A2A MCP Multiagent Smart RFP

智能RFP/提案代理

多代理系统，使用A2A（代理到代理）编排和MCP（模型上下文协议）自动创建专业商业和技术提案。

______________________________________________________________________

演示直播：https://a2a-mcp-multiagent-smart-rfp.streamlit.app/

它解决了什么问题？

撰写商业和技术提案是 耗时、重复的过程 这涉及：

• 研究潜在客户（公司简介、关键决策者、行业背景）
• 分析RFP文件以提取需求、预算限制和评估标准
• 在内部记录中搜索相关的过去项目和案例研究
• 根据团队组成、复杂性和项目范围估算成本
• 撰写一份结构化的专业提案，将所有内容联系在一起

这个系统 自动化整个管道 --从客户研究到最终交付成果——通过一个对话界面协调四个专门的人工智能代理。传统上需要数天的手工工作被简化为一个互动环节。

______________________________________________________________________

建筑

该系统遵循 A2A（代理人对代理人） 由Claude支持的中央编排器协调四个独立代理的模式，每个代理作为一个 MCP（模型上下文协议） 服务器。

                         ┌─────────────────────────────┐
                         │        User (CLI Chat)       │
                         └──────────────┬───────────────┘
                                        │
                                        ▼
                         ┌──────────────────────────────┐
                         │   Orchestrator (Claude LLM)  │
                         │   A2A Coordination Engine     │
                         │   Agentic Loop (max 10 iter) │
                         └──┬───────┬───────┬───────┬───┘
                            │       │       │       │
                  ┌─────────▼──┐ ┌──▼─────┐ ┌▼──────┐ ┌▼────────┐
                  │  Client    │ │Knowledge│ │Proposal│ │ Pricing │
                  │  Research  │ │  Base   │ │ Writer │ │  Agent  │
                  │  Agent     │ │  Agent  │ │ Agent  │ │         │
                  │ (MCP Srv)  │ │(MCP Srv)│ │(MCP Sv)│ │(MCP Srv)│
                  └────────────┘ └────────┘ └────────┘ └─────────┘

运作原理

1. 用户通过以下方式提交请求 交互式CLI （例如。， _“为Acme Corp创建移动应用项目提案”_)
2. 这 编排器 使用Claude分析请求，并确定要调用哪些代理和工具
3. 代理人通过以下方式联系 MCP工具执行 --每个代理都作为一个子进程运行，通过stdio进行通信
4. 编排器循环（最多10次迭代），调用工具并累积上下文，直到Claude生成最终的合成响应
5. 用户收到 完整、专业的提案 准备好提交给客户
6. 可选地，该提案是 导出为.docx文件 带有封面、品牌和专业格式

______________________________________________________________________

代理卡（A2A Discovery）

系统使用 代理卡 以实现A2A发现模式。每个代理发布一张卡（通过Pydantic模型在 agent_cards.py)它声明了它的身份、功能以及如何启动它。编排器在运行时读取这些卡，以发现可用的代理和路由任务。

class AgentCard(BaseModel):
    agent_id: str           # Unique identifier (e.g., "client_research")
    name: str               # Human-readable name
    description: str        # What the agent does
    version: str            # Semantic version
    status: AgentStatus     # available | busy | offline
    skills: list[AgentSkill]        # List of capabilities with MCP tool mappings
    mcp_server_command: list[str]   # Command to launch the MCP server subprocess
    dependencies: list[str]         # Other agent IDs this agent depends on

每 AgentSkill 的 将高级功能映射到特定的MCP工具，并包括示例查询，帮助编排器了解何时调用它：

所有卡片均已注册 AGENT_REGISTRY，使添加新代理变得容易——只需定义一个新代理 AgentCard 并注册它。

______________________________________________________________________

代理

客户研究代理

使用网络搜索和人工智能分析调查潜在客户。

知识库代理

在过去项目的内部数据库中搜索相关经验和案例研究。

提案撰写代理

生成专业、结构化的提案，并提供双语支持（英语/西班牙语）。

建议书章节： 执行摘要、理解、拟议解决方案、方法论、团队、案例研究、投资、下一步

定价代理

使用可配置的团队组成、复杂性乘数和折扣级别估算项目成本。

定价特点：

• 9个预定义的角色，每小时收费（60-100欧元/小时）
• 复杂度乘数：低（0.8倍）到非常高（1.6倍）
• 折扣等级：标准、长期、战略（最高10%）
• 基于阶段的成本分配（发现8%，设计12%，开发50%，测试15%，部署15%）

