mcpField
🧠
🧠 AutoGen-Compatible Multi-Agent Research POC with Ollama + BraveSearch

🧠 AutoGen-Compatible Multi-Agent Research POC with Ollama + BraveSearch

本地服务
github.com/chin3AI 与智能体180 周前更新

关于 🧠 AutoGen-Compatible Multi-Agent Research POC with Ollama + BraveSearch

这是一个本地优先的研究概念验证项目,由 Ollama 驱动的 Searcher 与 Synthesizer 协作搜索并总结网页信息。适合探索基于 Brave Search 和可选 MCP 工具调用的多 Agent 研究流程的开发者。

主要功能

  1. 01通过 Ollama 使用本地 LLM
  2. 02Searcher 与 Synthesizer Agent
  3. 03集成 Brave Search API
  4. 04可选 Brave MCP 插件服务
  5. 05工具调用解析与分发

适用场景

  1. 01执行网页研究并生成摘要
  2. 02试验双 Agent 研究工作流

MCP 相关

MCP 是调用 Brave Search 的可选方式:可将工具注册表从 Brave Search API 切换为 Brave MCP 插件服务。

配置

本地服务的配置在各客户端中通用,复制后粘贴到客户端的 MCP 配置文件即可。

暂未收录安装方式

我们还没有获取到这个服务的安装包或远程地址,请按项目 README 中的说明安装。

代码仓库

工具

还没有获取到工具列表

本地服务需要在你的电脑上运行后才能读取工具,维护者暂未提供工具列表。

详细介绍

🧠 兼容 AutoGen 的多 Agent 研究概念验证:Ollama + BraveSearch

本项目是一个本地优先的多 Agent 系统概念验证,使用:

  • 🤖 通过 Ollama 运行本地大模型
  • 🧩 使用 <tool_call>... 语法检测工具调用
  • 🔍 通过 Brave Search API 或 Brave MCP 插件服务进行网页搜索
  • 🧠 两个协作 Agent:Searcher 和 Synthesizer

📁 文件夹结构

MultiResearchPOC/
├── main.py                   # Entry point
├── agents/
│   ├── searcher.py           # Ollama-powered research agent
│   └── synthesizer.py        # Summarizer agent
├── tools/
│   ├── tool_parser.py        # Tool call detection logic
│   └── tool_registry.py      # Tool dispatcher (API or MCP)
├── .env                      # Contains BRAVE_API_KEY
└── requirements.txt          # Python dependencies

🚀 开始使用

1. 克隆项目
git clone <your-repo-url>
cd MultiResearchPOC
2. 安装依赖项
pip install -r requirements.txt
3. 设置 .env
echo "BRAVE_API_KEY=your_brave_api_key_here" > .env

前往此处获取 Brave API 密钥:https://developer.brave.com/api-search/

4. 在本地运行 Ollama
ollama run llama3:8b

如果使用 Docker:请确保将主机设为 http://host.docker.internal:11434

5. 运行程序
python main.py

你应该会看到:

  • 来自 Searcher Agent 的响应
  • 触发的工具调用
  • 从 Brave 获取的搜索结果
  • 来自 Synthesizer Agent 的最终摘要

🔁 在 API 和 MCP 插件之间切换

选项 1:Brave Search API(默认)

默认通过以下方式使用:

"BraveSearch": call_brave_api
选项 2:Brave MCP 插件服务
  1. 启动插件服务:
npx @modelcontextprotocol/server-brave-search
  1. 更新 tools/tool_registry.py:
# "BraveSearch": call_brave_api,
"BraveSearch": call_brave_mcp_server

🔮 后续步骤与改进

功能说明
🧠 添加 Planner Agent动态决定调用哪个 Agent/工具
🧩 添加更多工具CrunchbaseSearch、TwitterTrends、YouTubeSearch 等
📄 Markdown 输出保存会话日志,以供查看或与 Obsidian 集成
🖼️ 添加 UI使用 Chainlit、FastAPI 或 Discord 机器人进行交互
🌐 封装为 API转换为本地 API,以便通过 Web 或命令行使用

📜 输出示例

🤖 Searcher Response:
<tool_call>BraveSearch({"query": "African AI startups 2024 promising not mainstream"})</tool_call>

🌐 Tool Output:
• AI 100: ...
• Five African AI startups to watch in 2023 ...

🧠 Final Summary:
- CB Insights lists top private AI companies...
- 5 African startups solving problems in healthcare, marketing...

🙌 致谢


如有问题或想法,请提交 issue 或发起讨论!

🏗️ 为 Microsoft AI Agents Hackathon 构建 本项目是 Microsoft AI Agents Hackathon 的参赛作品之一。该挑战旨在构建由开源技术和 Microsoft 技术驱动的智能、自主且能够使用工具的 Agent。

本项目旨在展示一个本地优先的多 Agent 系统,它可以:

生成动态工具调用

使用 Brave Search 开展实时网页研究

通过 Agent 协作综合有用见解

🔗 提交作品:[TBD]

local multi-agent AI research bot | Ollama + Brave + AutoGen | Built for Microsoft AI Agents Hackathon
免责声明

本项目是个人概念验证,完全在工作之外使用个人时间和工具开发。它与我雇主当前或计划中的任何业务活动无关,也不包含任何专有或机密信息。

评论

支持 Markdown

第一次接触 MCP?

从协议是什么,到在客户端里装上第一个服务,这几条回答覆盖了大多数入门问题。

一个开放协议,规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话,MCP 服务负责提供工具、资源和提示模板,两者通过标准消息通信,同一个服务可以被不同客户端复用。