MCP Deep Research Assistant

深度研究员：多智能体研究助理（Streamlit&MCP）

🏗️ 系统架构

______________________________________________________________________

关键组件

代理人（CrewAI）

• Web搜索代理：获取实时互联网结果。
• 研究分析师代理：综合、消除重复和事实核查调查结果。
• 技术作家代理：撰写一篇被引用得很好的文章。

工具

• 链接搜索工具：与Linkup API接口，实现可靠的实时搜索。

用户界面

• 流线型UI：在浏览器中查询和查看响应。
• MCP服务器：从任何支持MCP的IDE（例如Cursor）呼叫研究人员。

______________________________________________________________________

运作原理

1. 用户输入查询（Streamlit或MCP）。

1. CrewAI工作流程：

- Web搜索代理收集源 - 分析员代理人审查/验证 - Writer Agent编写结果

1. 最终响应显示在UI中或返回到IDE。

______________________________________________________________________

设置

先决条件

• Python 3.11+
• 链接API密钥

运行Streamlit应用程序

streamlit run app/streamlit_app.py

作为MCP服务器运行（适用于Cursor等IDE）

python server.py

添加到您的 mcp.json:

{
  "mcpServers": {
    "crew_research": {
      "command": "uv",
      "args": ["--directory", "./Multi-Agent-deep-researcher-mcp-windows-linux", "run", "server.py"],
      "env": {"LINKUP_API_KEY": "your_linkup_api_key_here"}
    }
  }
}

______________________________________________________________________

文件夹结构

deep-researcher/
├── agents.py/
│   ├── web_search_agent
│   ├── research_analyst
│   └── technical_writer
├── app.py
├── server.py
├── pyproject.toml
└── README.md

______________________________________________________________________

鸣谢

• CrewAI
• API链接
• MCP客户端来自 光标

______________________________________________________________________