Weather MCP A2a

🌤️ 气象MCP特工：全球情报系统

    

下一代代理人工智能 由 模型上下文协议（MCP） 和 火焰3（Groq）一个实时、多模式的天气情报系统，弥合了大型语言模型和确定性数据工具之间的差距。

______________________________________________________________________

🚀 概述

这 气象MCP代理 是最先进的实现 模型上下文协议（MCP），旨在展示人工智能互操作性的未来。与产生幻觉数据的传统聊天机器人不同，该代理使用标准化协议“连接”到实时工具，获取实时天气预报、警报和大气分析 地球上的任何城市.

建立在 溪流 用于反应式UI，由 格罗克 LPU 对于近乎即时的推理，该系统展示了如何 AI 代理 可以在毫秒内编排复杂的工作流程（Geocoding->Weather API->Conversational Synthesis）。

______________________________________________________________________

🌐🎬 现场演示

🚀 现在试试：

• 流光配置文件 - https://share.streamlit.io/user/ratnesh-181998
• 项目演示 - https://weather-mcp-a2a-agent-to-agent3a95dbsjhgfhd3yussfz3e.streamlit.app/

______________________________________________________________________

🌟 核心能力

• 🌍 全球覆盖：全球100000多个城市的即时天气情报。
• ⚡ 超快速推理：在Groq LPU上使用Llama 3 70B进行亚秒推理。
• 🔌 标准化工具：100%基于开源MCP标准构建。
• 🗣️ 多模态输入：支持文本和语音（WebRTC）交互。
• 🧠 智能上下文：维护对话历史和上下文感知响应。

______________________________________________________________________

🎮 按选项卡显示的界面和功能

该应用程序分为5个专业模块，每个模块在代理工作流程中都有特定的用途：

实时界面预览

*图：智能天气仪表板的高清视图。* Weather MCP Agent UI

1.🚀 项目演示（交互式核心）

应用程序的指挥中心。

• AI聊天界面：与代理人的实时对话。
• 快速行动网格：一键执行16+常见场景。
• 智慧城市提取NLP驱动的逻辑涵盖了复杂的查询。
• 语音输入：自然地跟代理人说话。

⚡ 在行动中看到它： Live Demo

2.ℹ️ 关于项目（教育中心）

AI范式转变的详细分解。

• 进化时间表：可视化从静态LLM到工具使用代理再到MCP生态系统的转变。
• 协议比较：为什么MCP优于专有插件架构。
• 交互式模拟：代理决策过程的逐步演练。

3.🛠️ Tech Stack（引擎盖下）

工程透明度。

• AI核心Llama 3.3 70B（推理），LangChain（编排）。
• 前端：流式异步运行时，自定义CSS主题。
• 连接性: mcp-use 客户， requests 库、RESTful API（Open Meteo、NWS）。

4.🏗️ 架构（系统设计）

系统的企业级可视化。

• 数据流: User -> Streamlit -> Agent -> MCP Client -> Tool -> Response.
• Graphviz图表：代理逻辑的动态生成的DAG（有向无环图）。
• 网络拓扑：可视化主机、客户端和服务器之间的交互方式。

详细图形可视化

📂 详细架构图

• 图1：基本MCP架构

• 图2:LLM+MCP刀具选择流程

• 图3：多工具MCP服务器

• 图4:A2A多代理架构

• 图5:MCP与A2A组合系统

5.📋 系统日志（可观察性）

生产就绪监控。

• 实时事件流：实时跟踪每个想法、工具调用和API响应。
• 状态代码：视觉指示器 SUCCESS, ERROR，以及 INFO.
• 审计跟踪：可下载的JSON/TXT日志，用于调试和分析。

______________________________________________________________________

🛠️ 技术栈

______________________________________________________________________

⚙️ 安装和本地设置

按照以下步骤在本地计算机上运行代理。

先决条件

• Python 3.10+
• A. Groq API密钥 （免费）

1.克隆存储库

git clone https://github.com/Ratnesh-181998/weather-mcp-a2a.git
cd weather-mcp-a2a

2.设置虚拟环境

python -m venv venv
# Windows
venv\Scripts\activate
# Mac/Linux
source venv/bin/activate

3.安装依赖项

pip install -r requirements.txt

4.配置机密

创建一个 .env 根目录中的文件：

GROQ_API_KEY=your_actual_api_key_here

5.运行应用程序

streamlit run Weather_streamlit_app.py

______________________________________________________________________

🐳 大文件支持（Git LFS）

此存储库可能包含大型资产（图像/图表）。我们使用Git LFS来高效地管理它们。

# Install Git LFS
git lfs install

# Track large files
git lfs track "*.png"
git lfs track "*.jpg"

# Push to remote
git add .
git commit -m "Add large visual assets"
git push origin main

______________________________________________________________________

🤝 贡献

欢迎投稿！请按照以下步骤操作：

1. 分叉存储库。
2. 创建要素分支(git checkout -b feature/AmazingFeature).
3. 提交您的更改(git commit -m 'Add some AmazingFeature').
4. 推到分支(git push origin feature/AmazingFeature).
5. 打开拉取请求。

______________________________________________________________________

📜 许可证

此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。

______________________________________________________________________

📞 联系方式与社区

拉特内什·库马尔·辛格\ *数据科学家（人工智能/机器学习工程师4年以上经验）*

• 💼 领英: 拉特内斯库1998年3月
• 🐙 GitHub: 拉特内斯，1998年18月18日
• 🌐 现场演示: Streamlit云应用程序

项目链接

• 📖 文档:
• 🐛 问题追踪:
• 💬 讨论:

______________________________________________________________________

______________________________________________________________________

📜 许可证

根据MIT许可证获得许可 -请随意分叉并在此创新的基础上进一步发展！ 🚀

______________________________________________________________________

📞 联系与网络 📞

💼 专业网络

 ](https://github.com/Ratnesh-181998)     

🚀 AI/ML与数据科学 AI/ML 1620+问题解决

  

💻 竞技编程 包括所有编码平台的5000多个问题/已解决的问题

      

______________________________________________________________________

📊 GitHub统计与指标 📊

______________________________________________________________________