STARWARCLOUD STARWAR.AI
返回市场
麦克风人工智能代理

麦克风人工智能代理

作者：fkesheh20 星标更新：2025-08-11
安装使用来源：spider==github.com

项目介绍

MCP AI Agent

一个使用 TypeScript 编写的库，使 AI 代理能够利用 MCP（模型上下文协议）服务器来增强其功能。该库与 AI SDK v5 集成，提供了一种无缝连接到 MCP 服务器并在 AI 应用程序中使用其工具的方法。

功能

  • 使用不同的传输方法（STDIO、SSE）连接到多个 MCP 服务器
  • 自动发现并使用 MCP 服务器中的工具
  • 与 AI SDK 集成以生成文本时使用工具
  • 过滤和组合 MCP 工具与自定义工具
  • 预配置服务器以便于初始化
  • 支持自动配置简化设置
  • 代理可以调用其他代理执行特定任务
  • 代理组合 - 创建专门的代理并将其组合起来
  • 命名代理并添加描述以提高识别度
  • 代理的自动初始化（无需显式调用初始化）
  • 在代理配置中直接定义自定义工具
  • 默认模型支持以简化多代理系统
  • 系统提示集成以实现特定行为
  • 调试模式

发展路线图

  • 基本代理与 MCP 工具集成
  • 自动处理 MCP 服务器
  • 多代理工作流
  • 基于函数的工具处理器
  • 自动转换 Swagger/OpenAPI 到工具（无状态服务器简单集成）
  • 实现 API 服务器（在服务器上调用代理）
  • 可观察性系统

安装

npm install mcp-ai-agent

要查看全面的示例实现，请访问 mcp-ai-agent-example 仓库。

最小示例

这是使用预配置服务器的基本方式：

import { AIAgent, Servers } from "mcp-ai-agent";
import { openai } from "@ai-sdk/openai";

// 使用预配置服务器
const agent = new AIAgent({
  name: "顺序思维代理",
  description: "此代理可用于解决复杂任务",
  model: openai("gpt-4o-mini"),
  toolsConfigs: [Servers.sequentialThinking],
});

// 使用代理
const response = await agent.generateResponse({
  prompt: "25 * 25 是多少？",
});
console.log(response.text);

多代理工作流（代理组合）

您可以创建专门的代理并将它们组合成一个主代理，该主代理可以分配任务：

import { AIAgent, Servers } from "mcp-ai-agent";
import { openai } from "@ai-sdk/openai";

// 为不同任务创建专门的代理
const sequentialThinkingAgent = new AIAgent({
  name: "顺序思考者",
  description: "使用此代理进行顺序思考并解决复杂问题",
  model: openai("gpt-4o-mini"),
  toolsConfigs: [Servers.sequentialThinking],
});

const braveSearchAgent = new AIAgent({
  name: "勇敢搜索",
  description: "使用此代理在网络上搜索最新信息",
  model: openai("gpt-4o-mini"),
  toolsConfigs: [Servers.braveSearch],
});

const memoryAgent = new AIAgent({
  name: "记忆代理",
  description: "使用此代理存储和检索记忆",
  model: openai("gpt-4o-mini"),
  toolsConfigs: [
    {
      mcpServers: {
        memory: {
          command: "npx",
          args: ["-y", "@modelcontextprotocol/server-memory"],
        },
      },
    },
  ],
});

// 创建一个可以使用所有专门代理的主代理
const masterAgent = new AIAgent({
  name: "主代理",
  description: "一个可以管理和分配给专门代理的任务的代理",
  model: openai("gpt-4o"),
  toolsConfigs: [
    {
      type: "agent",
      agent: sequentialThinkingAgent,
    },
    {
      type: "agent",
      agent: memoryAgent,
    },
    {
      type: "agent",
      agent: braveSearchAgent,
    },
  ],
});

// 使用主代理
const response = await masterAgent.generateResponse({
  prompt: "最新的比特币价格是多少？将答案存储在记忆中。",
});

console.log(response.text);

// 您可以询问记忆代理关于主代理存储的信息
const memoryResponse = await masterAgent.generateResponse({
  prompt: "我们存储了哪些关于比特币价格的信息？",
});

console.log(memoryResponse.text);

