JinDaGe - agentic-mcp-client MCP Details

article

README

🚀 自动化 MCP 客户端代理

这是一个独立的代理运行器，借助 MCP（模型上下文协议）工具，可通过 Anthropic Claude、AWS Bedrock 和 OpenAI API 执行任务。它能让 AI 代理在云环境中自主运行，并与各类系统安全交互，为 AI 任务的执行提供了高效且安全的解决方案。

🚀 快速开始

运行 Dashboard Web

cd dashboard
npm i
npm run dev

仪表盘 URL：http://localhost:3000
API 文档：http://localhost:3001

安装步骤

克隆仓库：

git clone [仓库链接]
cd agentic-mcp-client

设置依赖：

npm install

创建配置文件：

touch src/config.json

✨ 主要特性

基本代理仪表盘：包含一个基本代理仪表盘，方便用户直观地查看代理运行状态。
独立任务运行：可使用 JSON 配置文件定义任务，从而运行独立代理，提高任务执行的灵活性。
多模型支持：支持 Anthropic Claude 和 OpenAI 模型，满足不同用户的模型使用需求。
会话日志记录：提供会话日志记录功能，可跟踪代理进度，便于后续问题排查和分析。

📚 详细文档

配置指南

示例配置

推理服务器

"inference_server": {
  "type": "openai",
  "api_key": "your_openai_api_key",
  "model_name": "gpt-3.5-turbo"
}

MCP 工具

"mcp_tools": [
  {
    "name": "tool1",
    "description": "执行任务1",
    "uri": "http://localhost:8080/tool1"
  },
  {
    "name": "tool2",
    "description": "执行任务2",
    "uri": "http://localhost:8081/tool2"
  }
]

MCP 工作原理

sequenceDiagram
    participant 用户
    participant AgentWorker
    participant LLM as 语言模型
    participant MCP as MCP工具

    用户->>AgentWorker: 任务 + 配置
    AgentWorker->>MCP: 初始化工具
    AgentWorker->>LLM: 发送任务
    loop 直到完成
        LLM->>AgentWorker: 请求工具使用
        AgentWorker->>MCP: 执行工具
        MCP->>AgentWorker: 工具结果
        AgentWorker->>LLM: 发送工具结果
        LLM->>AgentWorker: 响应
    end
    AgentWorker->>用户: 最终结果

🤝 贡献指南

欢迎为 Agentic MCP Client 做出贡献！若要贡献，请按以下步骤操作：

叉克仓库。
为您的功能或错误修复创建新分支。
进行更改并提交它们。
将更改推送到您的叉库。
创建拉取请求到主仓库。

🙏 致谢

这个项目受到了 MCP 生态系统中杰出开源项目的启发：

MCP-Bridge - 一个中间件，提供与 MCP 工具兼容的 OpenAI 端点，帮助我们了解了工具集成和标准化的方法。

感谢这些项目的贡献者在 MCP 领域所做的开创性工作，使代理开发更加通用和强大。

📄 许可证

Agentic MCP Client 根据 Apache 2.0 许可证发布。有关详细信息，请参阅 LICENSE 文件。

agentic-mcp-client