AI导哈

AI代理模型上下文协议

提供Python代码示例，用于实现基于模型上下文协议（MCP）的AI代理，支持工具调用、错误处理和智能预算管理。

  • by juleswhite
  • Python
  • 本地部署
  • 42 星标
  • 更新于
在 GitHub 查看 juleswhite/python-agents-mcp-course

使用说明

具有模型上下文协议的AI代理-Python代码示例

此存储库包含Coursera课程“具有模型上下文协议的AI代理”的Python代码示例

先决条件

  • Python 3.10+
  • 点
  • 来自OpenAI、Anthropic或Google的API密钥（设置于 .env 文件）

设置

每个模块都有自己的 python-code/ 目录。要设置任何模块，请执行以下操作：

cd <module>/python-code
pip install -r requirements.txt
cp .env.example .env  # Then add your API key(s)

课程结构和代码映射

模块1：人工智能代理模型上下文协议（MCP）入门

项目 类型 代码文件
为什么我们需要模型上下文协议？ 视频 --
模型上下文协议与人工智能问题解决工具 视频 --
MCP允许AI与计算机通信 视频 --
AI@Work-我与AI的合作是什么样子 视频 --
我的人工智能工具 阅读 --
了解更多并保持联系 阅读 --

模块1是概念介绍，没有代码练习。

模块2:AI代理循环和模型上下文协议

项目 类型 代码文件 运行命令
模型上下文协议：语法、语义、时序 视频 -- --
模型上下文协议和AI代理 视频 -- --
什么是MCP服务器？ 视频 -- --
工具规格 视频 -- --
构建您的第一台MCP服务器 未分级插件 server.py python server.py
构建您的第一个MCP AI代理 未分级插件 agent.py, llm.py python agent.py "question"
代理与工具对话与人工智能工具 视频 -- --

代码位置： 01-intro-to-mcp-agents/python-code/

关键文件：

文件 描述
server.py 基本MCP工具服务器 list_files 和 read_file 工具
agent.py 代理循环实现（PERCEIVE→决定→ACT→观察）
llm.py LLM集成工具（OpenAI/Anthropic/GGemini）
test_server.py 无需代理即可直接测试服务器工具
server_with_resources.py 带有MCP资源的服务器，用于教学代理
agent_with_learning.py 在执行操作之前读取资源的代理

命令：

cd 01-intro-to-mcp-agents/python-code
pip install -r requirements.txt
python server.py              # Start the basic MCP server
python agent.py "question"    # Run the basic agent
python test_server.py         # Test server tools directly

模块3：使用模型上下文协议构建AI代理

项目 类型 代码文件 运行命令
资源 视频 -- --
教代理人使用工具 未分级插件 workspace_server.py python workspace_server.py
教导代理人寻求帮助 未分级插件 workspace_server.py python workspace_server.py
帮助代理商找到指导 未分级插件 workspace_server.py python workspace_server.py
帮助AI代理在飞行中 未分级插件 workspace_server.py python workspace_server.py
帮助AI代理发现与工作空间相关的指导 未分级插件 workspace_agent.py python workspace_agent.py "question"

代码位置： 01-intro-to-mcp-agents/python-code/

关键文件：

文件 描述
workspace_server.py 具有工作区感知工具和上下文发现的增强服务器
workspace_agent.py 在具有上下文感知的定义工作空间内工作的代理
workspace/ 示例工作空间 .context.md 测试文件

命令：

cd 01-intro-to-mcp-agents/python-code
python workspace_server.py           # Start workspace-aware server
python workspace_agent.py "question" # Run workspace agent with context discovery

模块4:AI代理的稳健错误处理技术

项目 类型 代码文件 运行命令
响应不仅仅是数据 未分级插件 expense_server.py python expense_server.py
设计错误以帮助AI代理 未分级插件 expense_server.py python expense_server.py
复杂工作流中的错误 未分级插件 expense_server.py python expense_server.py
从错误恢复中最小化人工智能代理的认知负担 未分级插件 expense_server.py python expense_server.py
帮助AI代理找到修复错误的替代路径 未分级插件 expense_server.py python expense_server.py

代码位置： 02-failing-forward/python-code/

关键文件：

文件 描述
expense_server.py MCP服务器演示所有故障转发模式
expense_agent.py 从错误中学习以完成支出任务的代理
test_failing_forward.py 对所有失败的正向模式进行全面测试

命令：

cd 02-failing-forward/python-code
pip install -r requirements.txt
python expense_server.py           # Start the expense server
python expense_agent.py "request"  # Run the expense agent
python test_failing_forward.py     # Run failing forward tests

模式映射：

Coursera项目 模式 实现
响应不仅仅是数据 响应是指令 next_action, hint 响应中的字段
设计错误以帮助人工智能代理 错误作为课程 submit_expense 指导下的验证
复杂工作流中的错误 错误链 request_late_expense_approval → check_approval_status
最小化AI代理认知负担 预填充参数 suggested_params 在错误响应中
帮助AI代理找到替代路径 替代行动 alternatives 响应中的数组

模块5：更快、更可预测、更有能力的人工智能代理

项目 类型 代码文件 运行命令
管理AI代理认知负荷 未分级插件 agent_heavy_server.py
tool_heavy_server.py		 python agent_heavy_server.py
python tool_heavy_server.py
可预测性、低成本、速度：脚本编排 未分级插件 scripted_orchestration_server.py python scripted_orchestration_server.py
提示和MCP 视频 -- --
自我提示：在工具中添加推理 未分级插件 self_prompting_server.py python self_prompting_server.py
常见错误的人工智能代理工具设计 未分级插件 validate_at_source_server.py python validate_at_source_server.py
AI代理、MCP和身份/安全 视频 -- --
结束 视频 -- --
最终评估 作业 -- --

