Weather Agent：使用模型上下文协议（MCP）
该项目演示了使用 模型上下文协议（MCP） 图案。它将强大的大型语言模型（Llama 3.1）与现实世界中的本地工具（OpenWeatherMap API）连接起来，以解决用户查询。
______________________________________________________________________
🧐 什么是MCP，为什么它很重要？
模型上下文协议（MCP） 是将人工智能模型连接到外部“上下文”或“工具”的标准方式。
没有MCP，LLM是孤立的“罐子里的大脑”——它们知道很多，但不能 *做* 任何东西或访问实时数据。他们会产生幻觉，或者说“我无法获得实时天气”
MCP通过以下方式解决了这个问题：
- 标准化工具访问： 为法学硕士提供一种结构化的方式来要求外部行动（如“get_weather”）。
- 上下文注入： 获取这些操作的结果（JSON数据）并将其注入LLM的上下文窗口。
- 关注点分离： LLM负责 *思考* （路由/合成），而本地Python函数则执行 *执行*.
这个项目证明，你不需要庞大的专有生态系统来构建代理。您可以使用开放模型（Llama 3）和标准Python构建一个强大的路由代理。
______________________________________________________________________
⚡ 这个项目是如何运作的（一步一步）
当你问的时候 *“孟买的天气怎么样？”*，以下 三步MCP回路 发生：
1.路由器（意图分析）🧠
系统会将您的自然语言问题发送给LLM(meta-llama/Meta-Llama-3.1-8B-Instruct)以及定义可用工具的系统提示。
- 输入： “孟买的天气怎么样？”
- 法学硕士决定： LLM决定它无法从内存中回答。它从定义列表中选择一个工具。
- 输出： 结构化JSON意图。
{ "action": "get_current_weather", "city": "Mumbai" }2.工具执行（“上下文”）🛠️
Python后端拦截此JSON。它承认 action 并调用中定义的相应本地Python函数 weather_tools.py.
- 行动：
get_current_weather("Mumbai") - 机制： 通过HTTP调用OpenWeatherMap API。
- 结果： 原始JSON数据（“真相之源”）。
{ "temp": 28.5, "humidity": 70, "desc": "Smoke" }*注意：LLM没有“下载”这个。Python脚本将其提取并移交。*
3.综合（回应）📝
原始数据现在被“注入”回LLM的提示上下文中。我们要求LLM成为一个合成器。
- 提示法学硕士： “用户询问了孟买的情况。这是工具数据：{temp:28.5…}。请友好地回答。”
- 最终输出： “孟买目前的天气烟雾弥漫，气温为28.5°C。”
______________________________________________________________________
📂 项目结构
streamlit_app.py：前端UI。实时可视化3个MCP步骤。hf_frontend.py：The 脑.处理LLM通信、适当的即时工程和“路由器”逻辑。weather_tools.py：The 手真正获取数据的纯Python函数（工具）。requirements.txt：依赖关系（OpenAI客户端、Streamlit等）。
______________________________________________________________________
🚀 如何跑步
- 安装依赖关系：
pip install -r requirements.txt- 设置环境变量：
创建 .env 使用您的密钥文件：
HF_TOKEN=hf_... # Your Hugging Face Token
OPENWEATHERMAP_API_KEY=... # OpenWeatherMap Key
HF_MODEL=meta-llama/Meta-Llama-3.1-8B-Instruct- 运行代理：
streamlit run streamlit_app.py --server.port 8501- 查看访问权限：
打开 http://localhost:8501 在您的浏览器中。
______________________________________________________________________
专为MCP演示而设计。