Swiggy Zomato MCP

🍔 食品聚集剂

比较不同地区的食品价格 Swiggy 和 佐马托 使用人工智能——由谷歌双子座、LangGraph和模型上下文协议（MCP）提供支持。

______________________________________________________________________

✨ 特性

• 🔍 跨平台搜索 --同时查询Swiggy和Zomato
• 🎟️ 优惠券比较 --获取并应用两个平台上的可用折扣
• 💬 React聊天界面 --带有多回合记忆的深色主题对话界面
• 📊 流量追踪 --代理推理、工具调用和LLM响应的完全可观察性
• ⚡ 令牌优化 -为减少API成本而调整的工具说明
• 🐳 可部署的 --包含多级Dockerfile+渲染蓝图

______________________________________________________________________

🏗️ 建筑

┌──────────────────────────────────────────────────┐
│                 Render (Docker)                  │
│                                                  │
│  ┌────────────────────────────────────────────┐  │
│  │  FastAPI (port 8000)                       │  │
│  │  ├── GET  /           → React static app   │  │
│  │  ├── POST /api/connect → connect MCP       │  │
│  │  ├── POST /api/chat   → agent endpoint     │  │
│  │  └── GET  /api/status → health check       │  │
│  └──────────┬─────────────────────────────────┘  │
│             │                                    │
│  ┌──────────▼─────────────────────────────────┐  │
│  │  LangGraph ReAct Agent (Gemini)            │  │
│  │  ├── Swiggy MCP (via npx mcp-remote)       │  │
│  │  └── Zomato MCP (via npx mcp-remote)       │  │
│  └────────────────────────────────────────────┘  │
│                                                  │
│  ┌────────────────────────────────────────────┐  │
│  │  MLflow Tracking (localhost:5000)           │  │
│  └────────────────────────────────────────────┘  │
└──────────────────────────────────────────────────┘

______________________________________________________________________

📁 项目结构

.
├── frontend/                # React chat frontend (Vite)
│   ├── src/
│   │   ├── App.jsx          # Chat UI component
│   │   ├── index.css        # Dark gradient theme
│   │   └── main.jsx         # React entry point
│   ├── index.html           # HTML template
│   ├── vite.config.js       # Vite config with API proxy
│   ├── package.json         # Frontend dependencies
│   └── dist/                # Built static files (after npm run build)
│
├── main.py                  # FastAPI backend (API + serves React)
├── agent.py                 # LangGraph ReAct agent with Gemini
├── mcp_client.py            # MCP server connection manager
├── streamlit_app.py         # Streamlit frontend (alternative)
│
├── requirements.txt         # Python dependencies
├── .env.example             # Environment variable template
├── .gitignore               # Git ignore rules
│
├── Dockerfile               # Multi-stage: Node builds React → Python serves all
├── render.yaml              # Render Blueprint for one-click deploy
└── README.md                # This file

______________________________________________________________________

🚀 快速入门（逐步）

先决条件

______________________________________________________________________

步骤1：克隆存储库

git clone 
cd "Swiggy MCP POC"

______________________________________________________________________

步骤2：设置Python后端

# Create virtual environment
python -m venv venv

# Activate it
source venv/bin/activate        # macOS / Linux
# venv\Scripts\activate          # Windows

# Install Python dependencies
pip install -r requirements.txt

验证： 您应该看到安装的软件包没有错误。运行此程序以确认：

python -c "from agent import create_food_aggregator_agent; print('✅ Backend imports OK')"

______________________________________________________________________

步骤3：设置React前端

# Navigate to frontend
cd frontend

# Install Node dependencies
npm install

# Build the React app
npm run build

# Go back to project root
cd ..

验证： 检查生成输出是否存在：

ls frontend/dist/
# Should show: index.html  assets/

______________________________________________________________________

步骤4：配置环境变量

# Copy the template
cp .env.example .env

现在编辑 .env 使用编辑器并添加Gemini API密钥：

# ─── REQUIRED ───
GEMINI_API_KEY="your_gemini_api_key_here"

# ─── OPTIONAL (defaults shown) ───
GEMINI_MODEL="gemini-3-flash-preview"
SWIGGY_MCP_URL="https://mcp.swiggy.com/food"
ZOMATO_MCP_URL="https://mcp-server.zomato.com/mcp"
MLFLOW_TRACKING_URI="http://127.0.0.1:5000"
MAX_TOOL_DESC_LENGTH="200"

______________________________________________________________________

步骤5：运行应用程序

你有 3种方式 运行应用程序。选择一个：

选项A：React+FastAPI（推荐）

这是生产设置。FastAPI在单个端口上同时为API和React UI提供服务。

端子1 --启动服务器：

source venv/bin/activate
RUN_SERVER=1 uvicorn main:app --host 0.0.0.0 --port 8000

