Agentic MCP Client

Agentic MCP Client

Anthropic Claude、AWS BedRock、OpenAI API を介して MCP（Model Context Protocol）ツールを使用し、タスクを実行するスタンドアロンのエージェントランナーです。AI エージェントがクラウド環境で自律的に動作し、さまざまなシステムと安全にやり取りできるようにします。

現在の機能

• 基本的なエージェントダッシュボードを搭載
• JSON 設定ファイルで定義したタスクを使って、スタンドアロンのエージェントを実行
• Anthropic Claude モデルと OpenAI モデルの両方をサポート
• エージェントの進捗を追跡するセッションログ

ダッシュボード Web の実行

cd dashboard
npm i
npm run dev

ダッシュボード URL：http://localhost:3000
API ドキュメント：http://localhost:3000/api-docs

https://github.com/user-attachments/assets/c98be6d2-0096-40f2-bd78-d3fb256fec83

インストール

1. リポジトリをクローンします

2. 依存関係をセットアップします：

uv sync

3. agent_worker_task.json ファイルを作成します

設定ファイルの例を以下に示します：

{
    "task": "Find all image files in the current directory and tell me their sizes",
    "model": "claude-3-7-sonnet-20250219",
    "system_prompt": "You are a helpful assistant that completes tasks using available tools.",
    "verbose": true,
    "max_iterations": 10
}

4. エージェントを実行します：

uv run agentic_mcp_client/agent_worker/run.py

設定

このプロジェクトでは、推論サーバーの設定と利用可能な MCP ツールを定義するため、ルートディレクトリに config.json ファイルが必要です。設定例を以下に示します：

{
   "inference_server": {
      "base_url": "https://api.anthropic.com/v1/",
      "api_key": "YOUR_API_KEY_HERE",
      "use_bedrock": true,
      "aws_region": "us-east-1",
      "aws_access_key_id": "YOUR_AWS_ACCESS_KEY",
      "aws_secret_access_key": "YOUR_AWS_SECRET_KEY"
   },
   "mcp_servers": {
    "mcp-remote-macos-use": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "-e",
        "MACOS_USERNAME=your_username",
        "-e",
        "MACOS_PASSWORD=your_password",
        "-e",
        "MACOS_HOST=your_host_ip",
        "--rm",
        "buryhuang/mcp-remote-macos-use:latest"
      ]
    },
    "mcp-my-apple-remembers": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "-e",
        "MACOS_USERNAME=your_username",
        "-e",
        "MACOS_PASSWORD=your_password",
        "-e",
        "MACOS_HOST=your_host_ip",
        "--rm",
        "buryhuang/mcp-my-apple-remembers:latest"
      ]
    }
  }
}

設定セクション

推論サーバー

inference_server セクションでは、言語モデルプロバイダーへの接続を設定します：

• base_url：選択した LLM プロバイダーの API エンドポイント
• api_key：LLM サービスの認証キー
• use_bedrock：モデル推論に Amazon Bedrock を使用する場合は true に設定します
• AWS 認証情報（Bedrock を使用する場合）

MCP サーバー

mcp_servers セクションでは、利用可能な MCP ツールを定義します。各ツールには以下が含まれます：

• 一意の識別子（例：「mcp-remote-macos-use」）
• command：実行するコマンド（通常、コンテナ化されたツールには Docker を使用）
• args：ツールの設定パラメーター

この例では、Docker コンテナーを介して macOS システムをリモート制御する MCP ツールを示しています。

MCP の仕組み

Model Context Protocol は、アプリケーションに以下の機能を提供する標準化された方法です：

• 言語モデルとコンテキスト情報を共有する
• AI システムにツールと機能を公開する
• 組み合わせ可能な統合とワークフローを構築する

このプロトコルは JSON-RPC 2.0 メッセージを使用して、ホスト（LLM アプリケーション）、クライアント（アプリケーション内のコネクター）、サーバー（コンテキストと機能を提供するサービス）間の通信を確立します。

このエージェントワーカーは、以下のワークフローを実装します：

1. 利用可能なすべてのツールの MCP クライアントを初期化します
2. 選択したモデルに初期タスクメッセージを送信します
3. モデルの応答（ツール呼び出しまたはテキスト）を処理します
4. ツール呼び出しが行われた場合は、ツールを実行し、その結果をモデルに返します
5. タスクが完了するか、最大反復回数に達するまで繰り返します
6. すべての MCP クライアントをシャットダウンします

sequenceDiagram
    participant User
    participant AgentWorker
    participant LLM as Language Model
    participant MCP as MCP Tools

    User->>AgentWorker: Task + Configuration
    AgentWorker->>MCP: Initialize Tools
    AgentWorker->>LLM: Send Task
    loop Until completion
        LLM->>AgentWorker: Request Tool Use
        AgentWorker->>MCP: Execute Tool
        MCP->>AgentWorker: Tool Result
        AgentWorker->>LLM: Send Tool Result
        LLM->>AgentWorker: Response
    end
    AgentWorker->>User: Final Result

コントリビューションガイドライン

Agentic MCP Client へのコントリビューションを歓迎します！コントリビューションするには、以下の手順に従ってください：

1. リポジトリをフォークします。
2. 機能追加またはバグ修正用の新しいブランチを作成します。
3. 変更を加えてコミットします。
4. 変更をフォーク先にプッシュします。
5. メインリポジトリにプルリクエストを作成します。

謝辞

このプロジェクトは、MCP エコシステムにおける優れたオープンソースプロジェクトに着想を得て、その成果を基盤として構築されています：

• MCP-Bridge - MCP ツールを呼び出すための OpenAI 互換エンドポイントを提供するミドルウェアです。ツール統合と標準化のアプローチを考えるうえで参考になりました。

MCP 分野で先駆的な取り組みを行い、自律型エージェントの開発をより身近で強力なものにしてくださった、これらのプロジェクトのコントリビューターに感謝します。

ライセンス

Agentic MCP Client は Apache 2.0 License の下でライセンスされています。詳細については、LICENSE ファイルをご覧ください。