🧠 Cortex-R：支持SSE的MCP代理

![Python 3.11+](https://www.python.org/downloads/) ![MCP Protocol](https://github.com/modelcontextprotocol/python-sdk) ![License](LICENSE)

一种先进的人工智能代理，具有多模态感知、持久记忆和工具使用功能，由具有STDIO和SSE传输的模型上下文协议（MCP）提供支持。

Cortex-R是一种推理驱动的人工智能代理，可以使用外部工具、内存检索和战略规划逐步解决复杂任务。它具有Telegram集成功能，可在群聊中实现无缝的对话式人工智能交互，使其可以从任何地方访问。

______________________________________________________________________

🌟 主要特点

🎯 核心能力

多步推理：将复杂问题分解为可管理的步骤
工具使用代理：根据任务要求动态选择和执行工具
持久存储器：使用基于FAISS的向量存储进行上下文记忆检索
多模态处理：处理文本、PDF、图像和web内容
战略规划：保守，重试一次，探索所有策略
双接口：CLI模式用于开发，Telegram模式用于生产

🔧 工具生态系统

🧮 数学工具 （30+运算）：算术、三角学、阶乘、指数、自定义Python沙盒
📄 文档处理：PDF提取、网页抓取、语义分块、图像字幕
🔍 网页搜索：DuckDuckGo集成智能限速功能
📱 电报集成：通过SSE协议进行实时消息处理

🏗️ 建筑亮点

MCP协议：支持STDIO和SSE传输的统一工具抽象
模块化设计：感知→ 记忆→ 决定→ 动作循环
异步优先：基于asyncio构建，用于并发操作
基于配置文件的配置：基于YAML的代理角色和策略

______________________________________________________________________

______________________________________________________________________

⚡ 快速开始

先决条件

Python 3.11或更高版本
uv 包管理器（推荐）或 pip
电报账户（用于电报模式）
Gemini API密钥（用于LLM操作）

安装

# Clone the repository
git clone 
cd SSEEnabledMCPAgent

# Install dependencies using uv (recommended)
uv sync

# Or using pip
pip install -r requirements.txt

# Create environment file
cp .env.example .env
# Edit .env and add your API keys

基本用法-CLI模式

# Start the agent in CLI mode
uv run python agent.py --mode cli

# Or simply
uv run python agent.py

查询示例：

What is the square root of 144?

电报模式设置

看 📱 电报集成有关详细的设置说明。

快速版本：

# Terminal 1: Start Telegram SSE Server
uv run python mcp_telegram_server.py

# Terminal 2: Start Agent in Telegram Mode
uv run python agent.py --mode telegram

对于Windows用户，请使用提供的批处理脚本：

# Terminal 1
start_telegram_server.bat

# Terminal 2
start_telegram_agent.bat

______________________________________________________________________

🔧 安装

系统要求

操作系统：Windows、macOS或Linux
python: 3.11+
随机存取存储器：最低4GB（建议8GB）
存储：1GB用于依赖关系和模型

详细的安装步骤

安装Python 3.11+

   # Verify Python version
   python --version  # Should be 3.11 or higher

安装uv包管理器 （推荐）

   # macOS/Linux
   curl -LsSf https://astral.sh/uv/install.sh | sh

   # Windows (PowerShell)
   powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

克隆和设置

   git clone 
   cd SSEEnabledMCPAgent

   # Install all dependencies
   uv sync

配置环境

   # Create .env file
   touch .env  # or New-Item .env on Windows

添加以下内容 .env:

   # Required for LLM operations
   GEMINI_API_KEY=your_gemini_api_key_here

   # Required for Telegram mode
   TELEGRAM_BOT_TOKEN=your_telegram_bot_token_here

   # Optional: Ollama configuration (if using local models)
   OLLAMA_URL=http://localhost:11434

验证安装

   # Test CLI mode
   uv run python agent.py --mode cli

   # You should see:
   # ============================================================
   # 🧠 Cortex-R Agent Ready
   # 📍 Mode: CLI
   # ============================================================

