From 65baccba875556760d783172e43d81335e44ef43 Mon Sep 17 00:00:00 2001 From: liangfangxing <392901078@qq.com> Date: Thu, 19 Mar 2026 19:28:48 +0800 Subject: [PATCH] feat: demo --- demo_a2a_protocol/a2a_agent_network.py | 10 ++ demo_a2a_protocol/a2a_agent_router.py | 22 ++++ demo_a2a_protocol/a2a_client.py | 14 +++ demo_a2a_protocol/a2a_server.py | 38 +++++++ demo_agent/muiti_agent.py | 138 +++++++++++++++++++++++++ demo_agent/planning_agent.py | 129 +++++++++++++++++++++++ demo_agent/react_agent.py | 106 +++++++++++++++++++ demo_agent/reflection_agent.py | 71 +++++++++++++ demo_agent/tool_calling_agent.py | 69 +++++++++++++ demo_function_call/json_schema.py | 2 +- demo_mcp/a2a_agent.py | 74 +++++++++++++ demo_mcp/a2a_client.py | 38 +++++++ demo_mcp/a2a_server.py | 65 ++++++++++++ demo_mcp/sse_agent.py | 69 +++++++++++++ demo_mcp/sse_client.py | 34 ++++++ demo_mcp/sse_server.py | 53 ++++++++++ demo_mcp/stdio_agent.py | 78 ++++++++++++++ demo_mcp/stdio_client.py | 57 ++++++++++ demo_mcp/stdio_server.py | 38 +++++++ demo_mcp/streamable_agent.py | 84 +++++++++++++++ demo_mcp/streamable_client.py | 63 +++++++++++ demo_mcp/streamable_server.py | 53 ++++++++++ 22 files changed, 1304 insertions(+), 1 deletion(-) create mode 100644 demo_a2a_protocol/a2a_agent_network.py create mode 100644 demo_a2a_protocol/a2a_agent_router.py create mode 100644 demo_a2a_protocol/a2a_client.py create mode 100644 demo_a2a_protocol/a2a_server.py create mode 100644 demo_agent/muiti_agent.py create mode 100644 demo_agent/planning_agent.py create mode 100644 demo_agent/react_agent.py create mode 100644 demo_agent/reflection_agent.py create mode 100644 demo_agent/tool_calling_agent.py create mode 100644 demo_mcp/a2a_agent.py create mode 100644 demo_mcp/a2a_client.py create mode 100644 demo_mcp/a2a_server.py create mode 100644 demo_mcp/sse_agent.py create mode 100644 demo_mcp/sse_client.py create mode 100644 demo_mcp/sse_server.py create mode 100644 demo_mcp/stdio_agent.py create mode 100644 demo_mcp/stdio_client.py create mode 100644 demo_mcp/stdio_server.py create mode 100644 demo_mcp/streamable_agent.py create mode 100644 demo_mcp/streamable_client.py create mode 100644 demo_mcp/streamable_server.py diff --git a/demo_a2a_protocol/a2a_agent_network.py b/demo_a2a_protocol/a2a_agent_network.py new file mode 100644 index 0000000..c4da84b --- /dev/null +++ b/demo_a2a_protocol/a2a_agent_network.py @@ -0,0 +1,10 @@ +from python_a2a import AgentNetwork +network = AgentNetwork(name="MyNetwork") +network.add("TicketAgent", "http://127.0.0.1:5010") + +print(f"agent network-->{network.agent_cards}") +print('*'*80) + +# 调用 +client = network.get_agent("TicketAgent") +print(client.ask("预订一张从北京到上海的火车票")) \ No newline at end of file diff --git a/demo_a2a_protocol/a2a_agent_router.py b/demo_a2a_protocol/a2a_agent_router.py new file mode 100644 index 0000000..7512338 --- /dev/null +++ b/demo_a2a_protocol/a2a_agent_router.py @@ -0,0 +1,22 @@ +from python_a2a import AIAgentRouter, AgentNetwork +from langchain_openai import ChatOpenAI +from conf import settings + +# 创建网络 +network = AgentNetwork(name="MyNetwork") +network.add("TicketAgent", "http://127.0.0.1:5010") + +# 创建模型 +llm = ChatOpenAI( + base_url=settings.base_url, + api_key=settings.api_key, + model=settings.model_name, + temperature=0.1 +) + +# 创建路由器 +router = AIAgentRouter(llm_client=llm, agent_network=network) +agent_name, confidence = router.route_query("预订票") +print(agent_name, confidence) +client = network.get_agent(agent_name) +print(client.ask("预订一张从北京到上海的火车票")) \ No newline at end of file diff --git a/demo_a2a_protocol/a2a_client.py b/demo_a2a_protocol/a2a_client.py new file mode 100644 index 0000000..28f41f4 --- /dev/null +++ b/demo_a2a_protocol/a2a_client.py @@ -0,0 +1,14 @@ +import asyncio +from python_a2a import A2AClient + +async def main(): + ticket_client = A2AClient("http://127.0.0.1:5010") + + #预订火车票 + ticket_query = "预订一张从北京到上海的火车票" + print(f"[主控客户端日志]预订票务 -> '{ticket_query}'") + ticket_result = ticket_client.ask(ticket_query) + print(f"[主控客户端日志] 收到票务预订结果: {ticket_result}") + +if __name__ == "__main__": + asyncio.run(main()) \ No newline at end of file diff --git a/demo_a2a_protocol/a2a_server.py b/demo_a2a_protocol/a2a_server.py new file mode 100644 index 0000000..9ec9f3c --- /dev/null +++ b/demo_a2a_protocol/a2a_server.py @@ -0,0 +1,38 @@ +from python_a2a import A2AServer, run_server, AgentCard, AgentSkill, TaskStatus, TaskState + +# 定义代理卡片 +ticket_card = AgentCard( + name="TicketAgentServer", + description="票务代理", + url="http://127.0.0.1:5010", + skills=[AgentSkill(name="book_ticket", description="预订票务")] +) + +# 自定义 A2AServer 子类 +class TicketServer(A2AServer): + def __init__(self): + super().