打开： http://localhost:8000

用途：

1. 点击 “连接到MCP服务器” 在侧边栏中
2. 将为Swiggy OAuth打开一个浏览器窗口——授权它
3. 另一个浏览器窗口将为Zomato OAuth打开——授权它
4. 连接后，键入您的食物查询并聊天！

______________________________________________________________________

选项B：React开发模式（用于前端开发）

使用热重载运行React开发服务器，代理到FastAPI后端。

端子1 --启动FastAPI后端：

source venv/bin/activate
RUN_SERVER=1 uvicorn main:app --host 0.0.0.0 --port 8000

2号航站楼 --启动React开发服务器：

cd frontend
npm run dev

打开： http://localhost:5173（Vite-dev服务器，热重载）

______________________________________________________________________

选项C:CLI模式（不需要UI）

用于直接在终端进行快速测试。

source venv/bin/activate

# Interactive chat mode
python main.py

# Or single query mode
python main.py -q "I want to order Narmada Chicken Biriyani"

______________________________________________________________________

选项D：流光显示（替代UI）

source venv/bin/activate
streamlit run streamlit_app.py --server.port 8501

打开： http://localhost:8501

______________________________________________________________________

步骤6：（可选）启动用于跟踪的MLW

打开A 独立终端:

source venv/bin/activate
mlflow ui --port 5000

打开： http://localhost:5000

所有代理痕迹都将显示在 食品_聚合剂_试剂 实验。您可以看到：

• 每个LLM调用及其令牌
• 每次MCP工具调用及其参数/结果
• 完整的ReAct推理链

______________________________________________________________________

🔌 API 参考

FastAPI后端公开了这些端点：

POST /api/connect

连接到Swiggy和Zomato MCP服务器。聊天前先打一次电话。

curl -X POST http://localhost:8000/api/connect

答复：

{
  "connected": true,
  "servers": [
    {"name": "Swiggy", "status": "ok", "tools": 13},
    {"name": "Zomato", "status": "ok", "tools": 11}
  ],
  "total_tools": 24
}

POST /api/chat

向代理发送消息。

curl -X POST http://localhost:8000/api/chat \
  -H "Content-Type: application/json" \
  -d '{"query": "I want to order Narmada Chicken Biriyani", "session_id": "my-session-1"}'

答复：

{
  "response": "I found several options for Narmada Chicken Biriyani..."
}

注： 使用相同 session_id 跨请求维护对话历史记录（多回合）。

GET /api/status

检查MCP服务器是否已连接。

curl http://localhost:8000/api/status

______________________________________________________________________

🚢 部署

选项1：渲染（免费--推荐）

Render提供了一个免费的基于Docker的web服务层。

1. 将代码推送到GitHub
2. 首选 render.com → 新 → Web服务
3. 连接您的GitHub仓库
4. 选择 码头工人 作为环境
5. 添加环境变量： GEMINI_API_KEY =您的钥匙
6. 点击 部署

包括 render.yaml 文件还支持 蓝图部署 --只需在Render上单击“新建蓝图实例”并指向您的仓库。

选项2:Docker（任何地方）

# Build the image (this builds React + installs Python)
docker build -t food-aggregator .

# Run it
docker run -p 8000:8000 \
  -e GEMINI_API_KEY="your_key_here" \
  -e GEMINI_MODEL="gemini-3-flash-preview" \
  food-aggregator

打开： http://localhost:8000

选项3：谷歌云运行

gcloud builds submit --tag gcr.io/YOUR_PROJECT/food-aggregator

gcloud run deploy food-aggregator \
  --image gcr.io/YOUR_PROJECT/food-aggregator \
  --platform managed \
  --allow-unauthenticated \
  --set-env-vars "GEMINI_API_KEY=your_key"

______________________________________________________________________

⚙️ 环境变量

______________________________________________________________________

📋 运作原理

1. 连接 --点击按钮→ FastAPI生成 npx mcp-remote 通过OAuth连接到Swiggy/Zomato远程HTTP MCP服务器的进程
2. 加载工具 --加载MCP工具（搜索、菜单、购物车、优惠券、订单、跟踪）；截断描述以保存令牌
3. 聊天 --您的消息进入由Gemini驱动的LangGraph ReAct循环 MemorySaver 用于多回合对话
4. 搜索 --代理调用两个平台上的MCP工具，比较结果，应用可用优惠券
5. 推荐 --代理会格式化一个比较价格的响应，并推荐最便宜的选项

______________________________________________________________________

🛠️ 技术栈

______________________________________________________________________

🐛 故障排除

______________________________________________________________________

📄 许可证

麻省理工学院