Agents MCP Usage

🚀 モデルコンテキストプロトコル（MCP）エージェントフレームワークデモ

このリポジトリは、シンプルなモデルコンテキストプロトコル（MCP）サーバーと複数のフレームワークの使用方法を示しています。

• グーグルエージェント開発キット（ADK）
• LangGraph エージェント
• OpenAI エージェント
• Pydantic - AI

📚 モデルコンテキストプロトコル（MCP）

モデルコンテキストプロトコルは、アプリケーションが大規模言語モデル（LLM）に標準的な方法でコンテキストを提供することを可能にし、LLMにコンテキストを提供する責任と実際のLLMとの対話を分離します。

詳細を知る：https://modelcontextprotocol.io/introduction

✨ MCPの利点

リソース（データ公開）、プロンプト（テンプレートの再利用）、ツール（操作）、サンプリング（完成）などのコンポーネントの明確な仕様を定義することで、MCPは開発プロセスを簡素化し、一貫性を促進します。重要な利点の1つは柔軟性です。MCPは開発者が異なるLLMプロバイダー間をより簡単に切り替えることを可能にし、ツールとデータの統合を完全に再構築する必要がありません。これは、異なるモデルにカスタムツールを実装する際に通常関連する複雑さを減らすことを目的とした構造化されたアプローチを提供します。Google Agent Development Kit、LangGraph、OpenAI Agents、Pydantic - AIなどのライブラリがエージェントの構築を促進することができますが、MCPは特にエージェント推論（LLM）とその機能（ツールとデータ）の間のインターフェースを標準化することに焦点を当てており、より相互運用可能なエコシステムを作成することを目指しています。

🌟 プロジェクト概要

このリポジトリは、MCPプロトコルをいくつかの人気のあるLLMエージェントフレームワーク（Google ADK、LangGraph、OpenAI Agents、Pydantic - AIなど）と組み合わせて使用する方法を示しています。コンテキストデータとツールを提供することで、MCPは開発者が異なるLLMプロバイダーと統一的な方法で対話することを可能にします。

🚀 クイックスタートガイド

1. このリポジトリをクローンします。
2. 必要なパッケージをインストールします。

   uv sync
   

3. .env ファイルに環境変数を設定します。

   LOGFIRE_TOKEN=your_logfire_token
   GEMINI_API_KEY=your_gemini_api_key
   OPENAI_API_KEY=your_openai_api_key
   

4. 以下のいずれかのサンプルスクリプトを実行して、MCPサーバーの簡単な使用方法を確認します。

• グーグルエージェント開発キット（ADK）
  • basic_mcp_use/adk_mcp.py
• LangGraph エージェント
  • basic_mcp_use/langgraph_mcp.py
• OpenAI エージェント
  • [basic_mcp_use/oai - agent_mcp.py](basic_mcp_use/oai - agent_mcp.py)
• Pydantic - AI エージェント
  • basic_mcp_use/pydantic_mcp.py

🔧 MCPアーキテクチャ

MCPアーキテクチャは以下の主要コンポーネントを定義しています。

1. リソース（Resources）：LLMに提供されるデータと情報。
2. プロンプト（Prompts）：LLMが応答を生成するためのテンプレート。
3. ツール（Tools）：LLMが呼び出すことができる操作または関数。
4. サンプリング（Sampling）：LLMからの完成を取得する方法を定義します。

これらのコンポーネントを通じて、MCPはLLMのコンテキスト情報を統合および管理する標準的な方法を提供します。

📄 关于Logfire

Logfire は、Pydanticチームによって開発された観測可能なプラットフォームで、AIアプリケーションの監視を簡単にすることを目的としています。その主な機能は以下の通りです。

• シンプルで強力なダッシュボード
• Python向けの洞察、Pythonオブジェクトの豊富な表示を含む
• SQLベースのクエリでアプリケーションデータを照会する
• OpenTelemetryサポートにより既存のツールを利用する
• Pydantic統合による検証分析

Logfireは、開発者にコードの実行状況に関する洞察を提供し、これはLLMモデルの動作を理解するために特に重要です。