______________________________________________________________________

📖 了解更多

• 博客文章： 构建完全本地化的代理人工智能
• 源代码详细信息： src/文件夹文档
• LangGraph文档：
• MCP规范： 人类模型上下文协议
• A2A规格： 插入链接
• 奥拉马： 奥拉玛

______________________________________________________________________

待办事项

• 远程定义模型：将模型设置为可更新的变量。允许用户定义要对话的模型。
• 动态代理技能检索和定义：此任务旨在使代理能够通过MCP查询动态访问和定义他们的技能，从而在处理各种任务时具有更大的灵活性和适应性。（问题）
• 多代理工作流：实现一个系统，通过定义和管理多个代理之间的交互，使多个代理能够协作并执行复杂的任务。这将允许创建更复杂的人工智能解决方案，利用每个代理的独特功能。（问题）
• 多步骤工作流：通过将复杂任务分解为更小、可管理的子任务，并按照适当的顺序编排其执行，为代理开发一种执行多步骤工作流的机制。这将提高人工智能系统处理复杂问题的效率和有效性。（问题）
• 本地工具定义：创建一个本地工具存储库，可以轻松集成到代理工作流中，进一步扩展其功能，而无需依赖外部API或服务。这将增强我们的人工智能系统提供的自主性和控制力。（问题）

______________________________________________________________________

📄 许可证

MIT许可证-请参阅 许可证 详细信息文件

______________________________________________________________________

问题？反馈？ 打开一个问题或联系我们——我很想听听你用这个构建了什么！

*我们对可访问的开源代理人工智能基础设施的探索的一部分。*