AI导哈

多代理研究与写作系统

DeepDraft是一个多代理系统，能够自动研究网络、创建大纲、撰写完整文档并总结，适用于自动化内容生成和研究场景。

  • by gnanadeep52
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 gnanadeep52/Multiagent_MCP

使用说明

DeepDraft——多智能体研究与写作（MCP+LangGraph）

DeepDraft是一个 多智能体系统 它采用LangGraph代理、模型上下文协议（MCP）工具服务器和Streamlit UI，自动研究网络、创建大纲、编写完整文档，然后对其进行总结。

技能：多代理编排、MCP工具服务器、LangGraph图、Streamlit UI。

它的作用

该系统将工作分解为 专业代理商 按顺序运行：

  1. 记录员代理人 → 以用户为主题，构建一个清晰的结构化大纲
  2. 文档编写代理 → 使用大纲编写完整的格式化文档
  3. 摘要代理 → 摘录5-8个关键要点

所有代理通过共享 MCP服务器 这暴露了受控工具（web搜索、web抓取、文件读/写）——代理无法直接访问互联网或文件系统。

建筑

User Input (Streamlit Chat)
        ↓
  Note-Taker Agent          ← LangGraph node: generates structured outline
        ↓                       calls MCP tools: web_search, scrape_webpage
  Doc-Writer Agent          ← LangGraph node: writes full document from outline
        ↓                       calls MCP tools: create_outline, write_document
  Summary Extraction        ← Extracts key points from final_content
        ↓
  Streamlit UI              ← Streams Outline → Full Document → Summary Points
        ↓
  MCP Server (Tool Layer)   ← web_search (Tavily) · scrape_webpage · file I/O

代理管道

flowchart TD
    U([User Topic]) --> NTA[Note-Taker Agent]
    NTA -->|outline_points| DWA[Doc-Writer Agent]
    DWA -->|final_content + summary_points| UI[Streamlit UI]

    subgraph MCP_SERVER["MCP Tool Server"]
        T1[web_search - Tavily]
        T2[scrape_webpage]
        T3[create_outline - file write]
        T4[write_document - file write]
        T5[read / edit document]
    end

    NTA --> T1
    NTA --> T2
    NTA --> T3
    DWA --> T4
    DWA --> T5

技术栈

组件 技术
代理编排 LangGraph（基于图的异步代理执行）
工具服务器 MCP（模型上下文协议）
网络搜索 Tavilly搜索API
LLM 谷歌双子座（通过LangChain）
UI 流媒体聊天界面
语言 Python 3.10+（始终异步/等待）

项目结构

Multiagent_MCP/
├── app.py                  # Streamlit UI: chat loop, agent invocation, message rendering
├── main.py                 # CLI entry point
├── agents/
│   ├── note_taker_agent.py # Agent 1: research + outline generation
│   └── doc_writer_agent.py # Agent 2: full document writing + summary extraction
├── graph/                  # LangGraph graph definitions and state schemas
├── mcp_server/             # MCP tool server: web search, scraping, file I/O tools
├── client/                 # MCP client for agent-to-tool-server communication
├── temp/                   # Generated outputs: outline.txt, answer.txt
└── requirements.txt

设置和运行

# 1. Clone and install
git clone https://github.com/gnanadeep52/Multiagent_MCP.git
cd Multiagent_MCP
pip install -r requirements.txt

# 2. Create .env file
echo "GOOGLE_API_KEY=your_google_api_key" >> .env
echo "TAVILY_API_KEY=your_tavily_api_key" >> .env

# 3. Launch the Streamlit app
streamlit run app.py

在聊天框中键入任何主题。系统将返回： 大纲→ 完整文档→ 关键总结点.

关键设计决策

为什么选择MCP而不是直接工具调用？
MCP在代理（逻辑）和工具（功能）之间创建了一个干净的分离。代理不能直接访问web或文件系统——它们必须通过工具服务器。这反映了生产代理架构，其中工具访问是可审计和受控的。

为什么在简单的链上使用LangGraph？
LangGraph允许有状态、有条件的代理执行。每个节点（代理）向前传递结构化状态，使文档编写者能够使用记录者的确切大纲，而不是重新生成它。

为什么整个过程都是异步的？
这两个代理都异步运行，以避免在长时间的工具调用（网络搜索、抓取）期间阻塞Streamlit UI。这使界面在多步骤生成过程中保持响应。

示例输出

主题： “RAG在生产中是如何工作的？”

大纲：

    1. 什么是RAG及其重要性
    1. 核心组件：检索器、矢量存储、LLM
    1. 生产挑战：延迟、新鲜度、评估
    1. AWS基岩+OpenSearch生产模式
    1. 监测和漂移检测

完整文档： 完整的降价报告（约800字）
关键总结点： 6个简明要点

参考文献

相关 MCP