indra agent

INDRA代理

MCP服务器用于INDRA CoGEx生物医学知识图。

让人工智能代理访问2000多万个节点，涵盖基因、疾病、药物、通路及其因果关系，这些节点由科学文献和精心策划的数据库组装而成 印度 （集成网络和动态推理汇编程序）。

将100多个独立功能工具替换为 9个可组合工具 在保持安全性和可用性的同时，充分展示了知识图谱的力量。

快速开始

公共服务器 --无需安装：

{
  "mcpServers": {
    "indra-cogex": {
      "url": "https://discovery.indra.bio/mcp"
    }
  }
}

本地安装 --对于开发或私有Neo4j实例：

pip install git+https://github.com/gyorilab/indra_agent.git

连接模式

标准模式（默认）

对于本地MCP客户：

# Via console script
indra-agent

# Or via module
python -m indra_agent.mcp_server

Claude桌面配置(~/Library/Application Support/Claude/claude_desktop_config.json):

{
  "mcpServers": {
    "indra-cogex": {
      "command": "indra-agent",
      "env": {
        "INDRA_NEO4J_URL": "bolt://your-server:7687",
        "INDRA_NEO4J_USER": "neo4j",
        "INDRA_NEO4J_PASSWORD": "your-password",
        "MCP_ALLOWED_HOSTS": "localhost",
        "MCP_ALLOWED_ORIGINS": "http://localhost"
      }
    }
  }
}

HTTP模式

对于网络部署：

indra-agent --http
indra-agent --http --host 0.0.0.0 --port 8000
indra-agent --http --stateful --streaming

产量（gunicorn）：

gunicorn indra_agent.mcp_server.server:app \
  --bind 0.0.0.0:8778 \
  --worker-class uvicorn.workers.UvicornWorker \
  -w 4

工具

9工具 分为两组：

网关工具（5个工具）

高级图形导航——大多数代理从这里开始：

查询基础架构（4个工具）

用于复杂查询的低级Cypher访问：

call_endpoint 参数

主查询工具支持多个优化参数：

batch_call 参数

对于 get_drugs_for_target 和 get_targets_for_drug，batch_call会自动路由到使用单个Neo4j的本机批处理函数 WHERE IN 查询，而不是N个单独的查询。

建筑

flowchart LR
    Agent["Agent"]

    subgraph Gateway["Gateway Tools"]
        direction TB
        Ground["ground_entity
NL to CURIE"]
        Suggest["suggest_endpoints
navigation hints"]
        Call["call_endpoint
100+ functions"]
        NavSchema["get_navigation_schema
edge map"]
        Batch["batch_call
parallel execution"]
    end

    subgraph Core["Query Infrastructure"]
        direction TB
        Schema["get_graph_schema
progressive discovery"]
        Execute["execute_cypher
arbitrary queries"]
        Validate["validate_cypher
safety checks"]
        Enrich["enrich_results
metadata layers"]
    end

    subgraph Cache["Cache Layer"]
        direction TB
        DiskCache["diskcache
LRU + TTL"]
        Coalesce["request coalescing
dedup in-flight"]
    end

    subgraph Data["Data Layer"]
        direction TB
        Neo[("Neo4j
20M nodes")]
        GILDA["GILDA API"]
    end

    Agent -->|"ground terms"| Ground
    Agent -->|"explore edges"| Suggest
    Agent -->|"call functions"| Call
    Agent -->|"batch queries"| Batch
    Agent -->|"discover schema"| Schema
    Agent -->|"run Cypher"| Execute

    Ground --> GILDA
    Suggest --> Call
    Call --> DiskCache
    Batch --> Call
    NavSchema --> Call

    DiskCache -->|"miss"| Neo
    DiskCache -->|"hit"| Call
    Coalesce --> DiskCache

    Schema --> Neo
    Execute --> Validate
    Validate --> Neo

    classDef agent fill:#2C3E50,stroke:#1A252F,stroke-width:3px,color:#ECF0F1,font-weight:bold
    classDef gateway fill:#9B59B6,stroke:#8E44AD,stroke-width:2px,color:#FFFFFF
    classDef core fill:#3498DB,stroke:#2980B9,stroke-width:2px,color:#FFFFFF
    classDef cache fill:#27AE60,stroke:#1E8449,stroke-width:2px,color:#FFFFFF
    classDef data fill:#7F8C8D,stroke:#5D6D7E,stroke-width:2px,color:#ECF0F1

    class Agent agent
    class Ground,Suggest,Call,NavSchema,Batch gateway
    class Schema,Execute,Validate,Enrich core
    class DiskCache,Coalesce cache
    class Neo,GILDA data