Crew AI 样式的流程

MCP AI Agent 可用于创建一组协同工作的专门代理，类似于 Crew AI 模式。这里是一个使用多个专门代理设置项目管理流程的例子：

import { AIAgent, CrewStyleHelpers, Servers } from "mcp-ai-agent";
import { openai } from "@ai-sdk/openai";
import { z } from "zod";
import * as dotenv from "dotenv";

// 加载环境变量
dotenv.config();

// 项目详情
const projectDetails = {
  project: "网站",
  industry: "科技",
  team_members: [
    "John Doe (项目经理)",
    "Jane Doe (软件工程师)",
    "Bob Smith (设计师)",
    "Alice Johnson (质量保证工程师)",
    "Tom Brown (质量保证工程师)",
  ],
  project_requirements: [
    "响应式设计桌面和移动设备",
    "现代用户界面",
    "直观的导航系统",
    "关于我们页面",
    "服务页面",
    "带有表单的联系页面",
    "博客部分",
    "搜索引擎优化",
    "社交媒体整合",
    "客户评价部分",
  ],
};

// 定义任务
const tasks = {
  task_breakdown: (details) => ({
    description: `分解${details.project}项目的具体要求为单独的任务。`,
    expected_output: `包含描述、时间线和依赖关系的详细任务列表。`,
  }),
  time_estimation: (details) => ({
    description: `估计${details.project}项目中每个任务的时间和资源。`,
    expected_output: `每个任务的详细估算报告。`,
  }),
  resource_allocation: (details) => ({
    description: `根据技能和可用性将任务分配给团队成员。`,
    expected_output: `包含分配和时间线的资源分配图表。`,
  }),
};

// 创建代理
const agent = new AIAgent({
  name: "顺序思维代理",
  description: "顺序思维代理",
  toolsConfigs: [Servers.sequentialThinking],
});

// 定义组员
const crew = {
  planner: {
    name: "项目规划师",
    goal: "将项目分解为可操作的任务",
    backstory: "具有细节关注经验的项目经理",
    agent: agent,
    model: openai("gpt-4o-mini"),
  },
  estimator: {
    name: "估算分析师",
    goal: "提供准确的时间和资源估算",
    backstory: "采用数据驱动方法的项目估算专家",
    agent: agent,
    model: openai("gpt-4o-mini"),
  },
  allocator: {
    name: "资源分配者",
    goal: "优化团队成员之间的任务分配",
    backstory: "团队动态和资源管理专家",
    agent: agent,
    model:  openai("gpt-4o-mini"),
  },
};

// 定义模式
const planSchema = z.object({
  rationale: z.string(),
  tasks: z.array(
    z.object({
      task_name: z.string(),
      estimated_time_hours: z.number(),
      required_resources: z.array(z.string()),
      assigned_to: z.string(),
      start_date: z.string(),
      end_date: z.string(),
    })
  ),
  milestones: z.array(
    z.object({
      milestone_name: z.string(),
      tasks: z.array(z.string()),
      deadline: z.string(),
    })
  ),
  workload_distribution: z
    .record(z.string(), z.number())
    .describe("分配给每个团队成员的总小时数"),
});

async function runWorkflow() {
  // 执行规划任务
  const projectPlan = await CrewStyleHelpers.executeTask({
    agent: crew.planner,
    task: tasks.task_breakdown(projectDetails),
  });
  console.log("项目计划：", projectPlan.text);

  // 执行估算任务
  const timeEstimation = await CrewStyleHelpers.executeTask({
    agent: crew.estimator,
    task: tasks.time_estimation(projectDetails),
    previousTasks: { projectPlan: projectPlan.text },
  });
  console.log("时间估算：", timeEstimation.text);

  // 执行分配任务
  const resourceAllocation = await CrewStyleHelpers.executeTask({
    agent: crew.allocator,
    task: tasks.resource_allocation(projectDetails),
    previousTasks: {
      projectPlan: projectPlan.text,
      timeEstimation: timeEstimation.text,
    },
    schema: planSchema,
  });
  console.log(
    "资源分配：",
    JSON.stringify(resourceAllocation.object, null, 2)
  );

  // 清理
  await agent.close();
}

runWorkflow().catch(console.error);