__init__(agent_card=ticket_card) + + def handle_task(self, task): + print("收到A2A任务的task:=>", task) + #默认写法：获取任务内容 + query = (task.message or {}).get("content", {}).get("text", "") + + if "上海" in query and "北京" in query: + # 这里的结果可以来自于 MCP 模块，这里我们直接模拟结果 + train_result = "上海到北京的火车票已经预订成功！ G1001,10车1A " + else: + train_result = "请输入明确的出发地和目的地。" + + task.artifacts = [{"parts": [{"type": "text", "text": train_result}]}] + task.status = TaskStatus(state=TaskState.COMPLETED) + print(f"[{self.agent_card.name} 日志] 任务处理完毕") + print(f"[{self.agent_card.name} 日志] 输出结果task: {task}") + print(f"[{self.agent_card.name} 日志] 输出结果task.artifacts: {task.artifacts}") + return task + +# 启动服务器 +if __name__ == "__main__": + server = TicketServer() + print(f"[{server.agent_card.name}] 启动成功，服务地址: {server.agent_card.url}") + run_server(server, host="127.0.0.1", port=5010, debug=True) \ No newline at end of file diff --git a/demo_agent/muiti_agent.py b/demo_agent/muiti_agent.py new file mode 100644 index 0000000..f9ba8f3 --- /dev/null +++ b/demo_agent/muiti_agent.py @@ -0,0 +1,138 @@ +from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder, SystemMessagePromptTemplate, \ + HumanMessagePromptTemplate # 导入所有必需的 Prompt 类 +from langchain_openai import ChatOpenAI +from langchain_core.tools import tool +from langchain.agents import AgentExecutor, create_tool_calling_agent +from langchain_core.output_parsers import StrOutputParser +from conf import settings + +# 创建模型 +llm = ChatOpenAI( + base_url=settings.base_url, + api_key=settings.api_key, + model=settings.model_name, + temperature=0.1 +) + + +# 2.定义工具 +# 2.1 计算工具 +@tool +def multiply(a: int, b: int) -> int: + """用于计算两个整数的乘积。 + + 参数: + a (int): 第一个整数。 + b (int): 第二个整数。 + """ + print(f"\n[计算专家] -> 正在执行乘法: {a} * {b}") + return a * b + + +@tool +def add(a: int, b: int) -> int: + """用于计算两个整数的和。 + + 参数: + a (int): 第一个整数。 + b (int): 第二个整数。 + """ + print(f"\n[计算专家] -> 正在执行加法: {a} + {b}") + return a + b + + +# 2.2 信息查询工具 +@tool +def search_weather(city: str) -> str: + """用于查询指定城市的实时天气。""" + print(f"正在查询天气: {city}") + if "北京" in city: + return "北京今天是晴天，气温25摄氏度。" + elif "上海" in city: + return "上海今天是阴天，有小雨，气温22摄氏度。" + else: + return f"抱歉，我没有'{city}'的天气信息。" + + +@tool +def get_current_date() -> str: + """用于获取当前日期。""" + print("\n[信息专家] -> 正在获取当前日期...") + import datetime + return datetime.date.today().strftime("%Y年%m月%d日") + + +# 3 创建两个独立的 Agent +# 3.1 创建“计算专家” Agent +math_tools = [multiply, add] +# 创建完整的 Tool Calling Prompt +# 这包括一个系统消息，一个用户消息占位符，以及一个 Agent 中间思考过程的占位符。 +math_prompt = ChatPromptTemplate.from_messages([ + SystemMessagePromptTemplate.from_template("你是一个强大的数学计算专家，可以访问和使用各种数学工具。"), + HumanMessagePromptTemplate.from_template("{input}"), + MessagesPlaceholder(variable_name="agent_scratchpad") +]) +# 创建 math_Agent +math_agent = create_tool_calling_agent(llm, math_tools, math_prompt) +# 创建 math Agent Executor +math_executor = AgentExecutor( + agent=math_agent, + tools=math_tools, + verbose=True +) + +# 3.2 创建“信息专家” Agent +info_tools = [search_weather, get_current_date] +# 手动创建完整的 Tool Calling Prompt +info_prompt = ChatPromptTemplate.from_messages([ + SystemMessagePromptTemplate.from_template("你是一个强大的信息查询专家，可以访问和使用各种查询工具。"), + HumanMessagePromptTemplate.from_template("{input}"), + MessagesPlaceholder(variable_name="agent_scratchpad") +]) +# 创建 info Agent +info_agent = create_tool_calling_agent(llm, info_tools, info_prompt) +# 创建 info Agent Executor +info_executor = AgentExecutor( + agent=info_agent, + tools=info_tools, + verbose=True +) + +# 4.协调和总结工作流 +def multi_agent_workflow(query: str, math_task: str, info_task: str): + print("--- 启动多智能体协作流程 ---") + print(f"\n用户原始请求: {query}") + + # 4.1 让“计算专家”执行任务 + print("\n[主程序] -> 将任务分配给计算专家...") + math_result = math_executor.invoke({"input": math_task}).get("output") + print(f"\n[主程序] -> 计算专家返回结果: {math_result}") + + # 4.2 让“信息专家”执行任务 + print("\n[主程序] -> 将任务分配给信息专家...") + info_result = info_executor.invoke({"input": info_task}).get("output") + print(f"\n[主程序] -> 信息专家返回结果: {info_result}") + + # 4.3 使用 LLM 进行最终结果总结 + print("\n[主程序] -> 使用大模型进行最终总结...") + summarize_prompt = ChatPromptTemplate.from_messages([ + ("system", "你是一个善于总结和整合信息的助手。请根据以下信息，为用户原始请求生成一个完整的回答。"), + ("human", + f"用户请求: {query}\n\n计算结果: {math_result}\n\n信息查询结果: {info_result}\n\n请整合以上信息，生成一个连贯的最终回答。") + ]) + summarize_chain = summarize_prompt | llm | StrOutputParser() + final_answer = summarize_chain.invoke({"query": query}) + + print("\n--- 协作流程已完成！