MCP Agent

MCP Agent

图示

概述

本项目实现了一个基于 ReWOO（Reasoning WithOut Observation） 模式的 LangGraph Agent。与 ReAct（Reasoning and Acting）模式类似，它会进行推理和行动，但旨在减少提示词的数量和复杂度，尤其是在使用小型大模型（SLM）时：它会在规划阶段预先定义所需的证据，而不是明确地单独设置观察步骤。

它还包含多种优化逻辑，例如工具筛选、计划验证与修正，以及证据管理，以便与 MCP（Model Context Protocol）服务高效交互。

架构：LangGraph 节点

此 Agent 使用以下 LangGraph 节点执行 ReWOO 工作流：

1. tool_filter：在 Agent 开始执行时，根据用户查询和所有可用工具的描述，筛选出与当前任务最相关的工具。
2. planner：根据筛选后的工具信息，生成逐步执行计划（YAML 格式）以解决用户查询。还会在发生错误时处理计划修正逻辑。
3. plan_parser：解析 planner 生成的原始 YAML 计划，并验证其结构完整性。解析或验证出错时，可能会使用大模型自动修正。
4. plan_validator：最终验证解析后计划中包含的工具名称是否存在于 tool_filter 步骤选定的有效工具列表中。
5. tool_selector：从已验证的计划中选出当前步骤要执行的工具。
6. tool_input_preparer：为选定的工具准备输入。在此过程中，它会参考先前步骤中收集的证据，将占位符（#E1 等）替换为实际值。
7. tool_executor：通过 MCP 服务使用准备好的输入执行实际工具，并获取结果。
8. evidence_processor：处理工具执行结果，并将其存储在 evidence 字典中。（目前仅为占位符，可进一步实现相关逻辑。）
9. generate_final_answer：在所有计划步骤完成，或计划在未调用工具的情况下结束时，汇总所有收集到的证据并生成最终答案。

项目结构

.
├── agent/             # ReWOO agent core logic
│   ├── graph.py       # LangGraph graph definition
│   ├── state.py       # Agent state definition (ReWOOState)
│   ├── nodes/         # Graph node implementations (planner, parser, executor, etc.)
│   ├── prompts/       # LLM prompt definitions
│   └── utils.py       # Utility functions
├── core/              # Core utilities
│   └── llm_loader.py  # LLM instance loading and management
├── tests/             # Test code (unit/integration)
├── images/            # Images for README
├── mcp.json           # MCP server configuration file
├── main.py            # Agent execution script
├── .env.example       # Environment variable setup example
└── README.md          # Project documentation

用法

python main.py