Awesome IOT AI Agent MCP

🌐 出色的物联网人工智能代理和MCP🤖

   

一份全面、精心策划的物联网人工智能代理、MCP实现、框架、工具和研究论文列表

*从边缘设备到云平台•从TinyML到大型语言模型•从研究到生产*

🚀 快速开始 • 📚 文档 • 💡 示例 • 🤝 贡献

______________________________________________________________________

📊 市场洞察（2025）

______________________________________________________________________

📋 目录

• 🚀 快速开始
• 🤖 AI代理框架
• 🔌 模型上下文协议（MCP）
• 🌐 物联网平台
• 📡 通信协议
• 🧠 边缘AI和TinyML
• 🔒 安全与隐私
• 🏭 实际应用
• 🛠️ 开发工具
• 📖 研究与文献
• 💡 代码示例
• 🎓 学习资源

______________________________________________________________________

🚀 快速开始

🏃 5分钟设置选项

选项1:MQTT AI代理

pip install paho-mqtt openai
python examples/mqtt_ai_agent.py

💡 最适合：物联网消息传递

选项2:MCP服务器

npm install @modelcontextprotocol/sdk
npx tsx examples/mcp_server.ts

💡 最适合：AI集成

选项3：边缘AI

pip install tflite-runtime
python examples/edge_inference.py

💡 最适合：设备上ML

______________________________________________________________________

🤖 AI代理框架

🌟 顶级多代理框架

🔥 LangGraph - Low-Level Orchestration (Click to expand)

特性:

• ✨ 有状态的多代理工作流
• 🔄 持久的执行力和毅力
• 🤝 人在循环中的能力
• 💾 短期和长期记忆
• 🎯 版本1.0发布（2024年11月）

物联网用例:

from langgraph.graph import StateGraph

# Define IoT workflow
workflow = StateGraph()
workflow.add_node("read_sensors", read_iot_sensors)
workflow.add_node("analyze", analyze_with_ai)
workflow.add_node("act", control_actuators)
workflow.compile()

资源:

• 📖 LangGraph示例库
• 🎓 很棒的LangGraph资源

🚀 CrewAI - Role-Based Multi-Agent (Click to expand)

关键统计数据:

• 👥 100000多名认证开发人员
• ⚡ 轻量级、纯Python
• 🧠 内置记忆和知识

快速示例:

from crewai import Agent, Task, Crew

sensor_agent = Agent(
    role="Sensor Monitor",
    goal="Monitor IoT sensors",
    backstory="Expert in real-time data"
)

crew = Crew(agents=[sensor_agent], tasks=[task])
result = crew.kickoff()

资源:

• 📦 示例存储库
• 🎓 多智能体课程

______________________________________________________________________

🔌 模型上下文协议（MCP）

“MCP之于AI就像USB-C之于硬件” -人工智能集成的通用标准

📚 官方资源

🌟 主要特点

• 🌐 普遍协议：基于JSON-RPC 2.0
• 🚀 发展迅速：1000+台服务器（2025年2月）
• ⚡ 高性能：平均响应时间205ms
• 💾 轻量级：74KB内存占用
• ✅ 可靠的：22种传感器类型的成功率为100%

🔥 流行的MCP服务器

🐙 GitHub MCP服务器

*通过MCP访问GitHub*

• 存储库管理
• 问题跟踪
• 拉取请求
• 代码搜索

🍃 MongoDB MCP服务器 mongodb-js/mongodb-mcp服务器

*通过MCP查询MongoDB*

• 数据库查询
• 聚合
• 索引操作
• 馆藏管理

🏭 IoT边缘MCP服务器 llm使用/IoT边缘MCP服务器

*通过MCP实现工业物联网*

• MQTT传感器
• Modbus设备
• SCADA系统
• 实时监控

📁 文件系统MCP 模型上下文协议/服务器

*通过MCP进行文件操作*

• 读/写文件
• 目录导航
• 文件搜索
• 权限

🌐 MCP物联网集成模式

MCP-MQTT快速桥接示例:

from mcp import Server
import paho.mqtt.client as mqtt

server = Server()
mqtt_client = mqtt.Client()