______________________________________________________________________

🏗️ 建筑

Cortex-R基于 感知记忆决策动作 循环：

┌─────────────────────────────────────────────────────────────┐
│                     USER INPUT / QUERY                       │
└───────────────────────┬─────────────────────────────────────┘
                        │
                        ▼
┌─────────────────────────────────────────────────────────────┐
│                    🧠 PERCEPTION MODULE                      │
│  - Extracts intent, entities, and tool hints from query     │
│  - Powered by LLM (Gemini)                                  │
└───────────────────────┬─────────────────────────────────────┘
                        │
                        ▼
┌─────────────────────────────────────────────────────────────┐
│                    💾 MEMORY RETRIEVAL                       │
│  - FAISS-based vector search                                │
│  - Retrieves relevant past tool outputs and facts           │
│  - Contextual memory filtering by session/type              │
└───────────────────────┬─────────────────────────────────────┘
                        │
                        ▼
┌─────────────────────────────────────────────────────────────┐
│                    🎯 DECISION / PLANNING                    │
│  - Strategic planning based on agent profile                │
│  - Tool selection and parameter generation                  │
│  - Conservative / Retry-once / Explore-all strategies       │
└───────────────────────┬─────────────────────────────────────┘
                        │
                        ▼
┌─────────────────────────────────────────────────────────────┐
│                    ⚙️ ACTION EXECUTION                       │
│  - MCP Tool Dispatcher (MultiMCP)                           │
│  - Dynamic routing to STDIO or SSE servers                  │
│  - Result parsing and memory storage                        │
└───────────────────────┬─────────────────────────────────────┘
                        │
                        ▼
                  [Loop or FINAL_ANSWER]

核心组件

1. 代理循环 (`core/loop.py`)

运行感知-记忆-决策-动作循环最多N个步骤的主编排器（默认值：6）。

2. 上下文管理器 (`core/context.py`)

维护会话状态，包括：

当前步骤编号
记忆痕迹
工具调用历史记录
代理配置文件和配置

3. MCP会话处理程序 (`core/session.py`)

管理与多个MCP服务器的连接：

STDIO传输：用于本地工具服务器（数学、文档、网络搜索）
苏格兰和南方能源公司运输：用于远程服务器（Telegram集成）

4. 感知模块 (`modules/perception.py`)

从用户查询中提取结构化信息：

意图：高层次目标
实体：关键字和值
工具提示：建议的MCP工具

5. 存储器系统 (`modules/memory.py`)

基于FAISS的矢量数据库，用于：

刀具输出存储
语义搜索
上下文检索

6. 决策引擎 (`modules/decision.py`)

生成结构化计划：

工具选择
参数提取
最终答案检测

______________________________________________________________________

🎮 使用模式

Cortex-R支持两种操作模式：

1.CLI模式（交互式命令行）

最适合：开发、测试和单个查询

# Start CLI mode
uv run python agent.py --mode cli

# Or use the shortcut
uv run python agent.py

示例会话：

============================================================
🧠 Cortex-R Agent Ready
📍 Mode: CLI
============================================================

🧑 What do you want to solve today? → Find the ASCII values of INDIA and sum their exponentials

[agent] Starting session: session-1234567890-abc123
[loop] Step 1 of 6
[perception] Intent: Convert string to ASCII and compute exponential sum
[memory] Retrieved 0 memories
[plan] FUNCTION_CALL: strings_to_chars_to_int|input={"string": "INDIA"}
[action] strings_to_chars_to_int → [73, 78, 68, 73, 65]
[loop] Step 2 of 6
[plan] FUNCTION_CALL: int_list_to_exponential_sum|input={"int_list": [73, 78, 68, 73, 65]}
[action] int_list_to_exponential_sum → 1.234567e+35

============================================================
💡 Final Answer:
============================================================
The ASCII values of "INDIA" are [73, 78, 68, 73, 65], and the sum 
of their exponentials is approximately 1.23 × 10^35.
============================================================

2.电报模式（生产机器人）

最适合：生产部署、多用户访问、远程操作

设置过程：

创建电报机器人

- 打开Telegram并搜索 @BotFather - 发送 /newbot 并遵循指示 - 复制机器人令牌 - 发送 /mybots → 选择机器人→ 机器人设置→ 群体隐私→ 关掉

配置环境

   # Add to .env
   TELEGRAM_BOT_TOKEN=1234567890:ABCdefGHIjklMNOpqrsTUVwxyz

将Bot添加到组

- 创建Telegram群组 - 将您的机器人添加为成员

启动系统

   # Terminal 1: Telegram SSE Server
   uv run python mcp_telegram_server.py

   # Terminal 2: Agent
   uv run python agent.py --mode telegram

测试

在您的Telegram群中发送消息：

   What is 25 * 4?

