MCP Hub Project

---

title: ShallowCodeResearch emoji: 📉 colorFrom: red colorTo: pink sdk: gradio sdk_version: 5.33.1 app_file: app.py pinned: false short_description: 可生成代码并测试代码的编程研究助手 tags:

• mcp
• multi-agent
• research
• code-generation
• ai-assistant
• gradio
• python
• web-search
• llm
• modal
• mcp-server-track python_version: '3.12'

---

浅层研究代码助手 - 多 Agent AI 代码助手

使用的技术

这是黑客松 MCP 赛道的一部分（附带少量 Agent 内容）。

• 使用 Gradio 构建 UI 并实现 MCP 逻辑
• 使用 Modal AI 启动代码执行沙箱
• 可使用 Nebius、OpenAI、Anthropic 和 Hugging Face 发起大模型调用
• 默认使用 Nebius 进行推理，并优先选择平台上可找到的高速 Token 方案

❤️ 非常感谢赞助商为本次黑客松提供慷慨的额度，也感谢 Hugging Face 和 Gradio 组织了此次活动 🔥

特别感谢 Yuvi，在 Discord 上忍受我们不断索要额度 😂

🚀 用于 AI 搜索和代码生成的多 Agent 系统

什么是用于代码辅助的 Shallow Research MCP Hub？

Shallow Research Code Assistant 是一款功能强大的多 Agent 研究与代码助手，使用 Gradio 的 Model Context Protocol（MCP）服务功能构建。它会协调专门的 AI Agent，提供全面的研究能力并生成可执行的 Python 代码。这款“浅层”研究工具（它绝对不是深度研究）会扩展用户的初始查询，以拓宽研究范围，然后通过网络搜索获取依据。

编码 Agent 随后会生成代码来回答用户的问题，并检查是否存在错误。为确保代码有效，程序会在 Modal 基础设施提供的远程沙箱中执行。这些沙箱会按需启动，且占用空间很小（仅安装了 pandas、numpy、request 和 scikit-learn）。

不过，如果需要其他软件包，系统会在执行前安装（具体延迟取决于请求）。

执行完成后，整个过程会经过汇总并返回给用户。

---

📹 演示视频

点击上方徽章，观看 MCP 演示版 Shallow Research Code Assistant 的完整运行演示

---

关键信息

我发现，在 VS Code 中使用 MCP 交互时，输入主 Agent 函数名称很有帮助，可确保选中正确的工具。

例如：“agent research request: 如何编写 Python 脚本来对数据框中的特征进行缩放”

以下是用于在 VS Code 中配置 MCP 的 JSON 脚本

{
    "mcp": {
        "inputs": [],
        "servers": {
        "gradiocodeassist": {
            "command": "npx",
            "args": [
                "mcp-remote",
                "https://agents-mcp-hackathon-shallowcoderesearch.hf.space/gradio_api/mcp/sse",
            ]
        }
    }
}

以下是用于通过 Cline 在 VS Code 中配置 MCP 的 JSON 脚本

{
  "mcpServers": {
    "gradiocodeassist": {
      "autoApprove": [],
      "disabled": false,
      "timeout": 300,
      "type": "sse",
      "url": "https://agents-mcp-hackathon-shallowcoderesearch.hf.space/gradio_api/mcp/sse",
      "headers": {}
    }
  }
}

✨ 主要功能

• 🧠 多 Agent 架构：专门的 Agent 在协调后的工作流中协同工作
• 🔍 智能研究：网络搜索，并自动生成摘要和引用格式
• 💻 代码生成：根据上下文创建 Python 代码并安全执行
• 🔗 MCP 服务：内置 MCP 服务，实现顺畅的 Agent 通信
• 🎯 支持多种大模型：兼容 Nebius、OpenAI、Anthropic 和 HuggingFace（当前设置为 Nebius Inference）
• 🛡️ 安全执行：使用 Modal 沙箱环境安全执行代码
• 📊 性能监控：收集高级指标并监控运行状况

🏛️ MCP 工作流架构

上图展示了完整的多 Agent 工作流架构，说明不同的 Agent 如何通过 MCP（Model Context Protocol）服务进行通信，从而提供全面的研究和代码生成能力。

