🚀 LW MCP代理
LW MCP代理 是一个轻量级的模块化框架，用于使用 模型上下文协议（MCP）它使您能够快速设计多代理系统，每个代理都可以专门化、协作、委托和推理，而无需编写复杂的编排逻辑。
仅使用配置文件构建可扩展、可组合的AI系统。
______________________________________________________________________
🔍 为什么使用LW MCP代理？
- ✅ 即插即用代理：使用简单的JSON配置启动具有零样板的智能代理。
- ✅ 多代理编排：将代理链连接在一起以解决复杂的任务——不需要额外的代码。
- ✅ 共享和重复使用：轻松地跨环境分发和运行代理配置。
- ✅ MCP本地：与任何MCP兼容平台无缝集成，包括Claude Desktop。
______________________________________________________________________
🧠 你能建造什么？
- 汇总文档或搜索网络的研究代理
- 将任务委托给特定域代理的编排器
- 递归扩展推理并动态聚合能力的系统
______________________________________________________________________
🏗️ 建筑一瞥
______________________________________________________________________
📚 目录
______________________________________________________________________
🚀 入门指南
🔧 安装
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▶️ 运行你的第一个代理
python src/agent/agent_runner.py --config examples/base_agent/base_agent_config.json🤖 尝试多代理设置
终端1（研究代理服务器）：
python src/agent/agent_runner.py --config examples/orchestrator_researcher/research_agent_config.json --server-mode终端2（编排器代理）：
python src/agent/agent_runner.py --config examples/orchestrator_researcher/master_orchestrator_config.json您的编排器现在可以智能地将研究任务委托给研究代理。
______________________________________________________________________
🖥️ Claude桌面集成
配置代理以在内部运行 克劳德桌面:
1.找到您的Claude配置文件：
- macOS：
~/Library/Application Support/Claude/claude_desktop_config.json - 窗户：
%APPDATA%\Claude\claude_desktop_config.json - Linux：
~/.config/Claude/claude_desktop_config.json
2.在下面添加您的代理 mcpServers:
{
"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"
}
}
}
}______________________________________________________________________
📦 代理示例
- 基础代理\
通过MCP连接到工具的最小代理。\ 📁 examples/base_agent/
- 编排者+研究员\
演示分层委托和能力共享。\ 📁 examples/orchestrator_researcher/
💡 贡献你自己的榜样！ 提交PR或联系维护人员。
______________________________________________________________________
⚙️ 运行代理
🔹 基本命令
python src/agent/agent_runner.py --config 🔸 高级选项
| 选项 | 描述 |
|---|---|
--server-mode | 将代理暴露为MCP服务器 |
--server-name | 指定自定义MCP服务器名称 |
______________________________________________________________________
🛠️ 自定义代理创建
🧱 最小配置
{
"agent_name": "my-agent",
"llm_provider": "groq",
"llm_api_key": "YOUR_API_KEY",
"server_mode": false
}🧠 添加功能
定义代理可以推理的专门功能：
"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}"
}
]🔄 编排器代理
{
"agent_name": "master-orchestrator",
"servers": {
"research-agent": {
"command": "python",
"args": ["src/agent/agent_runner.py", "--config=research_agent_config.json", "--server-mode"]
}
}
}______________________________________________________________________
🧬 运作原理
🧩 作为推理单元的能力
每种能力：
- 使用提供的参数填写提示
- 使用LLM执行内部推理
- 使用工具或外部代理
- 返回结果
📖 研究实例
[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______________________________________________________________________
🧱 技术架构
🧠 关键组件
| 组件 | 角色 |
|---|---|
AgentServer | 启动、配置和运行代理 |
MCPServerWrapper | 将试剂包裹起来，使其暴露在MCP上 |
CapabilityRegistry | 从配置加载推理任务 |
ToolRegistry | 从其他代理中发现工具 |
🌐 建筑亮点
- 分层设计：使用递归推理构建代理系统
- 委托能力：代理智能地委托给对等体
- 工具共享：一个代理中可用的工具可供其他代理访问
- 无代码合成：通过配置创建整个系统
______________________________________________________________________
🙌 致谢
这个项目的灵感来自于 mcp代理 由LastMile AI提供。