MCP youtrack

LAP个人助理

使用LangGraph构建的多代理个人助理系统，通过对话式AI管理日历事件和YouTrack问题。

安装和设置

先决条件

• Python 3.13+
• 紫外线 包管理器

使用uv进行安装

# Clone the repository
git clone 
cd LAP_PersonalAssistant

# Install dependencies
uv sync

# Set up environment variables
chmod +x set_env.sh
./set_env.sh

配置

1. 将您的API凭据添加到 secrets/ 目录：

- anthropic_token.txt -无烟煤API键 - yt_token.txt -YouTrack代币 - credentials.json -谷歌日历凭据 - token.json -谷歌日历令牌

运行应用程序

# Activate virtual environment and run
uv run python main_business.py

LangGraph利用率

该项目利用 LangGraph 创建分层多代理系统：

建筑

• 主要主管：将用户请求路由到适当的专业代理
• 代理节点：个人代理（日历管理器、YouTrack管理器）处理特定任务
• 状态管理：共享 AgentState 跟踪对话流和代理输出

使用的关键LangGraph功能

• StateGraph：管理代理工作流和状态转换
• create_react_agent：创建具有工具访问权限的ReAct模式代理
• InMemorySaver：提供对话检查点
• 动态代理路由的条件边

工作流程

1. 用户输入→ 主要主管
2. 基于LLM的代理选择
3. 专业代理执行
4. 工具调用（日历/YouTrack API）
5. 响应聚合

添加新代理

1.创建代理文件

创建 agents/new_agent_manager.py:

from langgraph.prebuilt import create_react_agent
from langchain_aws import ChatBedrock
from agent_state import AgentState
from tools.base_tools import BASE_TOOLS

def conversational_new_agent(state: AgentState):
    print("NEW AGENT: Hello, I'm the New Agent")
    
    # Load prompt
    with open("prompts/new_agent_prompt.txt", 'r') as f:
        prompt = f.read().strip()
    
    # Configure LLM
    llm = ChatBedrock(
        model_id="eu.anthropic.claude-3-7-sonnet-20250219-v1:0",
        model_kwargs={"temperature": 0}
    )
    
    # Add agent-specific tools
    tools = [your_custom_tools] + BASE_TOOLS
    
    # Create agent
    agent = create_react_agent(llm, tools, prompt)
    
    # Conversation loop
    while True:
        request = input("YOU: ").strip()
        if request.lower() in ['exit', 'quit', 'bye']:
            break
        response = agent.invoke({"messages": [{"role": "user", "content": request}]})
        print("NEW AGENT:", response["messages"][-1].content)

2.创建代理提示

添加 prompts/new_agent_prompt.txt 根据代理人的具体指示。

3.更新主主管

在……里面 main_business.py:

# Import new agent
from agents.new_agent_manager import conversational_new_agent

# Add to supervisor prompt
"- NewAgentManager: for new agent tasks"

# Add to valid teams
valid_teams = ["YoutrackManager", "CalendarManager", "NewAgentManager"]

# Add node to graph
main_workflow.add_node("new_agent_node", conversational_new_agent)

# Add routing
"NewAgentManager": "new_agent_node"

# Add edge
main_workflow.add_edge("new_agent_node", END)

4.创建自定义工具（可选）

在中添加工具 tools/new_agent_tools.py 遵循现有模式。

项目结构

LAP_PersonalAssistant/
├── agents/           # Agent implementations
├── tools/            # Tool definitions
├── prompts/          # Agent prompts
├── utils/            # Utility functions
├── secrets/          # API credentials
├── main_business.py  # Main application
└── agent_state.py    # Shared state definition