增强型AutoGen MCP服务器

一个全面的MCP服务器，提供与Microsoft的AutoGen框架v0.9+的深度集成，包括最新的功能如提示、资源、高级工作流和增强的代理类型。该服务器通过标准化的模型上下文协议接口支持复杂的多代理对话。

🚀 最新特性 (v0.2.0)

✨ 增强的MCP支持

• 提示：预建模板用于常见工作流程（代码审查、研究、创意写作）
• 资源：实时访问代理状态、聊天历史和配置
• 动态内容：基于模板的提示，带有参数和嵌入式资源
• 最新MCP SDK：版本1.12.3，具有完整的功能支持

🤖 高级代理类型

• 助理代理：增强的最新LLM能力
• 可对话代理：灵活的对话模式
• 可教学代理：学习和记忆持久性
• 检索代理：知识库集成
• 多模态代理：图像和文档处理（当可用时）

🔄 复杂的工作流

• 代码生成：架构师→开发者→评审员→执行者流水线
• 研究分析：研究员→分析师→批评家→综合者工作流
• 创意写作：多阶段创意协作
• 问题解决：复杂问题的结构化方法
• 代码审查：安全→性能→风格审查团队
• 自定义工作流：构建自己的代理协作模式

🎯 增强的聊天能力

• 智能扬声器选择：自动、手动、随机、轮流模式
• 嵌套对话：分层代理交互
• 群智能：协调的多代理问题解决
• 内存管理：持久的代理知识和偏好
• 质量检查：内置验证和改进循环

🛠️ 可用工具

核心代理管理

• create_agent - 创建具有高级配置的代理
• create_workflow - 构建完整的多代理工作流
• get_agent_status - 详细的代理指标和健康监控

对话执行

• execute_chat - 增强的双代理对话
• execute_group_chat - 多代理组讨论
• execute_nested_chat - 分层对话结构
• execute_swarm - 基于群的协作问题解决

工作流编排

• execute_workflow - 运行预定义的工作流模板
• manage_agent_memory - 处理代理的学习和持久性
• configure_teachability - 启用/配置代理学习能力

📝 可用提示

autogen-workflow

创建复杂的多代理工作流，具有可定制的参数：

• 参数：task_description，agent_count，workflow_type
• 应用场景：快速工作流原型设计和部署

code-review

设置专门代理进行协作代码审查：

• 参数：code，language，focus_areas
• 应用场景：全面的代码质量评估

research-analysis

部署研究团队进行深入主题分析：

• 参数：topic，depth
• 应用场景：学术研究、市场分析、技术调查

📊 可用资源

autogen://agents/list

活跃代理的实时列表，包括状态和能力

autogen://workflows/templates

可用的工作流模板和配置

autogen://chat/history

最近的对话历史和交互日志

autogen://config/current

当前服务器配置和设置

安装

通过Smithery安装

要通过Smithery自动安装AutoGen服务器到Claude Desktop：

npx -y @smithery/cli install @DynamicEndpoints/autogen_mcp --client claude

手动安装

1. 克隆仓库：

git clone https://github.com/yourusername/autogen-mcp.git
cd autogen-mcp

2. 安装Node.js依赖项：

npm install

3. 安装Python依赖项：

pip install -r requirements.txt --user

4. 构建TypeScript项目：

npm run build

5. 设置配置：

cp .env.example .env
cp config.json.example config.json
# 使用您的设置编辑.env和config.json

配置

环境变量

从模板创建.env文件：

# 必需
OPENAI_API_KEY=your-openai-api-key-here

# 可选 - 配置文件路径
AUTOGEN_MCP_CONFIG=config.json

# 增强功能
ENABLE_PROMPTS=true
ENABLE_RESOURCES=true
ENABLE_WORKFLOWS=true
ENABLE_TEACHABILITY=true

# 性能设置
MAX_CHAT_TURNS=10
DEFAULT_OUTPUT_FORMAT=json

配置文件

更新config.json以匹配您的偏好：

{
  "llm_config": {
    "config_list": [
      {
        "model": "gpt-4o",
        "api_key": "your-openai-api-key"
      }
    ],
    "temperature":  0.7
  },
  "enhanced_features": {
    "prompts": { "enabled": true },
    "resources": { "enabled": true },
    "workflows": { "enabled": true }
  }
}

使用示例

与Claude Desktop一起使用

添加到您的claude_desktop_config.json：

{
  "mcpServers": {
    "autogen": {
      "command": "node",
      "args": ["path/to/autogen-mcp/build/index.js"],
      "env": {
        "OPENAI_API_KEY": "your-key-here"
      }
    }
  }
}

命令行测试

测试服务器功能：

# 运行全面测试
python test_server.py

# 测试CLI界面
python cli_example.py create_agent "researcher" "assistant" "您是一位研究专家"
python cli_example.py execute_workflow "code_generation" '{"任务":"Hello world","语言":"python"}'

使用提示

服务器提供了几个内置提示：

1. autogen-workflow - 创建多代理工作流
2. code-review - 设置协作代码审查
3. research-analysis - 部署研究团队