自定义工具

您可以通过以下方式轻松地向您的代理添加自定义工具：

import { AIAgent } from "mcp-ai-agent";
import { openai } from "@ai-sdk/openai";
import { z } from "zod";

// 创建一个带有自定义工具的代理
const calculatorAgent = new AIAgent({
  name: "计算器代理",
  description: "一个可以执行数学运算的代理",
  model: openai("gpt-4o-mini"),
  toolsConfigs: [
    {
      type: "tool",
      name: "乘法",
      description: "两个数字相乘",
      parameters: z.object({
        number1: z.number(),
        number2: z.number(),
      }),
      execute: async (args) => {
        return args.number1 * args.number2;
      },
    },
    {
      type: "tool",
      name: "加法",
      description: "两个数字相加",
      parameters: z.object({
        number1: z.number(),
        number2: z.number(),
      }),
      execute: async (args) => {
        return args.number1 + args.number2;
      },
    },
  ],
});

// 使用带有自定义工具的代理
const response = await calculatorAgent.generateResponse({
  prompt: "125 * 37 是多少？",
});
console.log(response.text);

支持的 MCP 服务器

MCP AI Agent 内置支持以下服务器：

  • 顺序思维：用于将复杂问题分解为步骤
  • 记忆：持久化会话上下文的记忆
  • AWS 知识库检索：从 AWS 知识库检索信息
  • 勇敢搜索：使用勇敢搜索 API 进行网络搜索
  • Everart：使用 AI 创建和操作图像
  • 获取：从 URL 获取数据
  • Firecrawl MCP：网页爬取和检索能力
  • SQLite：查询和操作 SQLite 数据库

使用支持的服务器

您可以轻松地通过导入 Servers 命名空间来使用任何支持的服务器：

import { AIAgent, Servers } from "mcp-ai-agent";

// 使用单一服务器
const agent1 = new AIAgent({
  name: "顺序思维代理",
  description: "顺序思维代理",
  toolsConfigs: [Servers.sequentialThinking],
});

// 组合多个服务器
const agent2 = new AIAgent({
  name: "多功能代理",
  description: "具有多种功能的代理",
  toolsConfigs: [
    Servers.sequentialThinking,
    Servers.memory,
    Servers.braveSearch,
  ],
});

贡献新服务器

我们欢迎贡献以增加对额外 MCP 服务器的支持！要添加新服务器：

  1. 在 src/servers 目录下按照现有模式创建一个新的文件
  2. 在文件中导出您的服务器配置
  3. 将您的服务器添加到 src/servers/index.ts 导出中
  4. 提交包含更改的拉取请求

示例服务器配置格式：

import { MCPAutoConfig } from "../types.js";

export const yourServerName: MCPAutoConfig = {
  type: "auto",
  name: "your-server-name",
  description: "您的服务器的功能描述",
  toolsDescription: {
    toolName1: "第一个工具的描述",
    toolName2: "第二个工具的描述",
  },
  parameters: {
    API_KEY: {
      description: "您的服务的 API 密钥",
      required: true,
    },
  },
  mcpConfig: {
    command: "npx",
    args: ["-y", "@your-org/your-mcp-server-package"],
  },
};

使用多个服务器

您可以使用多个服务器初始化代理：

import { AIAgent, Servers } from "mcp-ai-agent";
import { openai } from "@ai-sdk/openai";

// 组合多个预配置服务器
const agent = new AIAgent({
  name: "多功能代理",
  description: "具有多种专业功能的代理",
  toolsConfigs: [Servers.sequentialThinking, Servers.memory, Servers.fetch],
});

const response = await agent.generateResponse({
  prompt: "25 * 25 是多少？",
  model: openai("gpt-4o-mini"),
});
console.log(response.text);

手动使用 Stdio 工具

import { AIAgent } from "mcp-ai-agent";
import { openai } from "@ai-sdk/openai";

const agent = new AIAgent({
  name: "自定义服务器代理",
  description: "使用手动配置的顺序思维服务器的代理",
  model: openai("gpt-4o-mini"),
  toolsConfigs: [
    {
      mcpServers: {
        "顺序思维": {
          command: "npx",
          args: ["-y", "@modelcontextprotocol/server-sequential-thinking"],
        },
      },
    },
  ],
});

const response = await agent.generateResponse({
  prompt: "25 * 25 是多少？",
});
console.log(response.text);

