Agents MCP Usage

🚀 模型上下文協議（MCP）代理框架演示

本項目展示瞭如何使用簡單的模型上下文協議（MCP）服務器與多個框架協同工作，為大語言模型（LLM）提供標準化的上下文交互方式，提升開發效率與靈活性。

🚀 快速開始

1. 克隆此倉庫。
2. 安裝所需的包：

   uv sync
   

3. 在 .env 文件中設置你的環境變量：

   LOGFIRE_TOKEN=your_logfire_token
   GEMINI_API_KEY=your_gemini_api_key
   OPENAI_API_KEY=your_openai_api_key
   

4. 運行以下任意一個示例腳本來查看 MCP 服務器的簡單用法：
   • 谷歌代理開發工具包（ADK）：basic_mcp_use/adk_mcp.py
   • LangGraph 代理：basic_mcp_use/langgraph_mcp.py
   • OpenAI 代理：[basic_mcp_use/oai - agent_mcp.py](basic_mcp_use/oai - agent_mcp.py)
   • Pydantic - AI 代理：basic_mcp_use/pydantic_mcp.py

✨ 主要特性

模型上下文協議（MCP）

模型上下文協議允許應用程序以標準方式為大語言模型（LLM）提供上下文，將為 LLM 提供上下文的職責與實際的 LLM 交互分離。瞭解更多：模型上下文協議介紹

MCP 的優勢

• 簡化開發：通過定義組件的清晰規範，如資源（數據暴露）、提示（重用模板）、工具（操作）和採樣（完成），MCP 簡化了開發過程並促進了一致性。
• 靈活性高：允許開發者更輕鬆地在不同的 LLM 提供商之間切換，而無需完全重構其工具和數據集成。
• 標準化接口：特別關注於標準化代理推理（LLM）與其功能（工具和數據）之間的接口，旨在創建一個更互操作的生態系統。

📦 安裝指南

1. 克隆此倉庫。
2. 安裝所需的包：

   uv sync
   

3. 在 .env 文件中設置環境變量：

   LOGFIRE_TOKEN=your_logfire_token
   GEMINI_API_KEY=your_gemini_api_key
   OPENAI_API_KEY=your_openai_api_key
   

📚 詳細文檔

項目概述

此倉庫展示瞭如何使用 MCP 協議與幾個流行的 LLM Agent 框架（如 Google ADK、LangGraph、OpenAI Agents 和 Pydantic - AI）結合使用。通過提供上下文數據和工具，MCP 允許開發者以一種統一的方式與不同的 LLM 提供商交互。

MCP 架構

MCP 架構定義了以下主要組件：

1. 資源（Resources）：提供給 LLM 的數據和信息。
2. 提示（Prompts）：用於指導 LLM 生成響應的模板。
3. 工具（Tools）：LLM 可以調用的操作或函數。
4. 採樣（Sampling）：定義如何從 LLM 獲取完成。

通過這些組件，MCP 提供了一種標準化的方式來整合和管理 LLM 的上下文信息。

關於 Logfire

Logfire 是 Pydantic 團隊開發的一個可觀測性平臺，旨在使 AI 應用程序的監控變得簡單。其主要特性包括：

• 簡單強大的儀表盤
• 面向 Python 的見解，包括豐富顯示 Python 對象
• 基於 SQL 的查詢應用程序數據
• OpenTelemetry 支持以利用現有工具
• Pydantic 集成以進行驗證分析

Logfire 為開發者提供了對其代碼運行情況的洞察力，這對於理解 LLM 模型的行為尤其重要。