AI导哈

AI代理工具集成系统

一个通过模型上下文协议(MCP)集成多种工具（如维基百科搜索、互联网搜索和金融数据）的AI代理系统，旨在增强大型语言模型的功能。

  • by YuviRajoriya
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 YuviRajoriya/AgenticAI_MCP

使用说明

带有模型上下文协议（MCP）的能动型人工智能

本项目实现了一个智能体AI系统，该系统通过一个自定义的模型上下文协议（MCP）服务器，将Groq托管的大型语言模型（qwen-qwq-32b模型）与各种工具连接起来。该系统通过提供来自维基百科、互联网搜索（通过Tavily API）和金融数据（通过Yahoo Finance API）的上下文信息，增强了大型语言模型的能力。

关于MCP

模型上下文协议（MCP）是由Anthropic开发的一项开放标准，旨在规范应用程序向大型语言模型（LLMs）提供上下文的方式。它促进了大型语言模型应用与外部数据源和工具之间的无缝集成，使人工智能系统能够通过标准化接口与各种服务进行动态交互。

MCP的关键特性：

  • 标准化：为人工智能助手与结构化工具及数据层之间的接口提供通用协议。
  • 模块化架构：遵循一种在持久流上进行的客户端-服务器模式，通常由一个主机AI系统进行中介。
  • 动态内省：支持通过工具/列表和资源/列表等方法动态发现工具和资源。

安全性：集成了主机介导的认证，并支持安全传输协议 通过采用MCP（机器学习平台/模型计算平台，具体根据上下文确定），开发者可以构建出更具互操作性、安全性以及能够处理复杂工作流的AI应用程序

向MCP服务器添加新工具：

  • 定义工具：创建一个新函数来处理特定任务或数据检索
  • 注册工具：更新服务器的工具注册表，以包含新功能，并指定工具的名称和描述
  • 处理请求：确保服务器能够根据查询将传入的请求路由到相应的工具 这种模块化方法使得服务器的功能易于扩展，从而使语言模型能够访问更广泛范围的上下文信息。

特点/特性

  • MCP服务器提供访问各种工具的中央枢纽
  • 三个集成工具:
    1. 维基百科搜索 - 用于检索事实信息
    2. 互联网搜索 - 由Tavily API提供支持，获取全面的网页搜索结果
    3. 雅虎财经API - 用于实时股票和金融数据
  • Groq API 集成使用qwen-qwq-32b模型进行超快速大语言模型（LLM）处理
  • 客户端-服务器架构工具管理与大型语言模型（LLM）交互之间的清晰分离

先决条件

在开始之前，请确保您具备以下条件：

安装

  1. 克隆仓库：

    git clone https://github.com/dev484p/AgenticAI_MCP
cd AgenticAI_MCP

  2. 安装依赖项：

    uv add "mcp[cli]"

  3. 设置你的环境变量： 在 keys.json 中更新 Groq 和 Tavily 的 API 密钥

  4. 可选（若要在开发中使用MCP Inspector运行服务器）：

uv run mcp dev server.py
  1. 运行以下命令来启动聊天机器人：
    uv run client.py

可用工具

该系统通过MCP服务器提供三种工具：

  1. 维基搜索：
  • 访问维基百科信息
  • 示例查询：“给我讲讲人工智能的历史”
  1. 互联网搜索（Tavily）：
  • 获取全面的网页搜索结果
  • 示例查询：“量子计算的最新进展是什么？”
  1. 雅虎财经
  • 获取股票价格和财务数据
  • 示例查询：“AAPL股票的当前价格是多少？”

参考

  • https://modelcontextprotocol.io/introduction（中文翻译为）：模型上下文协议介绍
  • https://github.com/langchain-ai/langchain-mcp-adapters 的中文翻译为：“https://github.com/langchain-ai/langchain-mcp适配器（或插件）”
  • https://github.com/krishnaik06/MCP-CRASH-Course 翻译为中文是：“https://github.com/krishnaik06/MCP-速成课程” 或者 “https://github.com/krishnaik06/MCP-突击课程”。这里，“CRASH-Course”通常指的是一个紧凑、高强度的培训或学习课程，因此“速成课程”或“突击课程”是比较贴切的翻译

相关 MCP