访问资源

可用资源提供实时数据：

• autogen://agents/list - 当前活跃代理
• autogen://workflows/templates - 可用工作流模板
• autogen://chat/history - 最近的对话历史
• autogen://config/current - 服务器配置

工作流示例

代码生成工作流

{
  "workflow_name": "code_generation",
  "input_data": {
    "任务": "创建REST API端点",
    "语言": "python",
    "需求": ["FastAPI", "Pydantic", "错误处理"]
  },
  "质量检查": true
}

研究工作流

{
  "workflow_name": "research",
  "input_data": {
    "主题": "2025年人工智能伦理",
    "深度": "全面"
  },
  "输出格式": "markdown"
}

高级功能

代理类型

• 助理代理：由LLM驱动的对话代理
• 用户代理：代码执行和人类互动
• 可对话代理：灵活的对话模式
• 可教学代理：学习和记忆持久性（当可用时）
• 检索代理：知识库集成（当可用时）

聊天模式

• 双代理聊天：代理之间的直接对话
• 组聊：多代理讨论，智能扬声器选择
• 嵌套聊天：分层对话结构
• 群智能：协调的问题解决（实验性）

内存管理

• 会话间持久的代理记忆
• 对话历史跟踪
• 从交互中学习（可教学代理）
• 内存清理和优化

故障排除

常见问题

1. API密钥错误：确保您的OpenAI API密钥有效且有足够的信用额度
2. 导入错误：使用pip install -r requirements.txt --user安装所有依赖项
3. 构建失败：检查Node.js版本（>= 18）并运行npm install
4. 聊天失败：在尝试对话之前，请确保代理创建成功

调试模式

启用详细日志记录：

export LOG_LEVEL=DEBUG
python test_server.py

性能提示

• 使用gpt-4o-mini进行更快、成本效益更高的操作
• 启用重复操作的缓存
• 为长时间运行的工作流设置适当的超时值
• 仅在需要时使用质量检查（增加执行时间）

开发

运行测试

# 全面测试套件
python test_server.py

# 单个工作流测试
python -c "
import asyncio
from src.autogen_mcp.workflows import WorkflowManager
wm = WorkflowManager()
print(asyncio.run(wm.execute_workflow('code_generation', {'任务': '测试'})))
"

构建

npm run build
npm run lint

贡献

1. 分叉仓库
2. 创建功能分支
3. 进行更改
4. 为新功能添加测试
5. 提交拉取请求

版本历史

v0.2.0 (最新)

• ✨ 增强的MCP支持，包括提示和资源
• 🤖 高级代理类型（可教学、检索）
• 🔄 复杂的工作流，包括质量检查
• 🎯 智能扬声器选择和嵌套对话
• 📊 实时资源监控
• 🧠 内存管理和持久性

v0.1.0

• 基本的AutoGen集成
• 简单的代理创建和聊天执行
• MCP工具接口

支持

对于问题和疑问：

• 查看上面的故障排除部分
• 查看test_server.py中的测试示例
• 在GitHub上打开一个详细重现步骤的问题

许可证

MIT许可证 - 详情见LICENSE文件。

OpenAI API密钥（可选，也可以在config.json中设置）

OPENAI_API_KEY=your-openai-api-key

### 服务器配置

1. 将`config.json.example`复制为`config.json`：
```bash
cp config.json.example config.json

2. 配置服务器设置：

{
  "llm_config": {
    "config_list": [
      {
        "model": "gpt-4",
        "api_key": "your-openai-api-key"
      }
    ],
    "temperature": 0
  },
  "code_execution_config": {
    "work_dir": "workspace",
    "use_docker": false
  }
}

可用操作

服务器支持三种主要操作：

1. 创建代理

{
  "name": "create_agent",
  "arguments": {
    "name": "tech_lead",
    "type": "assistant",
    "system_message": "您是具有软件架构和设计模式专业知识的技术负责人。"
  }
}

2. 一对一聊天

{
  "name": "execute_chat",
  "arguments": {
    "发起者": "agent1",
    "响应者": "agent2",
    "消息": "让我们讨论系统架构。"
  }
}

3. 组聊

{
  "name": "execute_group_chat",
  "arguments": {
    "代理": ["agent1", "agent2", "agent3"],
    "消息": "让我们审核提出的解决方案。"
  }
}

错误处理

常见的错误场景包括：

1. 代理创建错误

{
  "error": "代理已存在"
}

2. 执行错误

{
  "error": "未找到代理"
}

3. 配置错误

{
  "error": "未设置AUTOGEN_MCP_CONFIG环境变量"
}

架构

服务器遵循模块化架构：

src/
├── autogen_mcp/
│   ├── __init__.py
│   ├── agents.py      # 代理管理和配置
│   ├── config.py      # 配置处理和验证
│   ├── server.py      # MCP服务器实现
│   └── workflows.py   # 对话工作流管理

许可证

MIT许可证 - 详情见LICENSE文件