Token导航 LogoToken导航

MCP Server · AI代理

Python Agents MCP Course

提供Python代码示例,用于实现基于模型上下文协议(MCP)的AI代理,支持工具调用、错误处理和智能预算管理。

stdio官方级别未说明来源级核验工具 0
AI代理错误处理PythonAPI密钥本地部署

快速开始

作者 / 组织
juleswhite
提供方
juleswhite

工具数量

0

来源目录标注

资源数量

0

来源目录标注

提示词数量

0

来源目录标注

GitHub Star

23

仓库热度

收录来源

1 个

MCP World

选型结论

Python Agents MCP Course 属于AI代理类 MCP Server,公开资料标注 0 个工具,通过stdio 本地进程接入,客户端适配情况以官方文档为准,有可以直接复制的安装命令;接入前要先准备 API Key。

分类

AI代理

传输方式

stdio

认证方式

API Key

部署方式

公开资料未说明

安装与配置

安装命令

pip install -r requirements.txt

公开命令不是通用的启动方式,拼不出可靠配置示例;请在客户端 MCP 配置里按官方文档填写 command 和 args。

上手步骤

  1. 1

    准备运行环境

    stdio 服务在本地起进程,需要先装好 对应的运行时,再按安装命令拉取依赖。

  2. 2

    安装服务

    复制下面的安装命令执行;命令里带占位符的位置换成自己的密钥或路径。

  3. 3

    写入客户端配置

    在客户端的 MCP 配置里填启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4

    验证是否可用

    连接成功后客户端会列出 0 个工具,随便调一个只读工具确认能返回结果。

接入前确认

不要直接授予不必要的文件、网络或账号权限;先核对安装命令和配置内容。

详细介绍

具有模型上下文协议的AI代理-Python代码示例

此存储库包含Coursera课程“具有模型上下文协议的AI代理”的Python代码示例

先决条件

  • Python 3.10+
  • 点
  • 来自OpenAI、Anthropic或Google的API密钥(设置于 .env 文件)

设置

每个模块都有自己的 python-code/ 目录。要设置任何模块,请执行以下操作:

cd /python-code
pip install -r requirements.txt
cp .env.example .env  # Then add your API key(s)

______________________________________________________________________

课程结构和代码映射

模块1:人工智能代理模型上下文协议(MCP)入门

项目类型代码文件
为什么我们需要模型上下文协议?视频--
模型上下文协议与人工智能问题解决工具视频--
MCP允许AI与计算机通信视频--
AI@Work-我与AI的合作是什么样子视频--
我的人工智能工具阅读--
了解更多并保持联系阅读--

*模块1是概念介绍,没有代码练习。*

______________________________________________________________________

模块2:AI代理循环和模型上下文协议

项目类型代码文件运行命令
模型上下文协议:语法、语义、时序视频----
模型上下文协议和AI代理视频----
什么是MCP服务器?视频----
工具规格视频----
构建您的第一台MCP服务器未分级插件server.pypython server.py
构建您的第一个MCP AI代理未分级插件agent.py, llm.pypython agent.py "question"
代理与工具对话与人工智能工具视频----

代码位置: 01-intro-to-mcp-agents/python-code/

关键文件:

文件描述
server.py基本MCP工具服务器 list_files 和 read_file 工具
agent.py代理循环实现(PERCEIVE→决定→ACT→观察)
llm.pyLLM集成工具(OpenAI/Anthropic/GGemini)
test_server.py无需代理即可直接测试服务器工具
server_with_resources.py带有MCP资源的服务器,用于教学代理
agent_with_learning.py在执行操作之前读取资源的代理

命令:

cd 01-intro-to-mcp-agents/python-code
pip install -r requirements.txt
python server.py              # Start the basic MCP server
python agent.py "question"    # Run the basic agent
python test_server.py         # Test server tools directly

______________________________________________________________________

模块3:使用模型上下文协议构建AI代理

项目类型代码文件运行命令
资源视频----
教代理人使用工具未分级插件workspace_server.pypython workspace_server.py
教导代理人寻求帮助未分级插件workspace_server.pypython workspace_server.py
帮助代理商找到指导未分级插件workspace_server.pypython workspace_server.py
帮助AI代理在飞行中未分级插件workspace_server.pypython workspace_server.py
帮助AI代理发现与工作空间相关的指导未分级插件workspace_agent.pypython workspace_agent.py "question"

代码位置: 01-intro-to-mcp-agents/python-code/

关键文件:

文件描述
workspace_server.py具有工作区感知工具和上下文发现的增强服务器
workspace_agent.py在具有上下文感知的定义工作空间内工作的代理
workspace/示例工作空间 .context.md 测试文件

命令:

cd 01-intro-to-mcp-agents/python-code
python workspace_server.py           # Start workspace-aware server
python workspace_agent.py "question" # Run workspace agent with context discovery

