多代理系统集成工具

┌─────────────────┐
│ BBC Researcher  │─┐  DuckDuckGo
└─────────────────┘ │  Search
                    ├──► ┌──────────────────┐       ┌─────────────────┐
┌─────────────────┐ │    │ Senior Analyst   │       │ MCP Sequential  │
│ CNN Researcher  │─┤    │ (з MCP tools)    │◄──────┤ Thinking Server │
└─────────────────┘ │    └──────────────────┘       └─────────────────┘
                    │                ▼                (npx server)
┌─────────────────┐ │    ┌──────────────────┐
│Reuters Researcher│─┘    │ Report Synthesizer│
└─────────────────┘       └──────────────────┘

┌────────────────┐  HTTP/JSON-RPC  ┌──────────────────┐
│ A2A Client     │◄═══════════════►│ A2A Server       │
│ (a2a_test_     │                 │ (port 10002)     │
│  client.py)    │                 └────────┬─────────┘
└────────────────┘                          │
                                   ┌────────▼─────────┐
                                   │ AgentExecutor     │
                                   │ (CrewAI + LLM)    │
                                   └────────┬─────────┘
                                            │ stdio
                                   ┌────────▼─────────┐
                                   │ MCP Filesystem    │
                                   │ Server (14 tools) │
                                   └──────────────────┘

module4/
├── config.py                     # Конфігурація (env vars, валідація)
├── parallel_agent_with_mcp.py    # Pipeline 1: News Analysis (5 агентів + MCP Thinking)
├── mcp_examples.py               # Інтерактивні приклади 5 MCP серверів
│
├── a2a_server.py                 # Pipeline 2: A2A Filesystem Agent (HTTP сервер)
├── a2a_agent_executor.py         # AgentExecutor: міст A2A <-> CrewAI + MCP Filesystem
├── a2a_test_client.py            # Тестовий A2A клієнт
│
├── requirements.txt              # Python залежності
├── .env.example                  # Шаблон конфігурації
└── a2a/a2a-samples/              # Git submodule: приклади A2A (reference)

node --version  # v18+ рекомендовано
npx --version

# Створити venv (якщо Python 3.14 — використайте conda або pyenv для 3.13)
python3 -m venv .venv
source .venv/bin/activate

# Встановити залежності
pip install -r requirements.txt

cp .env.example .env

# Обов'язково
OPENAI_API_KEY=your-openai-api-key-here
# Пошук: DuckDuckGo (API ключ не потрібен)

# Опціонально
DEFAULT_MODEL=gpt-4o-mini
TEMPERATURE=0.7
ENABLE_MCP_THINKING=true
MAX_SEARCH_RESULTS=3

python parallel_agent_with_mcp.py

from parallel_agent_with_mcp import run_advanced_analysis

result = run_advanced_analysis(topic="quantum computing breakthrough")
print(result['result'])
print(f"Duration: {result['duration']:.2f}s")

python a2a_server.py --allowed-dir /tmp
# або кілька директорій:
python a2a_server.py --allowed-dir /tmp --allowed-dir /home/user/docs --port 10002

curl http://localhost:10002/.well-known/agent-card.json | python -m json.tool

python a2a_test_client.py --query "List all files in /tmp"
python a2a_test_client.py --query "Read the contents of /tmp/myfile.txt"
python a2a_test_client.py --query "Create a directory called /tmp/reports"

python mcp_examples.py

from crewai_tools import MCPServerAdapter
from mcp import StdioServerParameters

server_params = StdioServerParameters(
    command="npx",
    args=["-y", "@modelcontextprotocol/server-sequential-thinking"]
)

with MCPServerAdapter(server_params, connect_timeout=60) as mcp_tools:
    # mcp_tools — list[CrewAI Tool], автоматично конвертовані з MCP
    agent = Agent(tools=mcp_tools, ...)
    crew = Crew(agents=[agent], tasks=[...])
    crew.kickoff()
# MCP сервер зупиняється при виході з with

combined_tools = [search_news] + list(mcp_tools)
agent = Agent(tools=combined_tools, ...)

skill = AgentSkill(
    id='filesystem_assistant',
    name='Filesystem Assistant',
    description='Manages files using natural language',
    examples=['List all .py files in /tmp'],
)
agent_card = AgentCard(name='Filesystem Agent', skills=[skill], ...)

class FilesystemAgentExecutor(AgentExecutor):
    async def execute(self, context, event_queue):
        query = context.get_user_input()
        result = await asyncio.to_thread(self._run_crew, query)  # async <-> sync bridge
        await event_queue.enqueue_event(new_agent_text_message(result))

server_params = StdioServerParameters(
    command="npx",
    args=["-y", "@modelcontextprotocol/server-НАЗВА"]
)

with MCPServerAdapter(server_params, connect_timeout=60) as mcp_tools:
    agent = Agent(role='Your Role', tools=mcp_tools, ...)

conda create -n myenv python=3.13
conda activate myenv
pip install -r requirements.txt

OPENAI_API_KEY=your-api-key-here   # в .env
export OPENAI_API_KEY="your-key"   # або через export

brew install node   # macOS
# або https://nodejs.org/

with MCPServerAdapter(server_params, connect_timeout=120) as mcp_tools: