Multi Agent Orch

🧠 多代理编排器——项目文档

此存储库演示了端到端 多代理编排工作流.\ 它集成了一个 基于LangGraph的规划器一 MCP（模型上下文协议） 客户端-服务器对，\ 以及用于调用动态工具（如YouTube搜索或模拟数据生成器）的异步编排逻辑。

______________________________________________________________________

📁 项目结构概述

______________________________________________________________________

🔍 详细模块分解

app/run.py

• 使用dotenv加载环境变量。
• 从CLI参数读取主题(python app/run.py "python decorators").
• 初始化连接到MCP服务器的MCPClient。
• 创建计划器和异步执行节点(exec_node).
• 通过MCP（mock_search或YouTube）调用工具。
• 按点赞+浏览量对结果进行标准化和排名。

app/mcp_client.py

• MCP连接的异步上下文管理器。
• __aenter__() 启动stdio会话。
• list_tools() 列出可用工具。
• call_tool() 发送请求并解析结构化JSON/text。
• 处理规范化和错误安全。

app/agent.py

• 包含 make_planner() --代理逻辑。
• 定义计划节点和决策逻辑。
• 每个计划节点决定下一步使用哪个工具。
• 模块化，用于添加更多工具或代理策略。

app/graph.py

• 构建 LangGraph 定向执行流程。
• 连接计划→ 执行→ 结果节点。
• 支持异步状态传播。
• 任务如何按顺序执行的核心。

mcp_server/server.py

• 实现MCP FastMCP服务器公开工具。
• 工具： mock_search，可选 youtube_search.
• 使用装饰器(@mcp.tool())注册。
• 负载 .env 用于API密钥（例如YOUTUBE_API_KEY）。
• 返回结构化JSON格式的结果。

requirements.txt

langgraph
mcp
httpx
python-dotenv
asyncio

安装方式：

pip install -r requirements.txt

______________________________________________________________________

⚙️ 执行流程

1. 用户运行：

   python app/run.py "python decorators"

1. run.py 负载 .env 并开始 MCPClient.
2. MCPClient 连接到MCP服务器。
3. 规划师(agent.py)决定调用哪个工具。
4. exec_node 通过MCP执行该工具。
5. MCP服务器运行该工具（例如。， mock_search).
6. 结果被标准化、排名和打印。

______________________________________________________________________

🧪 示例运行

python app/run.py "python decorators"

输出：

Initial state -> {'topic': 'python decorators', 'k': 5}
=== RESULT ===
[
  {"title": "python decorators Crash Course", "likes": 1500, "views": 220000},
  ...
]

Result

🚀 将来的扩展

• 替换 mock_search 使用实时YouTube/Bing API。
• 添加 LangGraph内存 从长远来看。
• 支持 多Agent协商 （规划师+评估师）。
• 整合 LLM推理 用于主题选择。

______________________________________________________________________

🧩 总结

该系统提供 完整的模块化管道 使用模型上下文协议测试和编排工具调用代理。\ 您可以轻松地扩展它以集成真实的API，使用LLM推理，或通过Docker/Kubernetes部署在云服务器上。