---") + print(f"最终综合回答:\n{final_answer}") + return final_answer + + +if __name__ == "__main__": + # 定义用户原始请求和分配给每个Agent的子任务 + original_query = "请先计算 25 乘以 4，然后告诉我北京今天的天气和当前日期。" + math_task = "计算 25 乘以 4" + info_task = "查询北京今天的天气和当前日期" + + # 启动工作流 + multi_agent_workflow(original_query, math_task, info_task) \ No newline at end of file diff --git a/demo_agent/planning_agent.py b/demo_agent/planning_agent.py new file mode 100644 index 0000000..dd9299f --- /dev/null +++ b/demo_agent/planning_agent.py @@ -0,0 +1,129 @@ +from langchain_openai import ChatOpenAI +from langchain_core.tools import tool +from langchain_core.prompts import ChatPromptTemplate +from langchain_core.output_parsers import StrOutputParser +from langchain.agents import AgentExecutor, create_react_agent +from conf import settings + +# 创建模型 +llm = ChatOpenAI( + base_url=settings.base_url, + api_key=settings.api_key, + model=settings.model_name, + temperature=0.1 +) + + +# 2.定义工具 +@tool +def multiply(numbers_str: str) -> int: + """用于计算两个整数的乘积。 + + 参数: + numbers_str (str): 包含两个整数的字符串，用逗号分隔，例如："100,25"。 + 返回: + int: 两个整数的乘积。 + """ + print(f"正在执行乘法: {numbers_str}") + try: + a_str, b_str = numbers_str.split(',') + a = int(a_str.strip()) + b = int(b_str.strip()) + return a * b + except ValueError: + return "输入的格式不正确，请确保是两个用逗号分隔的整数，例如：'100,25'" + + +@tool +def search_weather(city: str) -> str: + """用于查询指定城市的实时天气。""" + print(f"正在查询天气: {city}") + if "北京" in city: + return "北京今天是晴天，气温25摄氏度。" + elif "上海" in city: + return "上海今天是阴天，有小雨，气温22摄氏度。" + else: + return f"抱歉，我没有'{city}'的天气信息。" + + +# 将工具列表放入一个变量 +tools = [multiply, search_weather] + +# 3.定义规划器 (Planner) 和执行者 (Executor) 的 Prompt +# 3.1 规划器的 Prompt +# 规划器的职责是分析用户任务，并将其分解成一系列简单的、可执行的子任务。 +planner_prompt = ChatPromptTemplate.from_template( + """你是一个任务规划师，你的工作是将用户提出的一个复杂任务分解成一系列清晰、可执行的步骤。 + 你的输出应该是一个简单的任务列表，每行一个任务。 + + 例子: + 用户任务: "请先查上海的天气，然后计算20乘以30。" + 任务列表: + - 查找上海的天气 + - 计算20乘以30的结果 + + 用户任务: {user_input} + 任务列表: + """ +) +# 规划器链，它只负责生成文本化的任务列表 +planner_chain = planner_prompt | llm | StrOutputParser() + +# 3.2 执行者的 Prompt +# 执行者的职责是执行单个任务。在这里，我们使用 ReAct 模式作为执行者，因为它能根据任务描述选择并调用正确的工具。 +# 注意：我们使用一个简化版的 ReAct Prompt，因为它只需要处理单个任务。 +executor_react_prompt_template = """你是一个专业的工具执行者，可以访问以下工具： + +{tools} + +根据你的思考（Thought）决定下一步的行动（Action）。你的行动必须遵循以下格式： +Thought: 我需要思考如何完成任务。 +Action: [工具名称] +Action Input: [工具的输入参数，对于multiply工具，请使用'100,25'这样的格式] + +可用的工具名称有: {tool_names} + +当你获取了所有必要信息并可以给出最终答案时，请以以下格式结束： +Thought: 我已经有了最终答案。 +Final Answer: [最终答案] + +请执行以下任务： +{input} +{agent_scratchpad} +""" +executor_prompt = ChatPromptTemplate.from_template(executor_react_prompt_template) + +# 4.创建 ReAct Agent 作为执行者 +executor_agent = create_react_agent(llm, tools, executor_prompt) +executor_executor = AgentExecutor( + agent=executor_agent, + tools=tools, + verbose=True, + handle_parsing_errors=True # 启用错误处理，自动重试解析错误 +) + + +# 5.定义并运行规划模式的工作流 +def execute_planning_pattern(query: str): + print("--- 启动规划模式 ---") + + # 规划器分解任务 + print("\n规划器正在分解任务...") + plan = planner_chain.invoke({"user_input": query}) + tasks = [task.strip() for task in plan.split('\n') if task.strip()] + print("规划器生成的任务列表:") + for i, task in enumerate(tasks): + print(f" {i + 1}. {task}") + + # 执行者逐一执行任务 + print("\n执行者正在逐一执行任务...") + for i, task in enumerate(tasks): + print(f"\n--- 执行任务 {i + 1}: {task} ---") + executor_executor.invoke({"input": task}) + + print("\n--- 所有任务执行完毕！---") + + +if __name__ == "__main__": + test_query = "请先计算 50 乘以 60 的结果，然后告诉我上海的天气怎么样？" + execute_planning_pattern(test_query) \ No newline at end of file diff --git a/demo_agent/react_agent.py b/demo_agent/react_agent.py new file mode 100644 index 0000000..221747e --- /dev/null +++ b/demo_agent/react_agent.py @@ -0,0 +1,106 @@ +from langchain_openai import ChatOpenAI +from langchain_core.tools import tool +from langchain_core.prompts import ChatPromptTemplate +from langchain.agents import AgentExecutor, create_react_agent +from conf import settings + +# 创建模型 +llm = ChatOpenAI( + base_url=settings.base_url, + api_key=settings.api_key, + model=settings.model_name, + temperature=0.1 +) + +# 2.定义工具 +# 关键修改：重写 multiply 工具，使其只接受一个字符串参数，并在内部解析。 +@tool +def multiply(numbers_str: str) -> int: + """用于计算两个整数的乘积。 + + 参数: + numbers_str (str): 包含两个整数的字符串，用逗号分隔，例如："100,25"。 + 返回: + int: 两个整数的乘积。 + """ + print(f"正在执行乘法: {numbers_str}") + try: + a_str, b_str = numbers_str.split(',') + a = int(a_str.strip()) + b = int(b_str.strip()) + return a * b + except ValueError: + return "输入的格式不正确，请确保是两个用逗号分隔的整数，例如：'100,25'" + +@tool +def search_weather(city: str) -> str: + """用于查询指定城市的实时天气。""" + print(f"正在查询天气: {city}") + if "北京" in city: + return "北京今天是晴天，气温25摄氏度。" + elif "上海" in city: + return "上海今天是阴天，有小雨，气温22摄氏度。" + else: + return f"抱歉，我没有'{city}'的天气信息。" + +# 将工具列表放入一个变量 +tools = [multiply, search_weather] + +# 3.自定义 ReAct 风格的 Prompt +react_prompt_template = """你是一个有用的 AI 助手，可以访问以下工具： + +{tools} + +请根据用户输入一步步推理，并按以下规则操作： +1. 每次输出只能包含一个动作（Action 和 Action Input）或一个最终答案（Final Answer）。 +2. 如果用户输入包含多个任务，依次处理每个任务，不要一次性输出所有步骤。 +3. 每次行动前，说明你的思考（Thought），并选择合适的工具或直接给出最终答案。 +4. 如果需要使用工具，格式必须为： + Thought: [你的思考] + Action: [工具名称] + Action Input: [工具的输入参数，例如对于multiply工具，使用'100,25'格式] +5. 如果可以直接回答或所有任务都完成，格式为： + Thought: [你的思考] + Final Answer: [最终答案] + +可用的工具名称有: {tool_names} + +用户输入: {input} +{agent_scratchpad} +""" + +react_prompt = ChatPromptTemplate.from_template(react_prompt_template) + +# 4.创建 ReAct 风格的 Agent +react_agent = create_react_agent(llm, tools, react_prompt) + +# 5.创建 Agent Executor +react_executor = AgentExecutor( + agent=react_agent, + tools=tools, + verbose=True, + handle_parsing_errors=True # 启用错误处理，自动重试解析错误 +) + +# 6: 运行并测试 Agent +if __name__ == "__main__": + # 测试用例1: 查询天气 + print("--- 运行Agent，查询: 上海今天的天气怎么样？ ---") + response_weather = react_executor.invoke({"input": "上海今天的天气怎么样？"}) + print(f"\n--- Agent响应: ---") + print(response_weather.get("output", "没有找到输出。")) + print("-" * 30 + "\n") + + # 测试用例2: 数学计算 + print("--- 运行Agent，查询: 100乘以25等于多少？ ---") + response_math = react_executor.invoke({"input": "100乘以25等于多少？"}) + print(f"\n--- Agent响应: ---") + print(response_math.get("output", "没有找到输出。")) + print("-" * 30 + "\n") + + # 测试用例3: 包含多个任务 + print("--- 运行Agent，查询: 100乘以25等于多少？ 上海的天气如何？ ---") + response_multi = react_executor.invoke({"input": "100乘以25等于多少？ 上海的天气如何？"}) + print(f"\n--- Agent响应: ---") + print(response_multi.get("output", "没有找到输出。")) + print("-" * 30 + "\n") \ No newline at end of file diff --git a/demo_agent/reflection_agent.py b/demo_agent/reflection_agent.py new file mode 100644 index 0000000..a174c22 --- /dev/null +++ b/demo_agent/reflection_agent.py @@ -0,0 +1,71 @@ +from langchain_openai import ChatOpenAI +from langchain_core.prompts import ChatPromptTemplate +from langchain_core.output_parsers import StrOutputParser +from conf import settings + +# 创建模型 +llm = ChatOpenAI( + base_url=settings.base_url, + api_key=settings.api_key, + model=settings.model_name, + temperature=0.1 +) + +# 3.初始响应 Prompt: 用于生成第一次的回答 +initial_response_prompt = ChatPromptTemplate.from_template( + "请根据以下问题给出你的初步回答: {question}" +) +initial_response_chain = initial_response_prompt | llm | StrOutputParser() + +# 4.反思 Prompt: 用于接收用户反馈并优化回答 +reflection_prompt = ChatPromptTemplate.from_template( + """你是一个专业的、善于反思的AI助手。你之前给出了以下回答： +--- +{previous_response} +--- +现在，你收到了用户对你的回答给出的反馈： +--- +{user_feedback} +--- +请根据用户的反馈，认真反思你之前的回答，并生成一个更准确、更完善的新回答。 +新回答:""" +) +reflection_chain = reflection_prompt | llm | StrOutputParser() + + +# 5.模拟反射过程 +def reflect_and_refine(query: str, feedback: str): + """模拟一个完整的反射过程，从初始响应到优化后的响应。""" + + print("--- 启动反射模式 ---") + print(f"用户查询: {query}") + + # LLM 生成初步响应 + print("\n生成初步响应...") + initial_response = initial_response_chain.invoke({"question": query}) + print(f"LLM 初步响应:\n{initial_response}") + + # 模拟用户反馈 + print(f"\n用户反馈:\n{feedback}") + + # LLM 进行反思，并生成新的回答 + print("\nLLM 正在反思并生成新响应...") + refined_response = reflection_chain.invoke({ + "previous_response": initial_response, + "user_feedback": feedback + }) + + print("\n--- LLM 经过反思后的新响应 ---") + print(refined_response) + + return refined_response + + +# 6.运行并测试 +if __name__ == "__main__": + # 模拟用户查询 + initial_question = "请用一句话介绍一下 LangChain。" + # 模拟用户反馈，指出初步回答的不足 + user_feedback_text = "你的回答太简单了，请更详细地解释一下 LangChain 的核心概念，比如 Agent 和 Chain 的区别。" + # 运行反射过程 + reflect_and_refine(initial_question, user_feedback_text) \ No newline at end of file diff --git a/demo_agent/tool_calling_agent.py b/demo_agent/tool_calling_agent.py new file mode 100644 index 0000000..8b2712f --- /dev/null +++ b/demo_agent/tool_calling_agent.py @@ -0,0 +1,69 @@ +from langchain_core.prompts import ChatPromptTemplate +from langchain_openai import ChatOpenAI +from langchain_core.tools import tool +from langchain.agents import AgentExecutor, create_tool_calling_agent, create_react_agent +from conf import settings + +# 创建模型 +llm = ChatOpenAI( + base_url=settings.base_url, + api_key=settings.api_key, + model=settings.model_name, + temperature=0.1 +) + +# 2.