Agentic MCP Client

🚀 自動化 MCP 客戶端代理

這是一個獨立的代理運行器，藉助 MCP（模型上下文協議）工具，可通過 Anthropic Claude、AWS Bedrock 和 OpenAI API 執行任務。它能讓 AI 代理在雲環境中自主運行，並與各類系統安全交互，為 AI 任務的執行提供了高效且安全的解決方案。

🚀 快速開始

運行 Dashboard Web

cd dashboard
npm i
npm run dev

儀表盤 URL：http://localhost:3000
API 文檔：http://localhost:3001

安裝步驟

1. 克隆倉庫：

git clone [倉庫鏈接]
cd agentic-mcp-client

2. 設置依賴：

npm install

3. 創建配置文件：

touch src/config.json

✨ 主要特性

• 基本代理儀表盤：包含一個基本代理儀表盤，方便用戶直觀地查看代理運行狀態。
• 獨立任務運行：可使用 JSON 配置文件定義任務，從而運行獨立代理，提高任務執行的靈活性。
• 多模型支持：支持 Anthropic Claude 和 OpenAI 模型，滿足不同用戶的模型使用需求。
• 會話日誌記錄：提供會話日誌記錄功能，可跟蹤代理進度，便於後續問題排查和分析。

📚 詳細文檔

配置指南

示例配置

推理服務器

"inference_server": {
  "type": "openai",
  "api_key": "your_openai_api_key",
  "model_name": "gpt-3.5-turbo"
}

MCP 工具

"mcp_tools": [
  {
    "name": "tool1",
    "description": "執行任務1",
    "uri": "http://localhost:8080/tool1"
  },
  {
    "name": "tool2",
    "description": "執行任務2",
    "uri": "http://localhost:8081/tool2"
  }
]

MCP 工作原理

sequenceDiagram
    participant 用戶
    participant AgentWorker
    participant LLM as 語言模型
    participant MCP as MCP工具

    用戶->>AgentWorker: 任務 + 配置
    AgentWorker->>MCP: 初始化工具
    AgentWorker->>LLM: 發送任務
    loop 直到完成
        LLM->>AgentWorker: 請求工具使用
        AgentWorker->>MCP: 執行工具
        MCP->>AgentWorker: 工具結果
        AgentWorker->>LLM: 發送工具結果
        LLM->>AgentWorker: 響應
    end
    AgentWorker->>用戶: 最終結果

🤝 貢獻指南

歡迎為 Agentic MCP Client 做出貢獻！若要貢獻，請按以下步驟操作：

1. 叉克倉庫。
2. 為您的功能或錯誤修復創建新分支。
3. 進行更改並提交它們。
4. 將更改推送到您的叉庫。
5. 創建拉取請求到主倉庫。

🙏 致謝

這個項目受到了 MCP 生態系統中傑出開源項目的啟發：

• MCP-Bridge - 一箇中間件，提供與 MCP 工具兼容的 OpenAI 端點，幫助我們瞭解了工具集成和標準化的方法。

感謝這些項目的貢獻者在 MCP 領域所做的開創性工作，使代理開發更加通用和強大。

📄 許可證

Agentic MCP Client 根據 Apache 2.0 許可證發佈。有關詳細信息，請參閱 LICENSE 文件。