工作原理：

[Telegram Group Message]
          ↓
[Telegram Bot (python-telegram-bot)]
          ↓
[Message Queue (asyncio.Queue)]
          ↓
[MCP SSE Server (FastAPI + SSE)]
          ↓ HTTP SSE Protocol
[Agent Loop (Perception → Memory → Decision → Action)]
          ↓
[Tool Execution (math, docs, web)]
          ↓
[send_telegram_reply()]
          ↓
[Telegram Group]

Telegram的具体功能：

✅ 自动消息确认（“正在处理…”）
✅ Markdown格式支持
✅ 长消息拆分（4000个字符块）
✅ 连续操作（处理多个查询）
✅ 使用用户友好的消息处理错误

______________________________________________________________________

🔧 MCP服务器

Cortex-R使用模型上下文协议（MCP）来抽象工具功能。每个服务器都通过MCP公开一组工具。

服务器1：数学运算(`mcp_server_1.py`)

提供的工具：

基本算术： add, subtract, multiply, divide
高等数学： sqrt, cbrt, power, factorial
三角函数： sin, cos, tan
公用设施： remainder, strings_to_chars_to_int, int_list_to_exponential_sum
代码执行： run_python_sandbox （Python安全评估）
系统： run_shell_command, run_sql_query

工具使用示例：

# Tool: add
add(a=10, b=5) → 15

# Tool: strings_to_chars_to_int
strings_to_chars_to_int(string="INDIA") → [73, 78, 68, 73, 65]

# Tool: run_python_sandbox
run_python_sandbox(code="import math; result = math.sqrt(49)") → "7.0"

运输： 工作室

服务器2：文档处理(`mcp_server_2.py`)

提供的工具：

search_documents：索引文档的语义搜索（FAISS）
extract_webpage：将网页转换为markdown（Trafilatura）
extract_pdf：将PDF转换为带有图像字幕的markdown（PyMuPDF4LLM）

文档索引：

自动处理中的文件 documents/ 文件夹
支持：PDF、DOCX、HTML、TXT、Markdown
使用语义块创建FAISS索引
通过Ollama提供图像字幕（gemma3:12b）
增量更新（仅处理更改的文件）

语义分块： 使用基于LLM的主题检测来智能地拆分文档：

# Example: Processing a multi-topic document
Document → LLM Topic Splitter → Semantic Chunks → FAISS Index

查询示例：

"What do you know about DLF apartments?"
→ Searches indexed documents for relevant content
→ Returns top-k matches with source attribution

运输： 工作室

服务器3：网络搜索(`mcp_server_3.py`)

提供的工具：

search：带有结果格式的DuckDuckGo搜索
fetch_content：提取和解析网页内容

特征：

速率限制（30个请求/分钟）
用户代理轮换
结果重复数据删除
内容净化
超时处理

示例用法：

# Tool: search
search(query="F1 2024 standings", max_results=5)
→ Returns formatted search results with titles, URLs, and snippets

# Tool: fetch_content
fetch_content(url="https://example.com")
→ Returns cleaned webpage text (max 8000 chars)

运输： 工作室

服务器4：电报集成(`mcp_telegram_server.py`)

提供的工具：

get_telegram_query：等待并检索Telegram消息
send_telegram_reply：将回复发送回Telegram
check_telegram_status：监控机器人运行状况

架构：

上的FastMCP SSE服务器 http://localhost:8000
python-telegram-bot 用于Telegram API
异步。消息缓冲队列
Markdown消息格式