@server.tool()
def read_sensor(device_id: str):
    mqtt_client.publish(f"sensors/{device_id}/read", "")
    # Return sensor data via MCP

资源:

• 📄 MQTT上的MCP指南
• 🔬 IoT MCP研究论文

______________________________________________________________________

🌐 物联网平台和生态系统

☁️ 云平台

Platform Key Features Pricing Best For

AWS物联网核心 AWS文档

• MQTT 3和5支持
• 数百万台设备
• 绿草边缘运行时
• SageMaker机器学习集成

$1/M消息 💰 $200免费等级

大规模部署

Azure物联网中心 Azure文档

• 双向通信
• 99.9%SLA
• 设备双
• Azure AI集成

现收现付 免费套餐可用

企业集成

谷歌云物联网 GCP文件

• BigQuery分析
• 顶点AI集成
• 供应链双胞胎

以分析为重点 定价

数据密集型应用程序

🔓 开源平台

______________________________________________________________________

📡 通信协议

🌐 应用层

📡 MQTT Quick Start

Python发布器:

import paho.mqtt.client as mqtt
import json

client = mqtt.Client()
client.connect("broker.emqx.io", 1883)

data = {"temperature": 25.5, "device": "sensor-001"}
client.publish("iot/sensors/temp", json.dumps(data), qos=1)

Python订阅服务器:

def on_message(client, userdata, msg):
    data = json.loads(msg.payload)
    print(f"Temperature: {data['temperature']}°C")

client = mqtt.Client()
client.on_message = on_message
client.connect("broker.emqx.io", 1883)
client.subscribe("iot/sensors/#")
client.loop_forever()

热门经纪人:

• 🐝 Mosquitto-轻量级，广泛部署
• 🚀 EMQX-可扩展，企业级
• 🐰 RabbitMQ-带MQTT插件

📶 无线协议

______________________________________________________________________

🧠 边缘AI和TinyML

边缘人工智能市场1950亿美元（2025年）→1.1吨美元（2032年）

🔥 顶级框架

TensorFlow Lite Micro

⭐ 14.4K+颗星 🔗

特性:

• 💾 KB级内存
• ⚡ 硬件加速
• 🌍 多平台支持

平台:

• ESP32，Arduino
• STM32，树莓派

#include 
interpreter->Invoke();

边缘脉冲

⭐ 118185个项目 🌐 平台

特性:

• 🎨 无代码ML管道
• 🚀 一键部署
• 🔧 定制型号

统计:

• 50953名开发者
• 100+硬件目标

📊 更多框架

💻 硬件选项

______________________________________________________________________

🔒 安全与隐私

🛡️ 安全标准

NIST IoT Security Framework (2024-2025)

最新动态:

• NIST IR 8425 （2025年1月）：消费者物联网基线
• NIST IR 8425A （2024年9月）：路由器配置文件
• NIST IR 8259第1版 （2025）：框架更新

关键领域:

• 设备身份和身份验证
• 数据保护和加密
• 软件更新机制
• 网络安全事件检测
• 逻辑访问控制

🤝 隐私保护人工智能

联合学习库:

益处:

• ✅ 隐私保护
• ✅ 分布式学习
• ✅ GDPR/HIPAA合规性
• ✅ 带宽减少

______________________________________________________________________

🏭 实际应用

🏠 智能家居

市场：153亿美元（2024年）→1041亿美元（2034年）

成功案例:

• 亚马逊Alexa：100000多个设备集成，生成式人工智能
• 家庭助理2024.6：Gemini和ChatGPT集成
• LG AI代理 （CES 2024）：自主家居控制

🏭 工业物联网

ROI示例:

总体影响:

