Gen AI Practise

GenAI实践-MCP服务器和代理CLI

此项目包含

• MCP（模型上下文协议）服务器示例
• 交互式Agent CLI
• 多代理编排示例--TODO

项目结构

.
├── agent/                      # Agent CLI application
│   ├── __init__.py
│   ├── agent_cli.py            # Main CLI interface
│   ├── mcp_manager.py          # MCP server integration
│   ├── llm_client.py           # LLM API client
│   ├── llm_service.py           # LangChain-based LLM service
│   ├── prompt_loader.py        # YAML prompt template loader
│   ├── video_evaluation.py     # Video evaluation using LLM
│   ├── video_processor.py      # Video frame extraction and encoding
│   ├── prompt/                 # Prompt templates
│   │   └── tennis_evaluation_prompt.yaml
│   └── video/                  # Video files for evaluation
│       └── tennis.mov
├── mcp_servers/                # Directory containing all MCP servers
│   ├── __init__.py
│   ├── start_mcp_server.sh     # Shell script to start MCP servers
│   └── example_server/         # Example MCP server
│       ├── __init__.py
│       └── server.py
├── main.py                     # Main entry point
├── pyproject.toml              # Project configuration
├── install_agent.sh            # Installation script for agent CLI
├── mcp.json                    # MCP configuration
└── README.md

设置

1. 安装依赖项：

   uv sync

1. 运行特定的MCP服务器：

使用shell脚本（推荐）：

   ./mcp_servers/start_mcp_server.sh [server_name]

例子：

   ./mcp_servers/start_mcp_server.sh example_server

如果未提供服务器名称，则默认为 example_server.

或者直接使用紫外线：

   uv run python -m mcp_servers.example_server.server

代理CLI

Agent CLI是一个交互式命令行界面，与MCP工具和LLM API集成。

安装

1. 运行安装脚本：

   ./install_agent.sh

1. 添加 ~/.local/bin 到您的路径（如果还没有）：

   echo 'export PATH="$HOME/.local/bin:$PATH"' >> ~/.zshrc
   source ~/.zshrc

1. 设置您的OpenAI API配置：

创建一个 .env 文件，并添加您的API密钥和模型：

   OPENAI_API_KEY=your-actual-api-key-here
   OPENAI_MODEL=gpt-4o

或者将它们设置为环境变量：

   export OPENAI_API_KEY="your-api-key-here"
   export OPENAI_MODEL="gpt-4o"

这 .env 文件已在 .gitignore 以确保API密钥的安全。

1. 在中配置MCP服务器 ~/.agent/mcp.json （安装时从项目根目录复制）

用法

启动代理：

agent

您将看到一个交互式提示：

agent>

命令

• /tools -列出所有可用的MCP工具
• /help -显示帮助消息
• /exit 或 /quit -退出代理
• /clear -清除屏幕

特性

• 交互式REPL：类似于Python的交互式shell agent> 提示
• MCP集成：自动从配置的MCP服务器中发现并列出工具
• LLM集成：直接向LLM发送请求并获得响应
• 丰富的用户界面：漂亮的终端界面，支持颜色和标记

MCP配置

代理从以下位置读取MCP服务器配置 ~/.agent/mcp.json （在安装过程中从项目根目录复制）。例子：

{
  "mcp_servers": [
    {
      "name": "example_server",
      "command": "mcp_servers/start_mcp_server.sh",
      "args": ["example_server"],
      "cwd": "/path/to/project"
    }
  ]
}

视频评估

该项目包括一个视频评估示例，该示例使用LLM视觉模型来分析网球视频。

用法

在默认视频上运行视频评估：

python -m agent.video_evaluation

这将：

1. 从中提取帧 video/tennis.mov
2. 将帧编码为base64图像
3. 向LLM发送帧和提示（通过配置 .env)
4. 解析并显示评估结果

配置

视频评估使用：

• 提示模板: agent/prompt/tennis_evaluation_prompt.yaml
• 视频文件: video/tennis.mov （默认）
• API配置：来自 .env 文件(OPENAI_API_KEY 和 OPENAI_MODEL)

定制

您可以通过以下方式自定义评估：

• 在中修改提示模板 agent/prompt/tennis_evaluation_prompt.yaml
• 在中更改视频文件路径 agent/video_evaluation.py main() 函数
• 调整 max_frames 参数在 VideoEvaluator （默认值：10帧）

添加新的MCP服务器

1. 在下创建新目录 mcp_servers/
2. 添加服务器实现
3. 遵循MCP协议规范
4. 更新 mcp.json 包括您的新服务器