运输： SSE（服务器发送事件）

______________________________________________________________________

📱 电报集成

为什么是Telegram？

随时随地可访问：不需要在你的电脑前
多用户：在团队成员之间共享一个代理
小组对话：协作AI交互
丰富的格式：Markdown支持更好的可读性
推送通知：即时响应

安装指南

看 TELEGRAM_SETUP_GUIDE.md 获取全面的指导。

快速设置：

创建机器人 （通过@BotFather）

   /newbot
   Bot name: My AI Agent
   Username: my_ai_agent_bot
   → Copy token

配置隐私

   /mybots → Select bot → Bot Settings → Group Privacy → Turn OFF

环境设置

   TELEGRAM_BOT_TOKEN=your_token_here

运行系统

   # Terminal 1
   uv run python mcp_telegram_server.py

   # Terminal 2
   uv run python agent.py --mode telegram

电报命令

目前，机器人会回复所有短信。未来的版本将支持以下命令：

计划命令：

/help -显示可用命令
/status -检查代理状态
/clear -清除对话记忆
/tools -列出可用工具
/mode -变更规划策略

______________________________________________________________________

⚙️ 配置

代理配置文件(`config/profiles.yaml`)

定义代理行为、策略和工具配置：

agent:
  name: Cortex-R
  id: cortex_r_001
  description: A reasoning-driven AI agent

strategy:
  type: conservative  # Options: conservative, retry_once, explore_all
  max_steps: 6

memory:
  top_k: 3
  type_filter: tool_output  # Options: tool_output, fact, query, all
  embedding_model: nomic-embed-text
  embedding_url: http://localhost:11434/api/embeddings

llm:
  text_generation: gemini
  embedding: nomic

persona:
  tone: concise
  verbosity: low
  behavior_tags: [rational, focused, tool-using]

mcp_servers:
  - id: math
    script: mcp_server_1.py
    transport: stdio
    
  - id: documents
    script: mcp_server_2.py
    transport: stdio
    
  - id: websearch
    script: mcp_server_3.py
    transport: stdio
    
  - id: telegram
    transport: sse
    url: http://localhost:8000/sse

型号配置(`config/models.json`)

配置LLM提供程序和终结点：

{
  "gemini": {
    "provider": "google",
    "model": "gemini-2.0-flash-exp",
    "api_key_env": "GEMINI_API_KEY",
    "temperature": 0.7
  },
  "ollama": {
    "provider": "ollama",
    "model": "phi4:latest",
    "base_url": "http://localhost:11434"
  }
}

______________________________________________________________________

🔁 代理循环

代理循环是核心执行周期：

循环结构

for step in range(max_steps):
    # 1. PERCEPTION
    perception = await extract_perception(query)
    
    # 2. MEMORY RETRIEVAL
    memories = memory.retrieve(query, top_k=3)
    
    # 3. DECISION / PLANNING
    plan = await decide_next_action(context, perception, memories, tools)
    
    # 4. ACTION EXECUTION
    if "FUNCTION_CALL" in plan:
        result = await mcp.call_tool(tool_name, arguments)
        memory.add(tool_output)
        query = build_followup_query(result)
    elif "FINAL_ANSWER" in plan:
        break

退出条件

检测到最终答案：代理人提供了决定性的答案
已达到最大步数：防止无限循环（默认值：6步）
遇到错误：优雅的失败，并显示错误消息

多步骤执行示例

查询： “查找INDIA的ASCII值并计算指数之和”

Step 1:
  Perception: Convert string to ASCII
  Plan: FUNCTION_CALL: strings_to_chars_to_int(string="INDIA")
  Result: [73, 78, 68, 73, 65]

Step 2:
  Perception: Calculate exponential sum
  Plan: FUNCTION_CALL: int_list_to_exponential_sum(int_list=[73, 78, 68, 73, 65])
  Result: 1.234e+35

Step 3:
  Perception: Task complete
  Plan: FINAL_ANSWER: The sum of exponentials is 1.234e+35

______________________________________________________________________

💾 存储器系统

Cortex-R使用FAISS实现了一个复杂的存储系统，用于矢量存储。

存储器体系结构

┌─────────────────────────────────────┐
│          Memory Item                │
│  - text: "tool(args) → result"     │
│  - type: tool_output/fact/query    │
│  - session_id: session-xxx         │
│  - timestamp: 2025-01-01           │
│  - embedding: [768-dim vector]     │
└─────────────────────────────────────┘
                 ↓
┌─────────────────────────────────────┐
│        FAISS Index (L2)             │
│  - 768-dimensional vectors          │
│  - Fast similarity search           │
│  - Persistent storage               │
└─────────────────────────────────────┘