代码位置： 03-intelligence-budget/python-code/

关键文件：

文件 描述
agent_heavy_server.py 最小化工具方法-代理执行大部分处理
tool_heavy_server.py 丰富的工具方法-工具为代理预处理数据
hybrid_server.py 结合两种策略的平衡方法
scripted_orchestration_server.py 允许代理编写批处理操作脚本的工具
self_prompting_server.py 使孤立LLM调用语义推理的工具
validate_at_source_server.py 具有分层验证的工具（格式→ 商业→ 语义）
database.py 所有服务器示例使用的共享模拟数据库
test_all.py 比较所有方法的综合测试套件

命令：

cd 03-intelligence-budget/python-code
pip install -r requirements.txt
python agent_heavy_server.py   # Start agent-heavy server
python tool_heavy_server.py    # Start tool-heavy server
python hybrid_server.py        # Start hybrid server
python test_all.py             # Run comparison tests

模式映射：

Coursera项目 模式 实现
管理人工智能代理认知负荷 智能预算 代理重与工具重的方法
可预测性、更低成本、更快 脚本编排 execute_script 批量操作工具
自我提示：添加推理 自我提示 工具内孤立的LLM调用
常见错误的AI代理工具设计 源验证 分层验证堆栈（格式→ 商业→ 语义）

快速参考：Coursera项目→ 代码文件

模块 Coursera项目 代码文件
2 构建您的第一个MCP服务器 01-intro-to-mcp-agents/python-code/server.py
2 构建您的第一个MCP AI代理 01-intro-to-mcp-agents/python-code/agent.py
3 教导代理人使用工具 01-intro-to-mcp-agents/python-code/workspace_server.py
3 教导代理人寻求帮助 01-intro-to-mcp-agents/python-code/workspace_server.py
3 帮助代理商找到指导 01-intro-to-mcp-agents/python-code/workspace_server.py
3 帮助AI代理在飞行中 01-intro-to-mcp-agents/python-code/workspace_server.py
3 帮助AI代理发现与工作空间相关的指导 01-intro-to-mcp-agents/python-code/workspace_agent.py
4 响应不仅仅是数据 02-failing-forward/python-code/expense_server.py
4 设计错误以帮助AI代理 02-failing-forward/python-code/expense_server.py
4 复杂工作流中的错误 02-failing-forward/python-code/expense_server.py
4 从错误恢复中最小化AI代理的认知负担 02-failing-forward/python-code/expense_server.py
4 帮助AI代理找到修复错误的替代路径 02-failing-forward/python-code/expense_server.py
5 管理AI代理认知负荷 03-intelligence-budget/python-code/agent_heavy_server.py
03-intelligence-budget/python-code/tool_heavy_server.py
5 可预测性、低成本、速度：脚本编排 03-intelligence-budget/python-code/scripted_orchestration_server.py
5 自我提示：在工具中添加推理 03-intelligence-budget/python-code/self_prompting_server.py
5 常见错误的AI代理工具设计 03-intelligence-budget/python-code/validate_at_source_server.py

环境设置

创建一个 .env 每个模块中的文件 python-code/ 目录：

OPENAI_API_KEY=your-openai-key-here
ANTHROPIC_API_KEY=your-anthropic-key-here
GOOGLE_API_KEY=your-google-key-here

您只需要为计划使用的LLM提供程序提供API密钥。

项目结构

code-repo/
├── README.md
├── .gitignore
│
├── 01-intro-to-mcp-agents/
│   └── python-code/
│       ├── server.py              # Module 2: Building Your First MCP Server
│       ├── agent.py               # Module 2: Building Your First MCP AI Agent
│       ├── llm.py                 # LLM integration utilities
│       ├── workspace_server.py    # Module 3: All workspace/context items
│       ├── workspace_agent.py     # Module 3: Workspace-related Guidance
│       ├── server_with_resources.py  # Server with MCP resources
│       ├── agent_with_learning.py    # Agent with active learning
│       ├── test_server.py         # Server testing
│       ├── test_resources.py      # Resource testing
│       ├── requirements.txt       # Python dependencies
│       ├── README.md              # Setup instructions
│       └── workspace/             # Sample workspace with .context.md files
│
├── 02-failing-forward/
│   └── python-code/
│       ├── expense_server.py      # Module 4: All error handling items
│       ├── expense_agent.py       # Agent for expense workflows
│       ├── test_failing_forward.py # Pattern tests
│       ├── requirements.txt       # Python dependencies
│       └── README.md              # Setup instructions
│
└── 03-intelligence-budget/
    └── python-code/
        ├── agent_heavy_server.py           # Module 5: Managing Cognitive Load
        ├── tool_heavy_server.py            # Module 5: Managing Cognitive Load
        ├── hybrid_server.py                # Balanced approach
        ├── scripted_orchestration_server.py # Module 5: Scripted Orchestration
        ├── self_prompting_server.py        # Module 5: Self-Prompting
        ├── validate_at_source_server.py    # Module 5: Tool Design for Errors
        ├── database.py                     # Shared mock database
        ├── test_all.py                     # Comparison tests
        ├── requirements.txt                # Python dependencies
        └── README.md                       # Setup instructions

许可证

麻省理工学院

相关 MCP