Agents MCP Usage

🚀 模型上下文协议（MCP）代理框架演示

本项目展示了如何使用简单的模型上下文协议（MCP）服务器与多个框架协同工作，为大语言模型（LLM）提供标准化的上下文交互方式，提升开发效率与灵活性。

🚀 快速开始

1. 克隆此仓库。
2. 安装所需的包：

   uv sync
   

3. 在 .env 文件中设置你的环境变量：

   LOGFIRE_TOKEN=your_logfire_token
   GEMINI_API_KEY=your_gemini_api_key
   OPENAI_API_KEY=your_openai_api_key
   

4. 运行以下任意一个示例脚本来查看 MCP 服务器的简单用法：
   • 谷歌代理开发工具包（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

模型上下文协议（MCP）

模型上下文协议允许应用程序以标准方式为大语言模型（LLM）提供上下文，将为 LLM 提供上下文的职责与实际的 LLM 交互分离。了解更多：模型上下文协议介绍

MCP 的优势

• 简化开发：通过定义组件的清晰规范，如资源（数据暴露）、提示（重用模板）、工具（操作）和采样（完成），MCP 简化了开发过程并促进了一致性。
• 灵活性高：允许开发者更轻松地在不同的 LLM 提供商之间切换，而无需完全重构其工具和数据集成。
• 标准化接口：特别关注于标准化代理推理（LLM）与其功能（工具和数据）之间的接口，旨在创建一个更互操作的生态系统。

📦 安装指南

1. 克隆此仓库。
2. 安装所需的包：

   uv sync
   

3. 在 .env 文件中设置环境变量：

   LOGFIRE_TOKEN=your_logfire_token
   GEMINI_API_KEY=your_gemini_api_key
   OPENAI_API_KEY=your_openai_api_key
   

📚 详细文档

项目概述

此仓库展示了如何使用 MCP 协议与几个流行的 LLM Agent 框架（如 Google ADK、LangGraph、OpenAI Agents 和 Pydantic - AI）结合使用。通过提供上下文数据和工具，MCP 允许开发者以一种统一的方式与不同的 LLM 提供商交互。

MCP 架构

MCP 架构定义了以下主要组件：

1. 资源（Resources）：提供给 LLM 的数据和信息。
2. 提示（Prompts）：用于指导 LLM 生成响应的模板。
3. 工具（Tools）：LLM 可以调用的操作或函数。
4. 采样（Sampling）：定义如何从 LLM 获取完成。

通过这些组件，MCP 提供了一种标准化的方式来整合和管理 LLM 的上下文信息。

关于 Logfire

Logfire 是 Pydantic 团队开发的一个可观测性平台，旨在使 AI 应用程序的监控变得简单。其主要特性包括：

• 简单强大的仪表盘
• 面向 Python 的见解，包括丰富显示 Python 对象
• 基于 SQL 的查询应用程序数据
• OpenTelemetry 支持以利用现有工具
• Pydantic 集成以进行验证分析

Logfire 为开发者提供了对其代码运行情况的洞察力，这对于理解 LLM 模型的行为尤其重要。