存储器类型

工具输出：工具执行结果
事实：从文件中提取知识
怎么翻译：用户查询上下文
全部：检索所有类型

记忆检索

# Retrieve relevant memories
memories = memory.retrieve(
    query="What is the population of India?",
    top_k=3,
    type_filter="tool_output",
    session_filter="session-123"
)

内存存储位置

文档索引: faiss_index/

- index.bin：FAISS索引文件 - metadata.json：文档块和元数据 - doc_index_cache.json：增量更新的文件哈希

______________________________________________________________________

🛠️ 工具开发

想要添加自定义工具吗？方法如下：

创建新的MCP服务器

创建服务器文件 (mcp_server_custom.py)

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("custom-tools")

@mcp.tool()
def my_custom_tool(input: str) -> str:
    """
    Description of what the tool does.
    Usage: my_custom_tool|input="example"
    """
    # Your tool logic here
    result = process(input)
    return result

if __name__ == "__main__":
    mcp.run(transport="stdio")

添加到profiles.yaml

mcp_servers:
  - id: custom
    script: mcp_server_custom.py
    cwd: /path/to/project
    transport: stdio

测试工具

# Restart agent
uv run python agent.py --mode cli

# Query: "Use my custom tool with input 'test'"

工具最佳实践

清晰的描述：在文档字符串中包含使用示例
类型提示：对复杂输入使用Pydantic模型
错误处理：返回错误消息，而不是引发异常
日志记录：使用 print() 到stderr进行调试（不干扰MCP协议）

______________________________________________________________________

📚 例子

示例1：数学计算

查询： “5的阶乘加上144的平方根是多少？”

执行：

Step 1: factorial(5) → 120
Step 2: sqrt(144) → 12
Step 3: add(120, 12) → 132
FINAL_ANSWER: 132

示例2：文档搜索

查询： “你对特斯拉的开放式创新了解多少？”

执行：

Step 1: search_documents("Tesla open innovation")
  → Returns: "Tesla Motors released its patents in 2014 to promote 
     electric vehicle adoption..." [Source: Tesla_Motors_IP_*.pdf]

FINAL_ANSWER: Tesla released its patents in 2014 as part of its open 
innovation strategy to accelerate EV adoption.

示例3：网络搜索+内容提取

查询： 谁赢得了2024年F1冠军

执行：

Step 1: search("F1 2024 championship winner", max_results=5)
  → Returns: [Result 1: "Max Verstappen wins...", URL: ...]

Step 2: fetch_content(url="...")
  → Returns: "Max Verstappen secured his fourth consecutive F1 world 
     championship..."

FINAL_ANSWER: Max Verstappen won the 2024 F1 world championship.

示例4：复杂的多工具查询

查询： “查找Anmol Singh为其DLF公寓支付的金额的对数值”

执行：

Step 1: search_documents("Anmol Singh DLF apartment payment")
  → Returns: "Anmol Singh paid ₹2,50,00,000 for his DLF apartment..."

Step 2: run_python_sandbox(code="import math; result = math.log(25000000)")
  → Returns: "17.03"

FINAL_ANSWER: Anmol Singh paid ₹2.5 crore for his DLF apartment. 
The natural log of this amount is approximately 17.03.

______________________________________________________________________

🐛 故障排除

常见问题

1.“TELEGRAM_BOT_TOKEN未设置”错误

解决方案：

# Create .env file
echo "TELEGRAM_BOT_TOKEN=your_token_here" > .env

2.机器人看不到Telegram组中的消息

解决方案：

前往@BotFather
发送 /mybots → 选择机器人→ 机器人设置→ 群体隐私→ 关掉
将机器人重新添加到组中

3.“连接被拒绝”错误（电报模式）

解决方案：

# Ensure Telegram SSE server is running first
# Terminal 1
uv run python mcp_telegram_server.py

# Wait for "MCP SSE server on http://localhost:8000" message
# Then start agent in Terminal 2

4.未找到FAISS索引

解决方案：

# Run document server once to generate index
uv run python mcp_server_2.py

# Wait for indexing to complete
# Then start agent normally

5.“在任何服务器上都找不到工具'X'”