______________________________________________________________________

模块4:AI代理的稳健错误处理技术

项目类型代码文件运行命令
响应不仅仅是数据未分级插件expense_server.pypython expense_server.py
设计错误以帮助AI代理未分级插件expense_server.pypython expense_server.py
复杂工作流中的错误未分级插件expense_server.pypython expense_server.py
从错误恢复中最小化人工智能代理的认知负担未分级插件expense_server.pypython expense_server.py
帮助AI代理找到修复错误的替代路径未分级插件expense_server.pypython expense_server.py

代码位置: 02-failing-forward/python-code/

关键文件:

文件描述
expense_server.pyMCP服务器演示所有故障转发模式
expense_agent.py从错误中学习以完成支出任务的代理
test_failing_forward.py对所有失败的正向模式进行全面测试

命令:

cd 02-failing-forward/python-code
pip install -r requirements.txt
python expense_server.py           # Start the expense server
python expense_agent.py "request"  # Run the expense agent
python test_failing_forward.py     # Run failing forward tests

模式映射:

Coursera项目模式实现
响应不仅仅是数据响应是指令next_action, hint 响应中的字段
设计错误以帮助人工智能代理错误作为课程submit_expense 指导下的验证
复杂工作流中的错误错误链request_late_expense_approval → check_approval_status
最小化AI代理认知负担预填充参数suggested_params 在错误响应中
帮助AI代理找到替代路径替代行动alternatives 响应中的数组

______________________________________________________________________

模块5:更快、更可预测、更有能力的人工智能代理

项目类型代码文件运行命令
管理AI代理认知负荷未分级插件agent_heavy_server.py
tool_heavy_server.pypython agent_heavy_server.py
python tool_heavy_server.py
可预测性、低成本、速度:脚本编排未分级插件scripted_orchestration_server.pypython scripted_orchestration_server.py
提示和MCP视频----
自我提示:在工具中添加推理未分级插件self_prompting_server.pypython self_prompting_server.py
常见错误的人工智能代理工具设计未分级插件validate_at_source_server.pypython validate_at_source_server.py
AI代理、MCP和身份/安全视频----
结束视频----
最终评估作业----

代码位置: 03-intelligence-budget/python-code/

关键文件:

文件描述
agent_heavy_server.py最小化工具方法-代理执行大部分处理
tool_heavy_server.py丰富的工具方法-工具为代理预处理数据
hybrid_server.py结合两种策略的平衡方法
scripted_orchestration_server.py允许代理编写批处理操作脚本的工具
self_prompting_server.py使孤立LLM调用语义推理的工具
validate_at_source_server.py具有分层验证的工具(格式→ 商业→ 语义)
database.py所有服务器示例使用的共享模拟数据库
test_all.py比较所有方法的综合测试套件

命令:

cd 03-intelligence-budget/python-code
pip install -r requirements.txt
python agent_heavy_server.py   # Start agent-heavy server
python tool_heavy_server.py    # Start tool-heavy server
python hybrid_server.py        # Start hybrid server
python test_all.py             # Run comparison tests

模式映射:

Coursera项目模式实现
管理人工智能代理认知负荷智能预算代理重与工具重的方法
可预测性、更低成本、更快脚本编排execute_script 批量操作工具
自我提示:添加推理自我提示工具内孤立的LLM调用
常见错误的AI代理工具设计源验证分层验证堆栈(格式→ 商业→ 语义)

______________________________________________________________________

快速参考:Coursera项目→ 代码文件

模块Coursera项目代码文件
2构建您的第一个MCP服务器01-intro-to-mcp-agents/python-code/server.py
2构建您的第一个MCP AI代理01-intro-to-mcp-agents/python-code/agent.py
3教导代理人使用工具01-intro-to-mcp-agents/python-code/workspace_server.py
3教导代理人寻求帮助01-intro-to-mcp-agents/python-code/workspace_server.py
3帮助代理商找到指导01-intro-to-mcp-agents/python-code/workspace_server.py
3帮助AI代理在飞行中01-intro-to-mcp-agents/python-code/workspace_server.py
3帮助AI代理发现与工作空间相关的指导01-intro-to-mcp-agents/python-code/workspace_agent.py
4响应不仅仅是数据02-failing-forward/python-code/expense_server.py
4设计错误以帮助AI代理02-failing-forward/python-code/expense_server.py
4复杂工作流中的错误02-failing-forward/python-code/expense_server.py
4从错误恢复中最小化AI代理的认知负担02-failing-forward/python-code/expense_server.py
4帮助AI代理找到修复错误的替代路径02-failing-forward/python-code/expense_server.py
5管理AI代理认知负荷03-intelligence-budget/python-code/agent_heavy_server.py
03-intelligence-budget/python-code/tool_heavy_server.py
5可预测性、低成本、速度:脚本编排03-intelligence-budget/python-code/scripted_orchestration_server.py
5自我提示:在工具中添加推理03-intelligence-budget/python-code/self_prompting_server.py
5常见错误的AI代理工具设计03-intelligence-budget/python-code/validate_at_source_server.py

