Python AI Agent And MCP

Python AI代理+MCP

此包实现了与Node.js版本相同的功能 ../nodejs/，用Python构建。它包括一个AI代理工作流程，通过MCP工具查找一个人的LinkedIn个人资料URL，抓取个人资料，并要求LLM生成一个简短的摘要和两个有趣的事实。它还包括示例MCP服务器（stdio上的数学和SSE上的天气）和一个小型MCP客户端演示。

它的作用

• LinkedIn摘要生成器管道：给定一个名称，查找LinkedIn URL→ 通过Scrapin API（或mock）刮取配置文件→ 通过LLM进行总结。
• MCP服务器：用于数学（stdio）和天气（SSE）的示例服务器，以演示工具的使用。
• MCP客户端：连接到服务器并使用工具执行简单的代理。

技术栈

• 运行时/语言：Python 3.10+
• LLM框架: langchain, langchain-openai, langgraph
• 主控程序: fastmcp 用于创作服务器； langchain-mcp-adapters 为客户
• 配置: python-dotenv
• 超文本传输协议: requests
• 解析: pydantic + langchain_core.output_parsers

项目结构（关键文件）

• main.py：端到端LinkedIn摘要链。用途 agents/linkedin_agent.lookup 和 third_parties/linkedin.scrape_linkedin_profile.
• agents/linkedin_agent.py：用途 MultiServerMCPClient 生成/连接到Profiles MCP服务器，并要求LLM代理返回LinkedIn URL。
• mcp_server/profiles.py：FastMCP服务器暴露：

- 提示： profile_prompt - 工具： profile_url （使用Tavily搜索） - 资源： profile://users/{name}

• _fastmcp/servers/math_server.py：通过stdio的数学MCP服务器。
• _fastmcp/servers/weather_server.py：SSE上的气象MCP服务器。
• _fastmcp/langchain_client.py：连接到数学（stdio）和天气（SSE）服务器并运行代理的客户端演示。
• third_parties/linkedin.py：通过Scrapin API抓取LinkedIn个人资料数据，带有可选的mock。
• output_parsers.py：Pydantic模型和 PydanticOutputParser 用于汇总器输出。

需求

创建一个 .env 此文件夹中的文件包含：

OPENAI_API_KEY=sk-...
OPENAI_MODEL_NAME=gpt-4o-mini
TAVILY_API_KEY=...
SCRAPIN_API_KEY=...

使用Pipenv安装依赖项（推荐）：

pip install pipenv
pipenv install --dev --ignore-pipfile

或者直接使用pip：

pip install -r <(pipenv requirements)  # if Pipenv is used
# OR create your own requirements.txt with the pinned versions

如何跑步

1） 端到端LinkedIn摘要

跑 main.py，其中：通过MCP支持的代理获取LinkedIn URL→ 刮擦轮廓→ 总结。

pipenv run python main.py

笔记：

• 默认名称是硬编码的 main.py (asyncio.run(main("Arif Hidayatullah"))).编辑以更改目标人员。
• 需要 OPENAI_*, TAVILY_API_KEY，以及 SCRAPIN_API_KEY 在 .env.

2） 仅运行LinkedIn查找代理

pipenv run python agents/linkedin_agent.py

打印代理使用Profiles MCP服务器找到的LinkedIn URL。

3） 手动运行MCP配置文件服务器（可选）

LinkedIn代理可以生成服务器，但您可以直接运行它进行测试：

pipenv run python mcp_server/profiles.py

4） MCP演示：数学（stdio）+天气（SSE）

客户在 _fastmcp/langchain_client.py 连接到两个服务器：

• math：作为stdio上的子进程生成
• 天气：SSE http://localhost:8000/sse

步骤：

1. 启动天气SSE服务器：

   pipenv run python _fastmcp/servers/weather_server.py

1. 在另一个终端中，运行客户端：

   pipenv run python _fastmcp/langchain_client.py

可选：独立运行数学服务器：

pipenv run python _fastmcp/servers/math_server.py

故障排除

• 401/权限错误：检查 OPENAI_API_KEY, TAVILY_API_KEY，以及 SCRAPIN_API_KEY.
• 未找到模型：确保 OPENAI_MODEL_NAME 是您的密钥可以访问的模型。
• 天气客户端无法连接：确认天气服务器正在运行并与SSE URL匹配(http://localhost:8000/sse).
• Windows绝对路径：为了方便起见，演示使用绝对Windows路径。更新路径 agents/linkedin_agent.py 和 _fastmcp/langchain_client.py 如果您的克隆路径不同，请重构为相对路径。