kyopark2014/mcp

基于 Model Context Protocol (MCP) 的 AI Agent 应用实现教程与多场景示例集合。

本项目是一个基于 Model Context Protocol (MCP) 的 AI Agent 应用实现教程与示例集合。项目展示了如何利用 MCP 协议与 LangChain/LangGraph 构建生成式 AI Agent 应用，解决 AI Agent 接入异构数据源时的工具集成碎片化问题。

核心能力#

MCP 协议集成#

实现完整的 MCP Client/Server 架构，基于 JSON-RPC 2.0 协议
支持 stdio 和 SSE (Server-Sent Events) 两种传输方式
涵盖 Tools（模型控制）、Resources（应用控制）、Prompts（用户控制）三大核心组件

Agent 构建与编排#

使用 LangGraph 构建可定制的 ReAct 模式 StateGraph
通过 langchain-mcp-adapters 将 MCP Server tools 桥接为 LangGraph ToolNode
支持对话历史管理与多轮交互异步执行（astream）

检索增强生成 (RAG)#

依托 Amazon Bedrock Knowledge Base 实现托管式 RAG
支持多模态内容解析（图像/表格分析）
通过 AWS Lambda 构建 API 接口供 MCP Server 调用

多领域工具集成示例#

云原生分析：AWS Cost Analysis（成本可视化）、AWS Documentation（文档查询）、AWS Diagram（架构图绘制，基于 Graphviz）
生成式能力：Amazon Nova Canvas 图像生成
信息检索：Google Search (Smithery)、Tavily、Perplexity、Riza
科学研究：Drug Discovery（arXiv、ChEMBL、ClinicalTrials.gov、PubMed 检索）
文本处理：Text Extraction、Editor、Web Fetch
办公协作：Notion、Slack、Confluence、Google Docs、Obsidian
自动化与数据：Playwright（浏览器自动化）、OpenSearch（日志分析）、Airbnb/Twitter（数据分析）

架构概览#

[Browser] → [CloudFront + ALB (HTTPS)] → [Streamlit UI (EC2)]
                                              ↓
                                       [LangGraph Agent]
                                       ↙         ↘
                              [MCP Client]    [MCP Client]
                                   ↓              ↓
                          [MCP Server]     [MCP Server]
                           (stdio/SSE)      (stdio/SSE)
                              ↓                ↓
                    [AWS Knowledge Base]  [AWS Lambda APIs]
                    [Search Engines]      [External APIs]
                    [AWS Cost Explorer]   [Image Generation]

Agent 层：LangGraph 驱动的 ReAct 工作流，包含 agent 节点（大模型推理）和 action 节点（ToolNode 工具调用）
MCP 适配层：利用 MultiServerMCPClient 管理多个 Server 连接，通过 load_mcp_tools 动态获取并转换工具列表
数据与执行层：各类 MCP Server 作为独立进程或服务运行，屏蔽后端差异
基础设施层：全面依托 AWS（EC2、ALB、CloudFront、Lambda）

安装与部署#

环境要求：Python ≥ 3.9

快速安装核心依赖：

pip install mcp langchain-mcp-adapters

完整依赖安装：

pip install -e .

容器化部署支持 Docker 及 Docker Swarm 编排，提供 build-docker.sh、run-docker.sh 脚本及 installer.py/uninstaller.py 环境管理工具。

配置示例#

MCP Server 定义#

from mcp.server.fastmcp import FastMCP

mcp = FastMCP(name="retrieve")

@mcp.tool()
def rag_search(keyword: str) -> str:
    """search keyword"""
    return retrieve(keyword)

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

MCP Client 配置 (config.json)#

{
  "mcpServers": {
    "search": {
      "command": "python",
      "args": ["application/mcp-server.py"]
    }
  }
}

典型应用场景#

企业知识库问答 — 利用 AWS Knowledge Base 构建 RAG，通过 MCP 提供给 AI Agent 使用
AWS 成本分析与可视化 — 通过 MCP Tool 获取并分析 AWS 账单数据
药物发现研究 — 整合 arXiv、ChEMBL、ClinicalTrials.gov 等科学数据库进行文献检索
AWS 文档查询与架构图生成 — 自动查询 AWS 文档并绘制架构图
多源信息聚合 Agent — 将搜索引擎、内部数据库、外部 API 统一通过 MCP 接入 Agent
图像生成 — 利用 Amazon Nova Canvas 通过 MCP 调用图像生成能力
协作工具集成 — 通过 MCP 连接 Notion、Slack、Confluence 等办公系统

待确认事项#

许可协议不一致：仓库 LICENSE 文件为 Apache-2.0，pyproject.toml 中声明为 MIT
pyproject.toml 中 Homepage 和 Bug Tracker URL 使用占位符
pyproject.toml 中作者信息标注为 AWS，可能为占位信息，实际作者为 GitHub 用户 kyopark2014
版本号为 0.1.0，但仓库已有 903 次提交，版本号可能未及时更新