MCP机组人工智能服务器
MCP Crew AI Server是一个基于Python的轻量级服务器，旨在运行、管理和创建CrewAI工作流。该项目利用 模型上下文协议（MCP） 与大型语言模型（LLM）和工具（如Claude Desktop或Cursor IDE）通信，使您能够轻松编排多代理工作流。
特性
- 自动配置： 从两个YAML文件自动加载代理和任务配置(
agents.yml和tasks.yml)，因此您不需要为基本设置编写自定义代码。 - 命令行灵活性： 通过命令行参数将自定义路径传递给配置文件(
--agents和--tasks). - 无缝工作流执行： 通过MCP轻松运行预配置的工作流
run_workflow工具。 - 地方发展： 以STDIO模式在本地运行服务器，使其成为开发和测试的理想选择。
安装
安装MCP Crew AI服务器有几种方法：
选项1：从PyPI安装（推荐）
pip install mcp-crew-ai选项2：从GitHub安装
pip install git+https://github.com/adam-paterson/mcp-crew-ai.git选项3：克隆和安装
git clone https://github.com/adam-paterson/mcp-crew-ai.git
cd mcp-crew-ai
pip install -e .需求
- Python 3.11+
- MCP-SDK
- CrewAI
- PyYAML
配置
- agents.yml： 用角色、目标和背景故事定义你的代理人。
- tasks.yml： 用描述、预期输出定义任务，并将其分配给代理。
示例 agents.yml:
zookeeper:
role: Zookeeper
goal: Manage zoo operations
backstory: >
You are a seasoned zookeeper with a passion for wildlife conservation...示例 tasks.yml:
write_stories:
description: >
Write an engaging zoo update capturing the day's highlights.
expected_output: 5 engaging stories
agent: zookeeper
output_file: zoo_report.md用法
安装后，您可以使用以下任一方法运行MCP CrewAI服务器：
标准Python命令
mcp-crew-ai --agents path/to/agents.yml --tasks path/to/tasks.yml使用UV执行（uvx）
为了获得更流畅的体验，您可以使用UV执行命令：
uvx mcp-crew-ai --agents path/to/agents.yml --tasks path/to/tasks.yml或者直接运行服务器：
uvx mcp-crew-ai-server这将使用环境变量中的默认配置启动服务器。
命令行选项
--agents：代理YAML文件的路径（必需）--tasks：任务YAML文件的路径（必需）--topic：机组人员要处理的主要主题（默认：“人工智能”）--process：要使用的流程类型（选项：“顺序”或“分层”，默认值：“连续”）--verbose：启用详细输出--variables：JSON字符串或JSON文件的路径，其中包含要在YAML文件中替换的其他变量--version：显示版本信息并退出
高级用法
您还可以提供在YAML模板中使用的其他变量：
mcp-crew-ai --agents examples/agents.yml --tasks examples/tasks.yml --topic "Machine Learning" --variables '{"year": 2025, "focus": "deep learning"}'这些变量将替换YAML文件中的占位符。例如， {topic} 将被“机器学习”所取代 {year} “2025”。
贡献
欢迎投稿！请打开问题或提交包含改进、错误修复或新功能的拉取请求。
许可证
该项目根据麻省理工学院许可证获得许可。有关详细信息，请参阅LICENSE文件。
工作流程编排愉快！