使用 SSE 传输

您还可以使用服务器发送事件（SSE）传输连接到 MCP 服务器：

import { AIAgent } from "mcp-ai-agent";
import { openai } from "@ai-sdk/openai";

const agent = new AIAgent({
  name: "SSE 传输代理",
  description: "使用 SSE 传输连接远程服务器的代理",
  model: openai("gpt-4o-mini"),
  toolsConfigs: [
    {
      mcpServers: {
        "顺序思维": {
          type: "sse",
          url: "https://your-mcp-server.com/sequential-thinking",
          headers: {
            "x-api-key": "your-api-key",
          },
        },
      },
    },
  ],
});

const response = await agent.generateResponse({
  prompt: "25 * 25 是多少？",
});
console.log(response.text);

高级示例

处理图像

您可以在消息中包含图像：

import { AIAgent, Servers } from "mcp-ai-agent";
import { openai } from "@ai-sdk/openai";
import fs from "fs";

const agent = new AIAgent({
  name: "图像处理代理",
  description: "能够处理图像的代理",
  model: openai("gpt-4o-mini"),
  toolsConfigs: [Servers.sequentialThinking],
});

const response = await agent.generateResponse({
  messages: [
    {
      role: "user",
      content: [
        {
          type: "text",
          text: "使用顺序思维解决以下方程",
        },
        {
          type: "image",
          image: fs.readFileSync("./path/to/equation.png"),
        },
      ],
    },
  ],
});
console.log(response.text);
await agent.close();

处理 PDF

您也可以处理 PDF：

import { AIAgent, Servers } from "mcp-ai-agent";
import { openai } from "@ai-sdk/openai";
import fs from "fs";

const agent = new AIAgent({
  name: "PDF 处理代理",
  description: "能够处理 PDF 文档的代理",
  model: openai("gpt-4o-mini"),
  toolsConfigs: [Servers.sequentialThinking],
});

const response = await agent.generateResponse({
  messages: [
    {
      role: "user",
      content: [
        {
          type: "text",
          text: "使用顺序思维解决以下方程",
        },
        {
          type: "file",
          data: fs.readFileSync("./path/to/equation.pdf"),
          filename: "equation.pdf",
          mediaType: "application/pdf",
        },
      ],
    },
  ],
});
console.log(response.text);
await agent.close();

结合预配置和自定义服务器配置

您可以结合预配置服务器和手动配置的服务器：

import { AIAgent, Servers } from "mcp-ai-agent";
import { openai } from "@ai-sdk/openai";

// 创建一个同时包含预配置和自定义服务器的代理
const agent = new AIAgent({
  name: "混合配置代理",
  description: "结合预配置和自定义服务器配置的代理",
  model: openai("gpt-4o"),
  toolsConfigs: [
    // 使用来自 Servers 命名空间的预配置服务器
    Servers.sequentialThinking,

    // 添加一个手动配置的服务器
    {
      mcpServers: {
        "自定义 API 服务器": {
          type: "sse",
          url: "https://api.example.com/mcp-endpoint",
          headers: {
            Authorization: `Bearer ${process.env.API_TOKEN}`,
            "Content-Type": "application/json",
          },
        },
      },
    },

    // 添加另一个预配置服务器
    Servers.memory,
  ],
});

const response = await agent.generateResponse({
  prompt: "搜索有关 AI 代理的信息并将结果存储在内存中",
  // 可选过滤要使用的工具
  filterMCPTools: (tool) => {
    // 只使用来自可用服务器的特定工具
    return ["顺序思维", "记忆", "自定义 API 搜索"].includes(tool.name);
  },
});

console.log(response.text);
await agent.close();

创建自定义自动配置服务器

您还可以创建并使用自己的自动配置服务器库定义：

import { AIAgent, MCPAutoConfig } from "mcp-ai-agent";
import { openai } from "@ai-sdk/openai";

// 定义一个自定义服务器配置
const customVectorDB: MCPAutoConfig = {
  type: "auto",
  name: "向量数据库",
  description: "向量数据库工具，用于语义搜索