解决方案：

验证工具名称是否完全匹配（区分大小写）
检查 config/profiles.yaml 包括服务器
重新启动代理以重新加载工具列表

6.Ollama连接错误

解决方案：

# Ensure Ollama is running
ollama serve

# Pull required models
ollama pull nomic-embed-text
ollama pull gemma3:12b
ollama pull phi4:latest

调试模式

启用详细日志记录：

# In agent.py, add at top:
import logging
logging.basicConfig(level=logging.DEBUG)

______________________________________________________________________

📂 项目结构

SSEEnabledMCPAgent/
├── agent.py                      # Main agent entry point
├── mcp_server_1.py               # Math tools server (STDIO)
├── mcp_server_2.py               # Document tools server (STDIO)
├── mcp_server_3.py               # Web search server (STDIO)
├── mcp_telegram_server.py        # Telegram integration (SSE)
├── models.py                     # Pydantic models for tool I/O
├── session.py                    # Session management (deprecated)
├── pyproject.toml                # Project dependencies
├── uv.lock                       # Dependency lock file
├── .env                          # Environment variables (create this)
├── .gitignore                    # Git ignore rules
│
├── config/
│   ├── profiles.yaml             # Agent configuration
│   └── models.json               # LLM provider settings
│
├── core/
│   ├── context.py                # Agent context and state
│   ├── loop.py                   # Main agent loop
│   ├── session.py                # MCP session management
│   └── strategy.py               # Planning strategies
│
├── modules/
│   ├── perception.py             # Intent and entity extraction
│   ├── memory.py                 # FAISS-based memory system
│   ├── decision.py               # Planning and tool selection
│   ├── action.py                 # Tool execution
│   ├── tools.py                  # Tool utilities
│   └── model_manager.py          # LLM abstraction layer
│
├── documents/                    # Documents for indexing
│   ├── *.pdf                     # PDF files
│   ├── *.docx                    # Word documents
│   ├── *.txt                     # Text files
│   └── images/                   # Extracted images
│
├── faiss_index/                  # FAISS index storage
│   ├── index.bin                 # Vector index
│   ├── metadata.json             # Chunk metadata
│   └── doc_index_cache.json      # File hashes
│
├── start_telegram_server.bat     # Windows: Start Telegram server
├── start_telegram_agent.bat      # Windows: Start agent (Telegram)
├── start_cli_agent.bat           # Windows: Start agent (CLI)
│
├── QUICK_START.md                # Quick reference guide
├── TELEGRAM_SETUP_GUIDE.md       # Detailed Telegram setup
├── IMPLEMENTATION_SUMMARY.md     # Technical implementation details
└── README.md                     # This file

______________________________________________________________________

🤝 贡献

欢迎投稿！以下是您可以提供帮助的方式：

贡献领域

新MCP工具

- 添加对更多API的支持（GitHub、Notion等） - 用更多功能增强现有工具

增强型存储系统

- 实现矢量压缩 - 添加内存修剪策略 - 支持多种嵌入模型

UI改进

- 用于代理监控的Web界面 - 带有进度条的丰富CLI - 更好的电报格式

测试

- 核心模块的单元测试 - MCP服务器的集成测试 - 端到端测试框架

文档

- 更多示例和教程 - 视频演练 - API文档

贡献工作流程

# 1. Fork the repository
# 2. Create feature branch
git checkout -b feature/amazing-feature

# 3. Make changes and commit
git commit -m "Add amazing feature"

# 4. Push to branch
git push origin feature/amazing-feature

# 5. Open Pull Request

______________________________________________________________________

📜 许可证

该项目根据MIT许可证获得许可。看许可证文件以获取详细信息。

______________________________________________________________________

🙏 致谢

MCP协议: 模型上下文协议
FastMCP：简化了MCP服务器的实施
python电报机器人：Telegram Bot API包装
FAISS：脸书人工智能相似性搜索
Llama索引：文档处理实用程序
编织：Web内容提取
PyMuPDF4LLM：LLM的PDF处理

______________________________________________________________________

📞 支持

如有疑问、问题或功能请求：

检查文件:

- 快速启动.md - TELEGRAM_SETUP_GUIDE.md - 实施\_ SUMMARY.md

审查问题：检查您的问题是否已经存在

创建新问题：提供详细说明，包括：

- 错误消息 - 重现步骤 - 环境详细信息（操作系统、Python版本）

社区：加入讨论并分享您的用例

______________________________________________________________________

🚀 路线图

1.1版（计划中）

\[\]多会话支持（并发用户）
\[\]电报命令(/help, /status, /clear)
\[\]语音消息支持
\[\]Telegram中的图像分析

1.2版（计划中）

\[\]Web UI仪表板
\[\]用户身份验证和白名单
\[\]数据库集成（PostgreSQL/MongoDB）
\[\]增强的错误恢复

2.0版本（未来）

\[\]多代理协作
\[\]工作流自动化
\[\]插件市场
\[\]云部署模板

______________________________________________________________________

📊 演出

典型响应时间：

简单数学查询：1-2秒
文档搜索：2-4秒
网络搜索+内容获取：5-10秒
复杂的多步骤查询：10-30秒

资源使用情况：

内存：500MB-2GB（取决于FAISS索引大小）
CPU：最小（异步I/O限制）
存储：100MB基础+文件存储

______________________________________________________________________

🔐 安全考虑

API密钥：从不承诺 .env 文件到版本控制
电报机器人：如果受到威胁，请使用机器人令牌轮换
工具执行: run_python_sandbox 限制进口
Web剪贴：遵守robots.txt和费率限制
用户输入：验证和净化所有用户输入

______________________________________________________________________

📈 统计

代码行数: ~3,500
MCP服务器: 4
可用工具: 35+
支持的文件类型: 10+
传输协议工作室：SSE

🎓 了解更多

______________________________________________________________________

最后更新：2025年11月9日\ 版本: 1.0.0\ 状态: ✅ 生产就绪

SSE Enabled MCP Agent

快速接入

详细介绍

🧠 Cortex-R：支持SSE的MCP代理

🌟 主要特点

🎯 核心能力

🔧 工具生态系统

🏗️ 建筑亮点

📋 目录

⚡ 快速开始

先决条件

安装

基本用法-CLI模式

电报模式设置

🔧 安装

系统要求

详细的安装步骤

🏗️ 建筑

核心组件

1. 代理循环 (core/loop.py)

2. 上下文管理器 (core/context.py)

3. MCP会话处理程序 (core/session.py)

4. 感知模块 (modules/perception.py)

5. 存储器系统 (modules/memory.py)

6. 决策引擎 (modules/decision.py)

🎮 使用模式

1.CLI模式（交互式命令行）

2.电报模式（生产机器人）

🔧 MCP服务器

服务器1：数学运算(mcp_server_1.py)

服务器2：文档处理(mcp_server_2.py)

服务器3：网络搜索(mcp_server_3.py)

服务器4：电报集成(mcp_telegram_server.py)

📱 电报集成

为什么是Telegram？

安装指南

电报命令

⚙️ 配置

代理配置文件(config/profiles.yaml)

型号配置(config/models.json)

🔁 代理循环

循环结构

退出条件

多步骤执行示例

💾 存储器系统

存储器体系结构

存储器类型

记忆检索

内存存储位置

🛠️ 工具开发

创建新的MCP服务器

工具最佳实践

📚 例子

示例1：数学计算

示例2：文档搜索

示例3：网络搜索+内容提取

示例4：复杂的多工具查询

🐛 故障排除

常见问题

1.“TELEGRAM_BOT_TOKEN未设置”错误

2.机器人看不到Telegram组中的消息

3.“连接被拒绝”错误（电报模式）

4.未找到FAISS索引

5.“在任何服务器上都找不到工具'X'”

6.Ollama连接错误

调试模式

📂 项目结构

🤝 贡献

贡献领域

贡献工作流程

📜 许可证

🙏 致谢

📞 支持

🚀 路线图

1.1版（计划中）

1.2版（计划中）

2.0版本（未来）

📊 演出

🔐 安全考虑

📈 统计

1. 代理循环 (`core/loop.py`)

2. 上下文管理器 (`core/context.py`)

3. MCP会话处理程序 (`core/session.py`)

4. 感知模块 (`modules/perception.py`)

5. 存储器系统 (`modules/memory.py`)

6. 决策引擎 (`modules/decision.py`)

服务器1：数学运算(`mcp_server_1.py`)

服务器2：文档处理(`mcp_server_2.py`)

服务器3：网络搜索(`mcp_server_3.py`)

服务器4：电报集成(`mcp_telegram_server.py`)

代理配置文件(`config/profiles.yaml`)

型号配置(`config/models.json`)