Model Context Protocol(MCP)을 사용하여 간단하고 조합 가능한 패턴으로 효과적인 에이전트를 구축하세요.

[예시 | 효과적인 에이전트 구축 | MCP]

mcp-agent는 Model Context Protocol을 활용하여 효과적인 에이전트를 구축하는 간단하고 조합 가능한 프레임워크입니다.

참고 사항(Note)

mcp-agent의 비전은 MCP가 에이전트를 구축하는 데 필요한 모든 것이며, 복잡한 아키텍처보다 단순한 패턴이 고품질 에이전트 배포에 더 강력하다는 것입니다.

mcp-agent는 다음 기능을 제공합니다:

• 완벽한 MCP 지원(Full MCP support): MCP를 완전히 구현했으며, 사용자가 신경 쓸 필요가 없도록 MCP 서버 연결의 복잡한 라이프사이클 관리 작업을 처리합니다.
• 효과적인 에이전트 패턴(Effective agent patterns): Anthropic의 'Building Effective Agents'에 설명된 모든 패턴을 조합 가능한 방식으로 구현하여 이러한 패턴들을 서로 연결할 수 있게 합니다.
• 내구성 있는 에이전트(Durable agents): 간단한 에이전트부터 Temporal 기반으로 구축된 정교한 워크플로우까지 작동하며, API 변경 없이 에이전트를 일시 중지하고 재개하며 복구할 수 있습니다.

종합적으로 볼 때, 이는 견고한 에이전트 애플리케이션을 구축하는 가장 간단하고 쉬운 방법입니다.

모든 종류의 기여, 피드백 및 프로젝트 개선에 대한 도움을 환영합니다.

빠른 시작 예시 (Quick Start Examples)

기본 에이전트 예시 (Basic Agent Example):

import asyncio
from mcp_agent.app import MCPApp
from mcp_agent.agents.agent import Agent
from mcp_agent.workflows.llm.augmented_llm_openai import OpenAIAugmentedLLM

app = MCPApp(name="hello_world")

async def main():
    async with app.run():
        agent = Agent(
            name="finder",
            instruction="Use filesystem and fetch to answer questions.",
            server_names=["filesystem", "fetch"],
        )
        async with agent:
            llm = await agent.attach_llm(OpenAIAugmentedLLM)
            answer = await llm.generate_str("Summarize README.md in two sentences.")
            print(answer)

if __name__ == "__main__":
    asyncio.run(main())

LLM API 키를 mcp_agent.secrets.yaml에 추가하거나 환경 변수로 설정하세요. Getting Started 가이드에서 구성 및 비밀 정보에 대해 자세히 설명합니다.

주요 기능 및 역량 (Key Features & Capabilities)

• 맵-리듀스(map-reduce), 오케스트레이터(orchestrator), 평가자-최적화기(evaluator-optimizer), 라우터(router) 등과 같은 간단하고 조합 가능한 패턴으로 LLM을 MCP 서버에 연결할 수 있습니다. |
• FastMCP와 호환되는 API를 사용하여 MCP 서버를 생성할 수 있습니다. 심지어 에이전트를 MCP 서버로 노출할 수도 있습니다. |
• 코어: 툴(Tools) ✅ 리소스(Resources) ✅ 프롬프트(Prompts) ✅ | 프로덕션 워크로드까지 확장 가능합니다.