______________________________________________________________________
标题：ShallowCodeResearch 表情符号📉 颜色来源：红色 颜色：粉红色 sdk：毕业 sdk版本：5.33.1 app_file：app.py 固定：false short_description：生成代码并对其进行测试的编码研究助手 标签：
- 主控程序
- 多代理
- 研究
- 代码生成
- 人工智能助理
- 格拉迪奥
- python
- 网络搜索
- 大语言模型
- 模态
- mcp服务器轨道
python版本：'3.12'
______________________________________________________________________
浅层研究代码助手-多智能体AI代码助手
使用的技术
这是黑客马拉松MCP赛道的一部分（有一点点特工）
- UI和MCP逻辑的分级
- 用于旋转沙盒以执行代码的模态AI
- Nebius、OpenAI、Anthropic和Hugging Face可用于LLM通话
- Nebius默认设置为推理，优先考虑平台上的令牌速度
❤️ 非常感谢赞助商为这次黑客马拉松提供的慷慨资助，以及Hugging Face和Gradio为这次活动提供的支持 🔥
特别感谢Yuvi在Discord中容忍我们要求积分😂
🚀 用于人工智能搜索和代码生成的多代理系统
什么是用于代码辅助的浅层研究MCP中心？
Shallow Research Code Assistant是一个使用Gradio的模型上下文协议（MCP）服务器功能构建的复杂的多代理研究和代码助手。它协调专门的人工智能代理，以提供全面的研究能力并生成可执行的Python代码。这种“肤浅”的研究工具（绝对不是深入的研究）增强了 在执行网络搜索之前，先进行初始用户查询以扩大范围。
然后，编码代理生成代码以回答用户问题并检查错误。为了确保代码有效，代码在远程沙箱中使用 模态基础结构。这些沙盒在需要时生成，占用空间小（只安装了pandas、numpy、request和scikit-learn）。
但是，如果需要额外的软件包，将在执行之前安装（根据请求，这里预计会有一些延迟）。
一旦执行，整个过程就会被总结并返回给用户。
______________________________________________________________________
📹 演示视频
*点击上面的徽章，观看MCP演示浅层研究代码助手的完整演示*
______________________________________________________________________
关键信息
我发现，在使用VS Code进行MCP交互时，键入主代理函数名称以确保选择正确的工具是有用的。
例如“代理研究请求：如何编写python脚本来执行数据帧中特征的缩放”
这是在VS代码中设置MCP所需的JSON脚本
{
"mcp": {
"inputs": [],
"servers": {
"gradiocodeassist": {
"command": "npx",
"args": [
"mcp-remote",
"https://agents-mcp-hackathon-shallowcoderesearch.hf.space/gradio_api/mcp/sse",
]
}
}
}这是在VS代码中通过Cline设置MCP所需的JSON脚本
{
"mcpServers": {
"gradiocodeassist": {
"autoApprove": [],
"disabled": false,
"timeout": 300,
"type": "sse",
"url": "https://agents-mcp-hackathon-shallowcoderesearch.hf.space/gradio_api/mcp/sse",
"headers": {}
}
}
}✨ 主要特点
- 🧠 多代理架构：在精心编排的工作流程中工作的专业代理
- 🔍 智能研究：具有自动摘要和引文格式的网络搜索
- 💻 代码生成：上下文感知的Python代码创建，安全执行
- 🔗 MCP服务器：内置MCP服务器，实现无缝代理通信
- 🎯 多种LLM支持：与Nebius、OpenAI、Anthropic和HuggingFace兼容（当前设置为Nebius推理）
- 🛡️ 安全执行：用于安全代码执行的模态沙盒环境
- 📊 性能监控：高级指标收集和健康监测
🏛️ MCP工作流架构
上图说明了完整的多代理工作流架构，显示了不同代理如何通过MCP（模型上下文协议）服务器进行通信，以提供全面的研究和代码生成功能。
🚀 快速开始
- 配置您的环境 通过在“设置”选项卡中设置API键
- 选择您的法学硕士提供者 Nebius在空间中默认设置
- 输入您的研究查询 在“编排器流”选项卡中
- 看魔术发生 当代理协作研究和生成代码时
🏗️ 建筑
核心代理
- 问题增强器：将复杂的查询分解为重点子问题
- Web搜索代理：使用Tavily API执行目标搜索
- LLM处理器：处理文本处理、摘要和分析
- 引文格式化工具：管理学术引文格式（APA风格）
- 代码生成器：创建上下文感知的Python代码
- 代码运行器：在安全的Modal沙盒中执行代码
- 编排器：协调整个工作流程
工作流示例
User Query: "Create Python code to analyze Twitter sentiment"
↓
Question Enhancement: Split into focused sub-questions
↓
Web Research: Search for Twitter APIs, sentiment libraries, examples
↓
Context Integration: Combine research into comprehensive context
↓
Code Generation: Create executable Python script
↓
Secure Execution: Run code in Modal sandbox
↓
Results: Code + output + research summary + citations🛠️ 设置要求
必需的API密钥
- LLM提供者 （选择一个）：
- Nebius API（推荐） - OpenAI API - 无烟煤API - HuggingFace推论API
- 美味API （用于网络搜索）
- 模态账户 （用于代码执行）
环境配置
设置这些环境变量或在应用程序中配置：
LLM_PROVIDER=nebius # Your chosen provider
NEBIUS_API_KEY=your_key_here
TAVILY_API_KEY=your_key_here
MODAL_ID=your-id-here
MODEL_SECRET_TOKEN=your-token-here🎯 用例
代码生成
- 原型开发：根据需求快速创建功能代码
- IDE集成：将此添加到IDE中，以获得可靠的LLM支持
学习与教育
- 代码示例：生成带有解释的教育代码示例
- 概念探索：研究和理解复杂的编程概念
- 最佳实践：了解当前的行业标准和方法
🔧 高级功能
性能监控
- 实时指标收集
- 响应时间跟踪
- 成功率监控
- 资源使用分析
智能高速缓存
- 减少多余的API调用
- 缩短响应时间
- 可配置的TTL设置
容错
- 断路器保护
- 限速管理
- 优雅的错误处理
- 自动重试机制
沙箱池管理
- 预热执行环境
- 优化性能
- 资源池
- 自动缩放
📱 界面选项卡
- 编排器流程：完整的端到端工作流程
- 个体代理：针对特定任务分别访问每个代理
- 高级功能：系统监控和性能分析
🤝 MCP集成
此应用程序演示了高级MCP（模型上下文协议）实现：
- 服务器架构：具有模式生成功能的完整MCP服务器
- 函数注册表：正确的MCP函数定义和键入
- 多代理通信：代理之间的结构化数据流
- 错误处理：跨代理交互的强大错误管理
📊 演出
- 响应时间：针对亚秒级代理响应进行了优化
- 可扩展性：高效处理并发请求
- 可靠性：内置容错和监控
- 资源管理：智能缓存和池
🔍 技术细节
- python：需要3.12+
- 框架：Gradio具有MCP服务器功能
- 执行：用于安全沙盒代码执行的模式
- 搜索：用于实时网络研究的Tavilly API
- 监控：全面的绩效和健康跟踪
______________________________________________________________________
准备好体验人工智能辅助研发的未来了吗？
从配置API密钥开始，深入多智能体人工智能协作的世界！ 🚀
📝 许可证
该项目根据 MIT许可证.\ 您可以自由使用、修改和分发此软件，并注明适当的归属。请参阅 LICENSE 文件以获取详细信息。