______________________________________________________________________

环境设置

创建一个 .env 每个模块中的文件 python-code/ 目录:

OPENAI_API_KEY=your-openai-key-here
ANTHROPIC_API_KEY=your-anthropic-key-here
GOOGLE_API_KEY=your-google-key-here

您只需要为计划使用的LLM提供程序提供API密钥。

______________________________________________________________________

项目结构

code-repo/
├── README.md
├── .gitignore
│
├── 01-intro-to-mcp-agents/
│   └── python-code/
│       ├── server.py              # Module 2: Building Your First MCP Server
│       ├── agent.py               # Module 2: Building Your First MCP AI Agent
│       ├── llm.py                 # LLM integration utilities
│       ├── workspace_server.py    # Module 3: All workspace/context items
│       ├── workspace_agent.py     # Module 3: Workspace-related Guidance
│       ├── server_with_resources.py  # Server with MCP resources
│       ├── agent_with_learning.py    # Agent with active learning
│       ├── test_server.py         # Server testing
│       ├── test_resources.py      # Resource testing
│       ├── requirements.txt       # Python dependencies
│       ├── README.md              # Setup instructions
│       └── workspace/             # Sample workspace with .context.md files
│
├── 02-failing-forward/
│   └── python-code/
│       ├── expense_server.py      # Module 4: All error handling items
│       ├── expense_agent.py       # Agent for expense workflows
│       ├── test_failing_forward.py # Pattern tests
│       ├── requirements.txt       # Python dependencies
│       └── README.md              # Setup instructions
│
└── 03-intelligence-budget/
    └── python-code/
        ├── agent_heavy_server.py           # Module 5: Managing Cognitive Load
        ├── tool_heavy_server.py            # Module 5: Managing Cognitive Load
        ├── hybrid_server.py                # Balanced approach
        ├── scripted_orchestration_server.py # Module 5: Scripted Orchestration
        ├── self_prompting_server.py        # Module 5: Self-Prompting
        ├── validate_at_source_server.py    # Module 5: Tool Design for Errors
        ├── database.py                     # Shared mock database
        ├── test_all.py                     # Comparison tests
        ├── requirements.txt                # Python dependencies
        └── README.md                       # Setup instructions

______________________________________________________________________

许可证

麻省理工学院

工具与能力

工具数量

0

资源数量

0

提示词数量

0

能力标签

AI代理Python本地部署模型上下文协议Python开发工具调用错误处理

数量来自来源目录的标注,具体工具清单以官方文档为准。

典型使用场景

多步任务编排

把拆解、检索、执行串成一条链,模型按步骤调用工具。

长期上下文

把会话、笔记和知识放到外部存储,换个会话还能接着做。

接自有流程

把内部系统和模型连起来,让助手调用已有的工作流。

选择建议

值得选的地方

  • 只提供 0 个工具,职责集中,接入后不容易误操作。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 公开说明写得比较完整,接入前能看清能力边界。

先想清楚的地方

  • stdio 方式要求本地装好 运行环境,换机器要重新装一遍。
  • 需要自备API Key,没有凭据没法直接试。
  • 公开摘要偏短,具体能力和限制要回到仓库确认。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 暂时拿不到API Key的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

5 个同类
MCP Server工具数传输方式安装命令收录来源最后核验
Python Agents MCP Course

MCP World · 本页

0stdio有1 个2026-05-17
Everything Claude Code

MCP World

0stdio有1 个2026-05-17
Filesystem 560c4363

MCP World

13未说明未标注2 个2026-05-17
Time 7365cb6d

MCP.so

2SSE有2 个2026-05-17
Server Everything (everything)

MCP World

11stdio有1 个2026-05-17

按同分类和工具数量挑出最接近的几条,字段以各自详情页为准。

常见问题

5 条

Python Agents MCP Course 怎么安装?

公开资料给出的安装命令是 pip install -r requirements.txt,运行环境为 未标注。装完后按客户端要求写进 MCP 配置,重启客户端生效。

Python Agents MCP Course 怎么在 Claude Desktop、Cursor 里配置?

它是stdio 本地进程,客户端配置里要写启动命令和参数,运行环境是 未标注;保存后完全退出客户端再打开,配置才会生效。

Python Agents MCP Course 收费吗?

本站只整理公开资料,不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Python Agents MCP Course 需要 API Key 吗?

公开资料标注的认证方式是API Key,也就是要先拿到凭据才能连上;凭据只填在自己本地的配置里,不要写进公开仓库。

Python Agents MCP Course 支持哪些客户端?

公开资料没有标注具体客户端;能配置本地 MCP 命令的客户端都能接,配置方式参照官方文档。

来源信息

继续浏览同类 MCP