Autonomous Agent With MCP Zero

MCP-Zero的实施：在AI代理中主动发现工具

本项目展示了MCP-Zero的实现，这是一个创新框架，用于在基于大型语言模型（LLM）的代理系统中主动发现工具。与传统方法（即大量将工具描述注入模型上下文）不同，MCP-Zero允许代理根据其感知到的能力不足，动态地请求所需的工具。

主要功能

• ✅ 主动工具发现（主动工具请求） 该代理自主识别其对外部工具的需求，并通过代码块生成结构化查询 ``。
• 🔍 看起来像是一个放大镜的符号，常用于表示搜索、查看细节或调查等意思，在中文中可以翻译为“🔍（放大镜）”或者根据上下文意译为“仔细查看”、“搜索”等。 层次语义路由 一个两阶段机制首先过滤出相关的MCP服务器，然后根据语义相似性对工具进行分类。
• 🔄 旋转或循环的符号（可理解为“循环”、“重复”或“刷新”等意思，具体含义根据上下文而定） 迭代扩展能力 代理可以在运行过程中细化其查询并发现新工具，从而确保持续适应。
• 📦 箱子/包裹 构建MCP-Tools数据集 从MCP服务器中提取、结构化和向量化元数据，以实现高效检索。
• ⚙️ 代表齿轮的符号，常用于表示机械、装置或技术相关的概念，在中文中可直接以“⚙️（齿轮符号）”或根据上下文翻译为“齿轮”、“装置”、“技术部件”等。 通过PocketFlow进行编排 集成到基于节点的模块化工作流中，实现流畅且可配置的执行。
• 🖥️（电脑显示器） 使用Gradio实现的交互式界面 实时可视化查询、决策和发现的工具。

项目目标

• 大幅减少因大量注入工具而产生的上下文负担。
• 恢复员工的自主决策权，让他们能够积极表达自己的需求。
• 验证MCP-Zero在自主智能体实际场景中的有效性。

所使用的技术

• Python 3.8或更高版本
• OpenAI GPT-4o、Qwen2.5、DeepSeek-r1（评估模型）
• text-embedding-3-large（OpenAI）用于语义嵌入
• 用于与MCP服务器交互的MCP Python SDK
• PocketFlow用于工作流编排
• Gradio用于交互式用户界面
• PyYAML 用于解析结构化输出

流程图

______________________________________________________________________

代理架构：

flowchart TD
    decide_node[Decide Node] -->|"Find Tool"| Tool_Matcher_Node[Tool Matcher Node]
    Tool_Matcher_Node -->|"Return Found Tool"| decide_node
    decide_node -->|"Call Tool"| execute_node[Execute Node]
    decide_node -->|"Generate Final Response"| None((End))
    execute_node -->|"Tool Result"| decide_node
    decide_node -->|"On Error"| decide_node

📂 项目结构

mcp-zero/
├── agent/                      # Code principal de l'agent
│   ├── main.py                 # Point d'entrée - interface et orchestration
│   ├── flow.py                 # Définition du flux d'exécution (nodes)
│   ├── node_s.py               # Implémentation des nodes (ToolMatcher, Decision, Execute)
│   ├── utils.py                # Fonctions utilitaires (LLM call, embedding, etc.)
│   ├── server_config.json      # Configuration des serveurs MCP (commandes de lancement)
│   └── requirements.txt        # Dépendances Python
│
├── mcp_build_tools_dataset/    # Scripts pour construire le dataset MCP-tools
│   ├── get_server_summary.py   # Génère les résumés et embeddings des serveurs
│   ├── server_summary.prompt   # Prompt utilisé pour générer les résumés
│   ├── readmes/                # Dossier pour stocker les README des serveurs MCP
│   └── output/                 # Dossier de sortie pour les fichiers générés
│       └── all_servers.json    # Dataset final (sortie)
│
└── README.md                   # Ce fichier

______________________________________________________________________

🛠️ 如何构建数据集

1. 将MCP服务器的README文件放入 mcp_build_tools_dataset/readmes/。
2. 脚本 get_server_summary.py 将提取信息并生成一个JSON数据集（all_servers.json) 根据以下方案：

{
  "server_name": "string",
  "server_summary": "string",
  "server_description": "string",
  "tools": [
    {
      "name": "string",
      "description": "string",
      "parameter": {
        "param1": "(type) description1",
        "param2": "(Optional, type) description2"
      },
      "description_embedding": "..."
    }
  ],
  "description_embedding": "...",
  "summary_embedding": "..."
}

1. 构建数据集的命令：

cd mcp_build_tools_dataset
python get_server_summary.py

⚠️ 重要提示 ：\ 在 utils.py 和 get_server_summary.py，功能 call_llm 和 get_embedding 并且 extract_info_for_readme 它们定义了如何调用模型（LLM）、生成嵌入向量，以及如何从README文件中生成包含服务器和工具描述的JSON。这些函数的逻辑尚待实现。

______________________________________________________________________

⚙️ MCP服务器管理

• 在文件夹中添加自定义服务器 servers/。
• 在（某处）设置其启动配置 server_config.json （启动服务器并运行其工具的命令）。
• 在 server_config.json，领域 server_name 必须与……完全一致 server_name 在……中定义 all_servers.json。

______________________________________________________________________

🚀 如何运行项目

1. 进入文件夹 代理

cd agent

1. 安装依赖项

pip install -r requirements.txt

1. 启动应用程序

python main.py

______________________________________________________________________

📌 文件描述

• main.py（主程序文件） → 应用程序启动的主要点。包含界面并将代理与该界面连接。
• flow.py（这个文件名直接翻译为中文可以保持原样，因为文件名通常不翻译，但如果是描述其功能或内容的，可以翻译为“流程.py”或根据具体上下文翻译，不过在这里直接保留原文件名的形式更为常见） → 定义代理流程并实例化各个节点。
• node_s.py（文件名可译为“节点S.py”，但通常保留原文件名，仅说明其含义为“节点S的Python脚本”或“节点S的程序文件”） → 包含 节点 ：

- ToolMatcherNode → 找到要使用的正确工具。 - DecisionNode → 决定要采取的行动（通过大型语言模型）。 - ExecuteNode → 执行所选工具。

• server_config.json 翻译为中文是：“服务器配置文件.json” → 配置MCP服务器以启动并调用其工具。
• \utils.py\ 翻译成中文可以是“实用工具模块.py”或“工具函数文件.py”，具体翻译可能根据上下文或项目习惯有所调整。在这里，“utils”通常指的是“utilities”的缩写，意为“实用工具”或“工具函数”，而“.py”表示这是一个Python文件 → 实用功能（调用大型语言模型、生成嵌入、解析等）。
• all_servers.json 翻译成中文是：“所有服务器.json” → 生成的MCP数据集（符合上述图表）。
• 服务器摘要提示 → 将提示传递给大型语言模型（LLM）以生成服务器摘要。