定义工具 +@tool +def multiply(a: int, b: int) -> int: + """用于计算两个整数的乘积。""" + print(f"正在执行乘法: {a} * {b}") + + return a * b + +@tool +def search_weather(city: str) -> str: + """用于查询指定城市的实时天气。""" + print(f"正在查询天气: {city}") + if "北京" in city: + return "北京今天是晴天，气温25摄氏度。" + elif "上海" in city: + return "上海今天是阴天，有小雨，气温22摄氏度。" + else: + return f"抱歉，我没有'{city}'的天气信息。" + +# 将工具列表放入一个变量 +tools = [multiply, search_weather] + + +# 3.定义一个提示模板，用于控制Agent的思考过程和工具调用 +tool_use_prompt = ChatPromptTemplate.from_messages([ + ("system", "你是一个强大的AI助手，可以访问和使用各种工具来回答问题。请根据用户的问题，决定是否需要调用工具。当需要调用工具时，请使用正确的JSON格式。"), + ("user", "{input}"), + ("placeholder", "{agent_scratchpad}") # 这个占位符用于保存 Agent 的思考过程和工具调用历史 +]) + +# 4.创建一个 LLM 能够识别和使用的 Agent +# 使用 create_tool_calling_agent 函数，它能让 LLM 自动判断何时以及如何调用工具 +tool_calling_agent = create_tool_calling_agent(llm, tools, tool_use_prompt) + +# 5.创建 Agent Executor +# AgentExecutor 负责 Agent 和工具之间的协调 +tool_use_executor = AgentExecutor( + agent=tool_calling_agent, + tools=tools, + verbose=True # 开启 verbose 模式，可以打印详细的执行过程 +) + +# 6.通用的执行函数，用于运行agent并打印结果 +def run_agent_and_print(agent_executor, query): + """一个通用函数，用于运行Agent并打印结果。""" + print(f"--- 运行Agent，查询: {query} ---") + response = agent_executor.invoke({"input": query}) + print(f"\n--- Agent响应: ---") + print(response.get("output", "没有找到输出。")) + print("-" * 30 + "\n") + + +if __name__ == "__main__": + run_agent_and_print(tool_use_executor, "上海今天的天气怎么样？") + run_agent_and_print(tool_use_executor, "30乘以5等于多少？ 上海天气怎么样") \ No newline at end of file diff --git a/demo_function_call/json_schema.py b/demo_function_call/json_schema.py index 8a98f54..04b0294 100644 --- a/demo_function_call/json_schema.py +++ b/demo_function_call/json_schema.py @@ -81,7 +81,7 @@ llm_with_tools = llm.bind(tools=tools, tool_choice="auto") # todo: 第三步：调用回复 -query = "2+1等于多少？" +query = "2*10+1？" messages = [HumanMessage(query)] try: diff --git a/demo_mcp/a2a_agent.py b/demo_mcp/a2a_agent.py new file mode 100644 index 0000000..6d7422e --- /dev/null +++ b/demo_mcp/a2a_agent.py @@ -0,0 +1,74 @@ +import asyncio +import json +import logging +from langchain.agents import create_tool_calling_agent, AgentExecutor +from langchain_core.prompts import ChatPromptTemplate +from langchain_openai import ChatOpenAI +from python_a2a.mcp import MCPClient +from python_a2a.langchain import to_langchain_tool +from conf import settings + +# 配置日志 +logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s') +logger = logging.getLogger(__name__) + +# 创建模型 +llm = ChatOpenAI( + base_url=settings.base_url, + api_key=settings.api_key, + model=settings.model_name, + temperature=0.1 +) + +async def test_mcp_tools(): + # 连接到服务端，端口 8000 + client = MCPClient("http://localhost:8010") + try: + # 步骤 1：获取可用工具列表 + tools = await client.get_tools() + logger.info("可用工具列表：") + for tool in tools: + print(tool) + logger.info(f"- {tool.get('name', '未知')}: {tool.get('description', '无描述')}") + + # 将 MCP tool 转成 LangChain 的工具 + get_weather_tool = to_langchain_tool("http://localhost:8010", "get_weather") + query_high_frequency_question = to_langchain_tool("http://localhost:8010", "query_high_frequency_question") + tools=[get_weather_tool, query_high_frequency_question] + + # 创建prompt模板 + prompt_template = ChatPromptTemplate.from_messages([ + ("system", "你是一个乐于助人的助手，能够调用工具回答用户问题。工具不需要传参。"), + ("human", "{input}"), + ("placeholder", "{agent_scratchpad}"), + ]) + + # 构建工具调用代理 + agent = create_tool_calling_agent(llm, tools, prompt_template) + + # 创建代理执行器 + agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) + + # 代理调用 + print("MCP客户端启动，输入'quit'退出") + while True: + # 接收用户查询 + query = input("\nQuery: ").strip() + if query.lower() == "quit": + break + # 发送用户查询给代理，并打印 + try: + response = await agent_executor.ainvoke({"input": query}) + print(f"response-->{response}") + except Exception: + print("解析有问题") + except Exception as e: + logger.error(f"MCP 客户端出错：{str(e)}", exc_info=True) + finally: + await client.close() + +async def main(): + await test_mcp_tools() + +if __name__ == "__main__": + asyncio.run(main()) \ No newline at end of file diff --git a/demo_mcp/a2a_client.py b/demo_mcp/a2a_client.py new file mode 100644 index 0000000..aee94ad --- /dev/null +++ b/demo_mcp/a2a_client.py @@ -0,0 +1,38 @@ +import asyncio +import logging +from python_a2a.mcp import MCPClient + +# 配置日志 +logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s') +logger = logging.getLogger(__name__) + +async def test_mcp_tools(): + # 连接到服务端，端口 8010 + client = MCPClient("http://localhost:8010") + try: + # 步骤 1：获取可用工具列表 + tools = await client.get_tools() + logger.info("可用工具列表：") + for tool in tools: + print(tool) + logger.info(f"- {tool.get('name', '未知')}: {tool.get('description', '无描述')}") + + # 步骤 2：调用查询高频问题工具 + result_qhf = await client.call_tool("query_high_frequency_question") + logger.info(f"高频问题查询结果：{result_qhf}") + + # 步骤 3：调用查询天气工具 + result_weather = await client.call_tool("get_weather") + logger.info(f"天气查询结果：{result_weather}") + + except Exception as e: + logger.error(f"MCP 客户端出错：{str(e)}", exc_info=True) + finally: + await client.close() + +async def main(): + await test_mcp_tools() + + +if __name__ == "__main__": + asyncio.run(main()) \ No newline at end of file diff --git a/demo_mcp/a2a_server.py b/demo_mcp/a2a_server.py new file mode 100644 index 0000000..4fdebdc --- /dev/null +++ b/demo_mcp/a2a_server.py @@ -0,0 +1,65 @@ +import logging +import uvicorn +from python_a2a.mcp import FastMCP, create_fastapi_app + +# 配置日志，方便调试 +logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s') +logger = logging.getLogger(__name__) + +# 创建 MCP 服务器实例 +mcp = FastMCP( + name="MyMCPTools", + description="提供高频问题和天气查询工具", + version="1.0.0" +) + +# 定义工具 1：查询高频问题 +@mcp.tool( + name="query_high_frequency_question", + description="获取知识库中的高频问答，返回 JSON 数据", +) +async def query_high_frequency_question(**kwargs) -> str: + """ + query_high_frequency_question 不需要任何传参 + 查询高频问题并返回答案 + 返回示例：[{"question_id": 1, "question_text": "恐龙怎么灭绝", "answer_text": "小行星撞击", ...}] + """ + try: + logger.info(f"调用查询高频问题的工具，参数为：{kwargs}") + return '{"status": "success", "data": [{"question_id": 1, "question_text": "恐龙是怎么灭绝的？", "answer_text": "可能是小行星撞击", "category": "历史", "frequency_score": 0.9}]}' + except Exception as e: + logger.error(f"查询高频问题出错: {str(e)}") + raise + +# 定义工具 2：查询天气 +@mcp.tool( + name="get_weather", + description="查询天气", +) +async def get_weather(**kwargs) -> str: + """ + get_weather 不需要任何传参 + 查询天气并返回结果 + 返回示例：{"status": "success", "data": "北京的天气是多云"} + """ + try: + logger.info(f"调用查询天气的工具，参数为{kwargs}") + return '{"status": "success", "data": "北京的天气是多云"}' + except Exception as e: + logger.error(f"查询天气出错: {str(e)}") + raise + +# 启动服务器 +def start_server(): + logger.info("=== MCP 服务器信息 ===") + logger.info(f"名称: {mcp.name}") + logger.info(f"描述: {mcp.description}") + + port = 8010 + app = create_fastapi_app(mcp) + logger.info(f"启动 MCP 服务器于 http://localhost:{port}") + uvicorn.run(app, host="0.0.0.0", port=port) + + +if __name__ == "__main__": + start_server() \ No newline at end of file diff --git a/demo_mcp/sse_agent.py b/demo_mcp/sse_agent.py new file mode 100644 index 0000000..fe22be4 --- /dev/null +++ b/demo_mcp/sse_agent.py @@ -0,0 +1,69 @@ +import json +import asyncio +from langchain_openai import ChatOpenAI +from mcp import ClientSession +from mcp.client.sse import sse_client +from langchain_mcp_adapters.tools import load_mcp_tools +from langchain.agents import create_tool_calling_agent, AgentExecutor +from langchain_core.prompts import ChatPromptTemplate +from conf import settings + +# 创建模型 +llm = ChatOpenAI( + base_url=settings.base_url, + api_key=settings.api_key, + model=settings.model_name, + temperature=0.1 +) + +# MCP server URL for SSE connection +server_url = "http://localhost:8001/sse" + +# 定义mcp客户端 +mcp_client = None + +# Main async function: connect, load tools, create agent, run chat loop +async def run_agent(): + global mcp_client + # 启动 MCP server，通过 SSE 建立异步连接。 + async with sse_client(url=server_url) as streams: + # 使用读写通道创建 MCP 会话 + async with ClientSession(*streams) as session: + await session.initialize() + # 动态创建一个临时类 MCPClientHolder，把 session 放进去。这样就可以在函数外部通过 mcp_client.session 调用 MCP 工具 + mcp_client = type("MCPClientHolder", (), {"session": session})() + + # 从 session 自动获取 MCP server 提供的工具列表。 + tools = await load_mcp_tools(session) + # print(f"tools-->{tools}") + + # 创建prompt模板 + prompt_template = ChatPromptTemplate.from_messages([ + ("system", "你是一个乐于助人的助手，能够调用工具回答用户问题。"), + ("human", "{input}"), + ("placeholder", "{agent_scratchpad}"), + ]) + + # 构建工具调用代理 + agent = create_tool_calling_agent(llm, tools, prompt_template) + + # 创建代理执行器 + agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) + + # 代理调用 + print("MCP客户端启动，输入'quit'退出") + while True: + # 接收用户查询 + query = input("\nQuery: ").strip() + if query.lower() == "quit": + break + # 发送用户查询给代理，并打印 + try: + response = await agent_executor.ainvoke({"input": query}) + print(f"response-->{response}") + except Exception: + print("解析有问题") + return + +if __name__ == "__main__": + asyncio.run(run_agent()) \ No newline at end of file diff --git a/demo_mcp/sse_client.py b/demo_mcp/sse_client.py new file mode 100644 index 0000000..99c23c5 --- /dev/null +++ b/demo_mcp/sse_client.py @@ -0,0 +1,34 @@ +import asyncio +from mcp import ClientSession +from mcp.client.sse import sse_client +from langchain_mcp_adapters.tools import load_mcp_tools + +# MCP server URL for SSE connection +server_url = "http://localhost:8001/sse" + +# 定义mcp客户端 +mcp_client = None + +# 主要的异步函数run_agent +async def run(): + global mcp_client + # 启动 MCP server，通过 SSE 建立异步连接。 + async with sse_client(url=server_url) as streams: + # 使用读写通道创建 MCP 会话 + async with ClientSession(*streams) as session: + await session.initialize() + # 动态创建一个临时类 MCPClientHolder，把 session 放进去。这样就可以在函数外部通过 mcp_client.session 调用 MCP 工具 + mcp_client = type("MCPClientHolder", (), {"session": session})() + + # 从 session 自动获取 MCP server 提供的工具列表。 + tools = await load_mcp_tools(session) + # print(f"tools-->{tools}") + + # 调用 MCP server 的 get_weather 工具 + response=await session.call_tool("get_weather", arguments={}) + print(f"response-->{response}") + + +# 启动运行agent +if __name__ == "__main__": + asyncio.run(run()) \ No newline at end of file diff --git a/demo_mcp/sse_server.py b/demo_mcp/sse_server.py new file mode 100644 index 0000000..723acec --- /dev/null +++ b/demo_mcp/sse_server.py @@ -0,0 +1,53 @@ +from mcp.server.fastmcp import FastMCP + + +# 在创建FastMCP实例时指定host和port +mcp = FastMCP("sdg", log_level="ERROR", host="127.0.0.1", port=8001) + +@mcp.tool( + name="query_high_frequency_question", + description="从知识库中检索常见问题解答（FAQ）,返回包含问题和答案的结构化JSON数据。", +) +async def query_high_frequency_question() -> str: + """ + 高频问题查询 + """ + try: + print("调用查询高频问题的tool成功！！") + return "高频问题是: 恐龙是怎么灭绝的？" + except Exception as e: + print(f"Unexpected error in question retrieval: {str(e)}") + raise + +@mcp.tool( + name="get_weather", + description="查询天气" +) +async def get_weather() -> str: + """ + 查询天气的tools + """ + try: + print("调用查询天气的tools") + return "北京的天气是多云" + except Exception as e: + print(f"Unexpected error in question retrieval: {str(e)}") + raise + + +def main(): + print("正在启动MCP SSE服务器...") + print("SSE端点: http://localhost:8001/sse") + print("按 Ctrl+C 停止服务器") + + try: + # 运行SSE服务器 + mcp.run(transport="sse") + except KeyboardInterrupt: + print("\n服务器已停止") + except Exception as e: + print(f"服务器启动失败: {e}") + + +if __name__ == "__main__": + main() \ No newline at end of file diff --git a/demo_mcp/stdio_agent.py b/demo_mcp/stdio_agent.py new file mode 100644 index 0000000..1dc4eb7 --- /dev/null +++ b/demo_mcp/stdio_agent.py @@ -0,0 +1,78 @@ +import os +import sys +sys.path.append(os.path.join(os.path.dirname(__file__), "../../..")) +import asyncio +from langchain_mcp_adapters.tools import load_mcp_tools +from langchain_openai import ChatOpenAI +from langchain.agents import create_tool_calling_agent, AgentExecutor +from langchain_core.prompts import ChatPromptTemplate +from mcp import ClientSession, StdioServerParameters +from mcp.client.stdio import stdio_client +from conf import settings + +# 创建模型 +llm = ChatOpenAI( + base_url=settings.base_url, + api_key=settings.api_key, + model=settings.model_name, + temperature=0.1 +) + +# 配置mcp服务器脚本路径 +server_script = r".\stdio_server.py" + +# 配置mcp服务器启动参数 +server_params = StdioServerParameters( + command="python" if server_script.endswith(".py") else "node", + args=[server_script], +) + +# 定义mcp客户端 +mcp_client = None + +# 主要的异步函数run_agent +async def run_agent(): + global mcp_client + # 启动 MCP server，并通过标准输入输出建立异步连接。 + async with stdio_client(server_params) as (read, write): + # 使用读写通道创建 MCP 会话。 + async with ClientSession(read, write) as session: + # 初始化会话 + await session.initialize() + # 动态创建一个临时类 MCPClientHolder，把 session 放进去。这样就可以在函数外部通过 mcp_client.session 调用 MCP 工具 + mcp_client = type("MCPClientHolder", (), {"session": session})() + + # 从 session 自动获取 MCP server 提供的工具列表 + tools = await load_mcp_tools(session) + # print(f"tools-->{tools}") + + # 创建prompt模板 + prompt_template = ChatPromptTemplate.from_messages([ + ("system", "你是一个乐于助人的助手，能够调用工具回答用户问题。"), + ("human", "{input}"), + ("placeholder", "{agent_scratchpad}"), + ]) + + # 构建工具调用代理 + agent = create_tool_calling_agent(llm, tools, prompt_template) + + # 创建代理执行器 + agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) + + # 代理调用 + print("MCP客户端启动，输入'quit'退出") + while True: + # 接收用户查询 + query = input("\nQuery: ").strip() + if query.lower() == "quit": + break + # 发送用户查询给代理，并打印 + try: + response = await agent_executor.ainvoke({"input": query}) + print(f"response-->{response}") + except Exception: + print("解析有问题") + return + +if __name__ == "__main__": + asyncio.run(run_agent()) \ No newline at end of file diff --git a/demo_mcp/stdio_client.py b/demo_mcp/stdio_client.py new file mode 100644 index 0000000..3749aa9 --- /dev/null +++ b/demo_mcp/stdio_client.py @@ -0,0 +1,57 @@ +import asyncio +from langchain_mcp_adapters.tools import load_mcp_tools +from mcp import ClientSession, StdioServerParameters +from mcp.client.stdio import stdio_client + +# 配置mcp服务器脚本路径 +server_script = r".