简介

一种模型上下文协议服务器，通过连接维基百科、网络搜索（Tavily）和金融数据（雅虎财经）工具来增强LLM功能，能够根据用户查询提供上下文相关的响应。

简介

一种模型上下文协议服务器，通过连接维基百科、网络搜索（Tavily）和金融数据（雅虎财经）工具来增强LLM功能，能够根据用户查询提供上下文相关的响应。

基于模型上下文协议 (MCP) 的代理 AI

该项目实现了一个代理 AI 系统，该系统通过自定义的模型上下文协议 (MCP) 服务器将 Groq 托管的 LLM（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）的上下文信息来增强 LLM 的能力。

关于 MCP

模型上下文协议 (MCP) 是由 Anthropic 开发的一种开放标准，旨在标准化应用程序如何向大型语言模型 (LLMs) 提供上下文信息。它促进了 LLM 应用程序与外部数据源和工具之间的无缝集成，允许 AI 系统通过标准化接口动态地与各种服务交互。

MCP 的主要特点：

• 标准化：为 AI 助手与结构化工具和数据层的接口提供通用协议。
• 模块化架构：遵循客户端-服务器模式，通常由主机 AI 系统中介。
• 动态内省：支持通过 tools/list 和 resources/list 等方法动态发现工具和资源。

安全性：结合了主机中介的身份验证，并支持安全传输协议。 通过采用 MCP，开发者可以构建更互操作、更安全且能够处理复杂工作流的 AI 应用程序。

要向 MCP 服务器添加新工具：

• 定义工具：创建一个处理特定任务或数据检索的新函数。
• 注册工具：更新服务器的工具注册表以包含新函数，指定工具的名称和描述。
• 处理请求：确保服务器可以根据查询将传入请求路由到适当的工具。 这种模块化的方法使得服务器功能易于扩展，使语言模型能够访问更广泛的上下文信息。

特性

• MCP 服务器：提供对各种工具访问的中心枢纽
• 三个集成工具：
  1. 维基百科搜索 - 用于事实信息检索
  2. 互联网搜索 - 通过 Tavily API 获取全面的网络结果
  3. Yahoo Finance 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 LLM 处理
• 客户端-服务器架构：工具管理和 LLM 交互之间有清晰的分离

先决条件

在开始之前，请确保您具备以下条件：

• 安装 UV for python 安装
• Groq API 密钥。请参阅文档
• Tavily API 密钥（在Tavily AI注册）

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. 设置环境变量： 在 keys.json 中更新 Groq 和 Tavily API 密钥

4. 可选（为了使用 MCP Inspector 运行开发服务器）：

uv run mcp dev server.py

5. 运行以下命令启动聊天机器人：

   uv run client.py

可用工具

系统通过 MCP 服务器提供了三个工具：

1. 维基百科搜索：

• 访问维基百科信息
• 示例查询："告诉我人工智能的历史"

2. 互联网搜索（Tavily）：

• 获取全面的网络搜索结果
• 示例查询："量子计算的最新进展是什么？"

3. Yahoo Finance：

• 访问股票价格和金融数据
• 示例查询："AAPL 股票的当前价格是多少？"

参考资料

• https://modelcontextprotocol.io/introduction
• https://github.com/langchain-ai/langchain-mcp-adapters
• https://github.com/krishnaik06/MCP-CRASH-Course

来源

• 来源：github
• 链接：https://github.com/dev484p/AgenticAI_MCP