MCP Agent Orchestrator

基于 Python 的 MCP 协议实现框架，提供客户端-服务器架构的 LLM 工具调用编排，集成 LangChain 与 ChromaDB 支持 RAG 开发。

项目概述#

MCP Agent Orchestrator 是一个专业级 Python 框架，旨在解决大型语言模型与外部工具及知识库的标准化交互问题。它完整实现了 Model Context Protocol (MCP)，采用客户端-服务器解耦架构，通过 StdIO 进行进程间通信。

核心能力#

1. MCP 协议实现#

完整实现 Model Context Protocol 规范
客户端-服务器解耦设计，通过 StdIO 进行进程间通信
自动工具架构转换，支持 OpenAI 兼容的函数调用

2. 智能客户端桥接 (client.py, rag_agent.py)#

使用 AsyncExitStack 进行异步生命周期管理
持久化会话状态和多轮推理循环
实现 list_tools 到 OpenAI tools schema 的自动转换

3. RAG 知识服务器 (rag_server.py)#

数据摄取: 支持 PDF 和 TXT 格式（使用 LangChain）
向量数据库: 通过 ChromaDB 进行持久化存储
搜索优化: 实现 MMR（最大边际相关性）算法进行多样化信息检索
嵌入模型: 集成 HuggingFace transformer 模型

4. 天气服务服务器 (server.py)#

集成外部 REST API (WeatherAPI)
数据规范化和格式化，适配 LLM 消费
使用 httpx 进行异步请求处理

实现变体#

项目提供三种实现路径：

标准版: mcp_rag_agent/mcp_agent
GraphRAG 版: mcp_rag_agent_graphrag
LangChain 版: mcp_rag_langchain

典型应用场景#

智能对话系统: 构建具备工具调用能力的 AI 助手
知识库问答: 基于私有文档的智能问答系统
实时数据集成: LLM 与实时外部 API 的集成（如天气查询）
多模态信息检索: 结合向量搜索和 LLM 推理的混合检索系统

系统架构#

├── client.py             # 标准 MCP 客户端实现
├── rag_agent.py          # RAG 操作专用代理
├── server.py             # 天气服务 MCP 服务器
├── rag_server.py         # RAG 知识库 MCP 服务器
├── test.py               # LLM API 连接测试
└── data/
    ├── rag_db/           # 向量存储持久化目录
    └── text.txt          # 示例知识库源文件

安装与快速开始#

环境要求#

Python 3.10+
推荐使用虚拟环境

依赖安装#

pip install mcp langchain langchain-community langchain-openai chromadb httpx python-dotenv openai

环境配置#

创建 .env 文件：

API_KEY=your_llm_api_key
BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
MODEL=qwen-plus
EMBED_MODEL=sentence-transformers/all-MiniLM-L6-v2

快速启动#

# 运行天气代理
python client.py server.py

# 运行 RAG 代理
python rag_agent.py --server_script rag_server.py

关键特性#

标准化协议: 遵循 MCP 规范，确保工具和模型的互操作性
模块化设计: 客户端和服务器解耦，易于扩展新功能
生产就绪: 包含完整的生命周期管理和错误处理
灵活部署: 支持多种 LLM 后端（Qwen/DashScope 等 OpenAI 兼容接口）

开发者信息#

开发者: Haohao-end
主要语言: Python (100%)
提交记录: 57 次提交，持续维护中