🚀 快速开始

1. 配置环境，在 Settings 选项卡中设置 API 密钥
2. 选择大模型提供商，空间中默认设置为 Nebius
3. 输入研究查询，在 Orchestrator Flow 选项卡中输入
4. 见证奇迹发生，Agent 协作开展研究并生成代码

🏗️ 架构

核心 Agent

• 问题增强器：将复杂查询拆分为聚焦的子问题
• 网页搜索 Agent：使用 Tavily API 执行有针对性的搜索
• 大模型处理器：负责文本处理、摘要和分析
• 引文格式化器：管理学术引文格式（APA 样式）
• 代码生成器：创建具有上下文感知能力的 Python 代码
• 代码运行器：在安全的 Modal 沙箱中执行代码
• 编排器：协调完整工作流

工作流示例

User Query: "Create Python code to analyze Twitter sentiment"
    ↓
Question Enhancement: Split into focused sub-questions
    ↓
Web Research: Search for Twitter APIs, sentiment libraries, examples
    ↓
Context Integration: Combine research into comprehensive context
    ↓
Code Generation: Create executable Python script
    ↓
Secure Execution: Run code in Modal sandbox
    ↓
Results: Code + output + research summary + citations

🛠️ 设置要求

必需的 API 密钥

• 大模型提供商（任选其一）：
  • Nebius API（推荐）
  • OpenAI API
  • Anthropic API
  • HuggingFace Inference API
• Tavily API（用于网页搜索）
• Modal 账户（用于代码执行）

环境配置

设置以下环境变量，或在应用中进行配置：

LLM_PROVIDER=nebius  # Your chosen provider
NEBIUS_API_KEY=your_key_here
TAVILY_API_KEY=your_key_here
MODAL_ID=your-id-here
MODEL_SECRET_TOKEN=your-token-here

🎯 使用场景

代码生成

• 原型开发：根据需求快速创建可运行的代码
• IDE 集成：将其添加到 IDE 中，获得基于上下文的大模型支持

学习与教育

• 代码示例：生成附带说明的教学代码示例
• 概念探索：研究并理解复杂的编程概念
• 最佳实践：学习当前的行业标准和方法

🔧 高级功能

性能监控

• 实时指标收集
• 响应时间跟踪
• 成功率监控
• 资源使用情况分析

智能缓存

• 减少冗余的 API 调用
• 提升响应速度
• 可配置的 TTL 设置

容错能力

• 断路器保护
• 速率限制管理
• 优雅的错误处理
• 自动重试机制

沙箱池管理

• 预热的执行环境
• 优化的性能
• 资源池化
• 自动扩缩容

📱 界面选项卡

1. Orchestrator Flow：完整的端到端工作流
2. Individual Agents：单独使用各个 Agent 执行特定任务
3. Advanced Features：系统监控和性能分析

🤝 MCP 集成

此应用展示了高级 MCP（Model Context Protocol）实现：

• 服务架构：完整的 MCP 服务，支持架构生成
• 函数注册表：带有类型定义的规范 MCP 函数
• 多 Agent 通信：Agent 之间结构化的数据流
• 错误处理：稳健地管理 Agent 交互过程中的错误

📊 性能

• 响应时间：优化至 Agent 响应时间低于一秒
• 可扩展性：高效处理并发请求
• 可靠性：内置容错能力和监控功能
• 资源管理：智能缓存和资源池化

🔍 技术细节

• Python：需要 3.12+
• 框架：Gradio，支持 MCP 服务功能
• 执行：使用 Modal 安全地在沙箱中执行代码
• 搜索：使用 Tavily API 实时开展网页研究
• 监控：全面跟踪性能和运行状况

---

准备好体验 AI 辅助研究与开发的未来了吗？

先配置 API 密钥，深入探索多 Agent AI 协作的世界吧！🚀

📝 许可证

本项目采用 MIT 许可证 授权。
您可以在注明出处的前提下自由使用、修改和分发本软件。详情请参阅 LICENSE 文件。