kedro-mcp代理
项目介绍
kedro-mcp-agent
此仓库是一个小型实验环境，结合了一个标准的Kedro示例项目、一个MCP服务器以及两个不同的MCP代理。
底层项目结构是通过使用Spaceflights示例并执行kedro new命令生成的。如果您希望详细了解Kedro概念（如项目布局、管道、配置、CLI等），请参考官方教程而不是本README：
以下内容仅关注MCP/MCP代理部分：mcp_server.py，agent.py 和 agent_langgraph.py。
mcp_server.py – Kedro项目上的MCP服务器
mcp_server.py 使用FastMCP将Kedro项目转变为Model Context Protocol (MCP)服务器：
- 使用
bootstrap_project在当前目录中启动Kedro项目。 - 使用Kedro的管道注册表(
kedro.framework.project.pipelines)来发现可用的管道。 - 将Kedro操作暴露为MCP工具，例如：
list_pipelines– 返回所有已注册管道的名称和描述（如果有，描述来自每个管道模块的create_pipeline函数的文档字符串）。run_pipeline– 在KedroSession内运行选定的管道。
- 通过标准输入输出进行通信，因此它可以被任何兼容MCP的客户端（包括本仓库中的代理）启动。
通常您不会手动运行mcp_server.py；相反，代理会使用MCP Python SDK中的StdioServerParameters和stdio_client来启动它。
agent.py – 带有Langfuse跟踪的MCP代理
agent.py 是一个简单但完全可追踪的MCP代理：
- 作为子进程通过标准输入输出启动
mcp_server.py并打开一个MCPClientSession。 - 调用
session.list_tools()以发现服务器公开的工具。 - 在OpenAI聊天完成API之上实现一个手动工具调用循环：
- 将MCP工具模式转换为OpenAI工具定义。
- 向模型发送用户提示和工具定义。
- 从模型响应中读取
tool_calls并在MCP服务器上使用session.call_tool执行它们。 - 将工具输出反馈给LLM，直到返回最终的自然语言答案。
- 以“旧式”方式集成Langfuse以提高可观测性：
- 从
langfuse.openai导入AsyncOpenAI。 - 所有对
self.llm.chat.completions.create(...)的调用都会自动追踪到您的Langfuse项目，前提是设置了常规的LANGFUSE_*和OPENAI_API_KEY环境变量。
- 从
此文件是参考实现，如果您想看到一个完整的MCP + Kedro + OpenAI + Langfuse集成而无需任何LangChain/LangGraph抽象。
在激活的虚拟环境中运行它：
python agent.py
您将获得一个交互式提示，可以在此处提问；代理将通过MCP工具检查和运行Kedro管道，并且所有LLM调用都将出现在Langfuse中的跟踪中。
agent_langgraph.py – 基于LangGraph的MCP代理（无Langfuse）
agent_langgraph.py 是基于LangGraph和LangChain构建的另一种代理。它保留了相同的MCP服务器，但将编排委托给了基于图的代理：
- 通过MCP标准输入输出客户端启动并连接到
mcp_server.py（与agent.py相同）。 - 使用
langchain_mcp_adapters.tools.load_mcp_tools自动将MCP工具转换为LangChain工具。 - 使用LangGraph / LangChain创建一个ReAct风格的代理：
- LLM:
ChatOpenAI从langchain_openai。 - 工具: 由
load_mcp_tools返回的MCP工具。
- LLM:
- 提供：
process_query(...)– 通过LangGraph代理运行单个查询。chat()– 具有对话记忆的交互循环（状态跨轮次携带先前的消息）。stream_query(...)– 流式传输部分响应，随着它们的产生。
使用以下命令运行它：
python agent_langgraph.py
您将获得一个基于LangGraph的对话代理，该代理仍然可以通过MCP检查和运行Kedro管道。