板球分析代理系统

板球经纪人（当地）

该项目是一个本地的端到端代理人工智能系统，旨在理解和实验 Strands代理商 和 模型上下文协议（MCP） 使用板球分析域。

该系统演示了如何清晰地进行推理（LLM）、确定性工具和数据 使用代理架构进行分离和编排。

---

架构概述

该项目遵循分层、模块化的设计：

• 数据层(data/)
  包含用于受控实验的静态板球统计数据。

• 工具层(tools/)
  执行板球相关计算的纯确定性Python函数 （例如平均值、比较）。
  这些功能包括 没有人工智能或推理逻辑.

• MCP服务器(server/)
  使用以下方式将工具作为可调用功能公开 模型上下文协议（MCP）
  通过本地Streamable HTTP服务器。

• MCP客户端(client/)
  连接到MCP服务器并动态发现可用工具。

• 代理层(agent/)
  使用语言模型来解释用户查询、决定调用哪些工具， 并解释结果。
  代理人确实如此 不 计算统计数据本身。

• 应用层(app.py)
  将MCP客户端和代理连接在一起，并提供简单的CLI界面。

---

当前能力

• 具有隔离虚拟环境的本地Python项目
• 用于可预测行为的静态板球数据集
• 确定性板球分析工具
• MCP服务器公开工具 localhost
• MCP客户端动态发现工具
• 完全工作的代理人：
  • 接受自然语言问题
  • 通过MCP使用工具进行计算
  • 清楚地解释结果
• 本地LLM推理使用 Ollama（调用3.2）
  （无云API，无凭据）

---

技术栈

• python
• Strands代理商
• 绞合MCP工具
• 模型上下文协议（MCP）
• Ollama（当地LLM-Callama3.2）

---

如何跑步（本地）

1.启动MCP服务器

在一个终端中（从项目根目录开始）： python-m服务器.mcp_server

2.启动应用程序

在另一个终端中（从项目根目录）： python app.py

然后，您可以提出以下问题：

• What is the batting average of Virat Kohli?
• Compare home and away performance of Rohit Sharma

---

设计原则

• 明确区分关注点
• 确定性工具、概率推理
• 可替换模型提供程序
• 地方优先发展
• 优化前的架构

---

将来的扩展

• 添加更多板球分析工具
• 改善当地LLM行为的护栏
• 引入记忆或持久性
• 替换或添加替代模型提供程序
• 将架构重用于其他域

---

状态

该项目正在积极开发中，作为一个学习和原型系统 用于代理AI架构。