MCP Crew Ai

🚀 MCP團隊AI服務器

MCP團隊AI服務器是一款基於Python的輕量級服務器，主要用於運行、管理和創建CrewAI工作流。該項目藉助模型上下文協議（MCP）與大型語言模型（LLMs）及工具（如Claude Desktop或Cursor IDE）進行通信，能讓您輕鬆協調多代理工作流。

🚀 快速開始

MCP團隊AI服務器可幫助您輕鬆運行、管理和創建CrewAI工作流。您只需完成安裝和配置，即可使用服務器來協調多代理工作流。

✨ 主要特性

• 自動配置：自動從兩個YAML文件（agents.yml和tasks.yml）加載代理和任務的配置，無需為基本設置編寫自定義代碼。
• 命令行靈活性：通過命令行參數（--agents和--tasks）傳遞自定義路徑到配置文件。
• 無縫工作流執行：通過MCP run_workflow工具輕鬆運行預配置的工作流。
• 本地開發：以標準輸出模式運行服務器，適合開發和測試。

📦 安裝指南

有幾種方式可以安裝MCP團隊AI服務器：

選項1：從PyPI安裝（推薦）

pip install mcp-crew-ai

選項2：從GitHub安裝

pip install git+https://github.com/adam-paterson/mcp-crew-ai.git

選項3：克隆並安裝

git clone https://github.com/adam-paterson/mcp-crew-ai.git
cd mcp-crew-ai
pip install -e .

先決條件

• Python 3.11+
• MCP SDK
• CrewAI
• PyYAML

📚 詳細文檔

配置

• agents.yml：定義代理的角色、目標和背景故事。
• tasks.yml：定義任務的描述、期望輸出，並將其分配給代理。

示例agents.yml：

zookeeper:
  role: 獅子管理員
  goal: 管理動物園操作
  backstory: >
    您是一位經驗豐富的動物園管理員，熱愛野生動物保護...

示例tasks.yml：

write_stories:
  description: >
    編寫一份吸引人的動物園更新，捕捉當天的亮點。
  expected_output: 5個 engaging故事
  agent: zookeeper
  output_file: zoo_report.md

使用方法

安裝完成後，您可以使用以下方法運行MCP團隊AI服務器：

標準Python命令

mcp-crew-ai --agents path/to/agents.yml --tasks path/to/tasks.yml

使用UV執行（uvx）

為了更流暢的體驗，可以使用UV執行命令：

uvx mcp-crew-ai --agents path/to/agents.yml --tasks path/to/tasks.yml

或者直接運行服務器：

uvx mcp-crew-ai-server

這將使用環境變量啟動默認配置的服務器。

命令行選項

高級用法

您還可以提供額外的變量來用於您的YAML模板：

mcp-crew-ai --agents examples/agents.yml --tasks examples/tasks.yml --topic "機器學習" --variables '{"year": 2025, "focus": "深度學習"}'

這些變量將替換YAML文件中的佔位符。例如，{topic}將被替換為"機器學習"，{year}將被替換為"2025"。

📄 許可證

[此處添加許可證信息]

通過遵循上述步驟，您可以輕鬆地設置和使用MCP團隊AI服務器來管理複雜的多代理工作流。