大多数代理使用网关工具——CURIE的基础自然语言，然后调用预构建的函数。当预定义函数无法表达查询时（图算法、多跳遍历、条件聚合），代理会下拉到查询基础架构。

情境感知接地

参数语义编码实体类型，消除跨类型歧义：

ground_entity(term="ALS", param_name="disease")
# → MESH:D000690 (Amyotrophic Lateral Sclerosis)

ground_entity(term="ALS", param_name="gene")
# → HGNC:396 (SOD1, formerly ALS1)

ground_entity(term="aspirin", param_name="drug")
# → CHEBI:15365

支持 param_name 过滤器： disease, gene, drug, pathway, tissue, cell_line, cell_type, side_effect.

批处理模式 在一次通话中使用多个术语：

ground_entity(terms=["SIRT3", "PRKN", "MAPT"], param_name="gene")
# → {mappings: {"SIRT3": {curie, name, score}, ...}, failed: [...]}

生物体背景 接受通用名称或分类ID：

ground_entity(term="LRRK2", organism="human")   # resolved to 9606
ground_entity(term="LRRK2", organism="9606")     # passthrough
ground_entity(term="Trp53", organism="mouse")    # resolved to 10090

交叉引用回退

当接地查询返回零结果时， call_endpoint 通过以下方式自动查找等效标识符 xref 图中的关系和重试。这处理了GILDA位于一个命名空间（例如MESH）但相关数据在另一个命名空间下（例如DOID）被索引的情况。

缓存

全部 call_endpoint 结果通过缓存 diskcache.FanoutCache:

• 跨流程安全 --SQLite后端，与gunicon多工协同工作
• LRU 淘汰机制 --可配置的最大大小（默认2GB）
• 按键TTL --默认1小时，架构缓存24小时
• 请求合并 --并发的相同请求共享一个Neo4j查询
• 缓存存储原始结果；排序、字段投影和分页在缓存后应用

安全

• 验证层 阻止所有写入/修改操作（DELETE、CREATE、MERGE、SET、REMOVE、DROP、DETACH）
• 参数化查询 防止注射攻击
• Neo4j execute_read() 在驱动程序级别强制执行只读语义

令牌感知分页

大型结果集会自动截断，并带有延续提示：

{
  "results": [...],
  "pagination": {
    "total": 1500,
    "returned": 127,
    "has_more": true,
    "next_offset": 127
  }
}

使用 estimate=True 在提取之前探测查询成本：

call_endpoint("get_drugs_for_target", '{"target": "EGFR"}', estimate=True)
# → {result_count: 78, token_estimate_full: 15200, fields_available: [...], sample: [...]}

然后用投影获取：

call_endpoint("get_drugs_for_target", '{"target": "EGFR"}', fields=["db_ns", "db_id", "name"], limit=50)

配置

Neo4j凭据

export INDRA_NEO4J_URL="bolt://localhost:7687"
export INDRA_NEO4J_USER="neo4j"
export INDRA_NEO4J_PASSWORD="your-password"

或在中配置 ~/.config/indra/config.ini （标准INDRA配置文件）。

运输安全（必填）

缓存

HTTP模式

发展

git clone https://github.com/gyorilab/indra_agent.git
cd indra_agent
pip install -e ".[dev]"

# Run tests
pytest tests/

# Run specific test file
pytest tests/mcp_server/test_gateway_tools.py -v

依赖项

• indra_cogex --INDRA CoGEx知识图客户端
• mcp>=1.2.0 --模型上下文协议SDK（传输安全需要1.2.0+）
• gilda --生物医学实体接地
• diskcache>=5.6 --具有LRU驱逐功能的持久缓存
• pydantic>=2.0 --数据验证
• click>=8.0 --CLI框架
• starlette>=0.27.0 --ASGI框架
• uvicorn>=0.20.0 --ASGI服务器（HTTP模式）
• jinja2>=3.0.0 --模板引擎

许可证

BSD-2条款