______________________________________________________________________

技术栈

______________________________________________________________________

项目结构

smart-rfp-agent/
├── agents/
│   ├── client_research/          # Client & RFP research agent
│   │   ├── server.py             # MCP server definition & entrypoint
│   │   ├── tools.py              # Tool implementations (Tavily + Claude)
│   │   └── models.py             # Pydantic input/output models
│   ├── knowledge_base/           # Internal project database agent
│   │   ├── server.py             # MCP server definition
│   │   ├── tools.py              # Search & ranking logic
│   │   ├── models.py             # Pydantic models
│   │   └── data/
│   │       └── projects.json     # Past projects database
│   ├── proposal_writer/          # Proposal generation agent
│   │   ├── server.py             # MCP server definition
│   │   ├── tools.py              # Proposal generation logic
│   │   ├── models.py             # Pydantic models (bilingual support)
│   │   └── templates/
│   │       └── proposal_structure.json  # 8-section proposal template
│   └── pricing/                  # Cost estimation agent
│       ├── server.py             # MCP server definition
│       ├── tools.py              # Pricing calculation logic
│       ├── models.py             # Pydantic models
│       └── data/
│           └── rate_card.json    # Rates, multipliers & discounts
├── orchestrator/
│   ├── main.py                   # Interactive CLI entrypoint
│   ├── orchestrator.py           # A2A engine (Claude + agentic loop)
│   ├── agent_cards.py            # Agent capability registry
│   └── mcp_client.py             # MCP subprocess connection manager
├── streamlit_helpers/
│   ├── async_bridge.py           # Async-to-sync bridge (background event loop)
│   └── components.py             # Reusable UI components (sidebar, chat, i18n)
├── shared/
│   ├── utils.py                  # Shared error handling utilities
│   └── docx_exporter.py          # Markdown → DOCX converter with branding
├── config/
│   └── settings.py               # Environment variables & configuration
├── app.py                        # Streamlit web frontend
├── requirements.txt
└── .env.example

______________________________________________________________________

设置

先决条件

• Python 3.10+
• 无烟煤API键
• Tavilly API密钥 （用于网络搜索）

安装

# Clone the repository
git clone https://github.com/your-username/smart-rfp-agent.git
cd smart-rfp-agent

# Install dependencies
pip install -r requirements.txt

# Configure environment variables
cp .env.example .env
# Edit .env and add your API keys

环境变量

跑步

Web UI（Streamlit）——推荐：

streamlit run app.py

这将打开一个基于浏览器的聊天界面，其中包含：

• 与AI编排器进行实时对话
• 侧栏显示连接的代理及其技能
• 语言选择器（英语/西班牙语）
• 一键DOCX导出和下载
• 新建对话按钮

CLI（终端）：

python orchestrator/main.py

独立运行代理

每个代理都可以作为MCP服务器独立运行，以进行测试或集成：

python agents/client_research/server.py
python agents/knowledge_base/server.py
python agents/proposal_writer/server.py
python agents/pricing/server.py

______________________________________________________________________

示例用法

> Research Acme Corp and create a proposal for a mobile e-commerce app

[Orchestrator calls Client Research Agent → searches company info]
[Orchestrator calls Knowledge Base Agent → finds similar past projects]
[Orchestrator calls Pricing Agent → estimates project cost]
[Orchestrator calls Proposal Writer Agent → generates full proposal]

✅ Complete 8-section proposal generated with:
   - Company analysis and context
   - Technical solution architecture
   - Relevant case studies from past projects
   - Detailed cost breakdown and timeline
   - Executive summary and next steps

> Export the proposal to Word

[Proposal Writer Agent → exports to DOCX]

✅ Saved to exports/proposal_acme_corp_20260207_143022.docx

______________________________________________________________________

关键设计决策

• MCP over REST：代理通过基于stdio的MCP而不是HTTP进行通信，消除了网络开销并简化了本地部署
• 代理循环：编排器让Claude决定调用哪些工具以及调用顺序，从而实现灵活的多步骤推理
• 双语支持：提案可以通过一个简单的语言参数以英语或西班牙语生成
• 可配置定价：价目表、复杂度乘数和折扣级别存储在JSON文件中，无需更改代码即可轻松定制
• DOCX导出：提案可以通过以下方式导出到具有封面、品牌样式、页眉/页脚和页码的专业Word文档中 python-docx
• 代理卡（A2A发现）：每个代理发布一张结构化卡片，声明其技能、MCP工具映射和依赖关系，实现动态发现和可扩展性
• 模块化代理：每个代理都是完全独立的，可以在不影响系统其他部分的情况下进行开发、测试或替换