• 计划外停机时间减少50%
• 维护成本降低10-40%

🌆 智慧城市

全球实施:

• 首尔: 30%→70% 公交乘客量增加
• 开普敦：用水量下降40-60%
• 科隆：100%停车覆盖率

⚕️ 医疗保健

市场2022年：21.2亿美元，篮球场29.8%

美国食品药品监督管理局批准:

• 苹果手表：心电图、心房颤动检测
• 运动追踪者：心电图、被动心房颤动监测

结果:

• 糖尿病诊断准确率97.3%
• 心脏病检出率96.2%

🌾 农业

成功案例:

• 荷兰：产量增加20%
• 加利福尼亚：减少25%的水量
• 孟加拉国：作物预测准确率95.8%

______________________________________________________________________

🛠️ 开发工具

🔧 物联网框架

📊 可视化

☸️ 开发运维

______________________________________________________________________

📖 研究与文献

📄 近期论文（2023-2025）

📚 顶级会议

______________________________________________________________________

💡 代码示例

中的所有示例 /examples 目录。

🔥 快速示例

1. MQTT Temperature Sensor (Python)

import paho.mqtt.client as mqtt
import json, time, random

client = mqtt.Client()
client.connect("broker.emqx.io", 1883)

while True:
    data = {
        "device": "sensor-001",
        "temperature": 20 + random.uniform(-5, 10),
        "timestamp": time.time()
    }
    client.publish("iot/sensors/temp", json.dumps(data), qos=1)
    time.sleep(5)

1. MCP IoT Server (TypeScript)

import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import mqtt from "mqtt";

const server = new Server({ name: "iot-mcp", version: "1.0.0" });
const mqttClient = mqtt.connect("mqtt://broker.emqx.io");

server.tool("read_sensor", "Read sensor",
  { device_id: { type: "string" } },
  async ({ device_id }) => {
    // MQTT sensor read logic
  }
);

1. Edge AI Inference (TFLite)

import tflite_runtime.interpreter as tflite
import numpy as np

interpreter = tflite.Interpreter(model_path="model.tflite")
interpreter.allocate_tensors()

input_data = np.array([[temperature, humidity]], dtype=np.float32)
interpreter.set_tensor(input_details[0]['index'], input_data)
interpreter.invoke()

output = interpreter.get_tensor(output_details[0]['index'])

______________________________________________________________________

🎓 学习资源

📚 课程

• 🎓 深度学习。人工智能:

- LangGraph中的AI代理 - 具有crewAI的多AI代理系统

• 🎓 边缘脉冲:

- 嵌入式机器学习

🔗 精彩列表

• 出色的AI代理
• 出色的物联网
• 真棒TinyML
• 很棒的LangGraph

______________________________________________________________________

🤝 贡献

我们欢迎捐款！ 🎉

如何做出贡献:

1. 🍴 分叉存储库
2. 🌿 创建特征分支(git checkout -b feature/Amazing)
3. 💾 提交更改(git commit -m 'Add Amazing Feature')
4. 📤 推送到分支(git push origin feature/Amazing)
5. 🎉 打开拉取请求

添加什么:

• 📝 新框架/工具
• 💡 代码示例
• 📄 研究论文
• 🐛 错误修复
• 📚 文档

______________________________________________________________________

📊 统计

📦 Resources: 1000+
⭐ Frameworks: 200+
📄 Papers: 100+
💡 Examples: 50+
🔄 Updated: 2025-01-17

______________________________________________________________________

🙏 致谢

• 🤖 Anthropic -模型上下文协议
• 🌐 OpenAI、微软、谷歌 -人工智能框架
• 🔬 研究团体 -推进物联网人工智能
• 👥 开源社区 -使之成为可能

______________________________________________________________________

📄 许可证

MIT许可证-请参阅 许可证 了解详情。

______________________________________________________________________

⭐ 如果您觉得此存储库有用，请将其标记为星号！

由以下材料制成❤️ IoT AI社区

⬆ 返回页首