\stdio_server.py" + +# 配置mcp服务器启动参数 +server_params = StdioServerParameters( + command="python" if server_script.endswith(".py") else "node", + args=[server_script], +) + +# 定义mcp客户端 +mcp_client = None + +# 主要的异步函数run_agent +async def run(): + global mcp_client + # 启动 MCP server，并通过标准输入输出建立异步连接。 + async with stdio_client(server_params) as (read, write): + # 使用读写通道创建 MCP 会话。 + async with ClientSession(read, write) as session: + await session.initialize() + # 动态创建一个临时类 MCPClientHolder，把 session 放进去。这样就可以在函数外部通过 mcp_client.session 调用 MCP 工具 + mcp_client = type("MCPClientHolder", (), {"session": session})() + + # 从 session 自动获取 MCP server 提供的工具列表。 + tools = await load_mcp_tools(session) + print(f"tools-->{tools}") + + # 调用 MCP server 的 get_weather 工具 + response = await session.call_tool("get_weather", arguments={}) + print(f"response-->{response}") + return + +# 启动运行 +if __name__ == "__main__": + asyncio.run(run()) + # tools -->[StructuredTool(name='query_high_frequency_question', + # description='从知识库中检索常见问题解答（FAQ）,返回包含问题和答案的结构化JSON数据。', + # args_schema={'properties': {}, 'title': 'query_high_frequency_questionArguments', + # 'type': 'object'}, response_format='content_and_artifact', + # coroutine= < function convert_mcp_tool_to_langchain_tool. < locals >.call_tool + # at + # 0x000001DB7A188FE0 >), StructuredTool(name='get_weather', description='查询天气', + # args_schema={'properties': {}, 'title': 'get_weatherArguments', + # 'type': 'object'}, response_format='content_and_artifact', + # coroutine= < function + # convert_mcp_tool_to_langchain_tool. < locals >.call_tool + # at + # 0x000001DB7A1E3060 >)] + # response -->meta = None + # content = [TextContent(type='text', text='北京的天气是多云', annotations=None, meta=None)] + # structuredContent = {'result': '北京的天气是多云'} + # isError = False \ No newline at end of file diff --git a/demo_mcp/stdio_server.py b/demo_mcp/stdio_server.py new file mode 100644 index 0000000..4532dee --- /dev/null +++ b/demo_mcp/stdio_server.py @@ -0,0 +1,38 @@ +from mcp.server.fastmcp import FastMCP + +mcp = FastMCP("sdg", log_level="ERROR") + +@mcp.tool( + name="query_high_frequency_question", + description="从知识库中检索常见问题解答（FAQ）,返回包含问题和答案的结构化JSON数据。", +) +async def query_high_frequency_question() -> str: + """ + 高频问题查询 + """ + try: + print("调用查询高频问题的tool成功！！") + return "高频问题是: 恐龙是怎么灭绝的？" + except Exception as e: + print(f"Unexpected error in question retrieval: {str(e)}") + raise + + +@mcp.tool( + name="get_weather", + description="查询天气" +) +async def get_weather() -> str: + """ + 查询天气的tools + """ + try: + print("调用查询天气的tools") + return "北京的天气是多云" + except Exception as e: + print(f"Unexpected error in question retrieval: {str(e)}") + raise + + +if __name__ == "__main__": + mcp.run(transport="stdio") \ No newline at end of file diff --git a/demo_mcp/streamable_agent.py b/demo_mcp/streamable_agent.py new file mode 100644 index 0000000..8a2f4e1 --- /dev/null +++ b/demo_mcp/streamable_agent.py @@ -0,0 +1,84 @@ +import json +import logging +import asyncio +from langchain_openai import ChatOpenAI +from mcp import ClientSession +from mcp.client.streamable_http import streamablehttp_client +from langchain_mcp_adapters.tools import load_mcp_tools +from langchain.agents import create_tool_calling_agent, AgentExecutor +from langchain_core.prompts import ChatPromptTemplate +from conf import settings + +# 创建模型 +llm = ChatOpenAI( + base_url=settings.base_url, + api_key=settings.api_key, + model=settings.model_name, + temperature=0.1 +) + +# MCP 服务器的 Streamable-HTTP 连接地址 +server_url = "http://127.0.0.1:8002/mcp" + +# 配置日志 +logging.basicConfig( + level=logging.DEBUG, # 提高日志级别以捕获更多信息 + format='[客户端] %(asctime)s - %(levelname)s - %(message)s' +) + +# 定义mcp客户端 +mcp_client = None + +async def run_agent(): + global mcp_client + logging.info(f"准备连接到 Streamable-HTTP 服务器: {server_url}") + # 启动 MCP server，通过streamable建立连接 + async with streamablehttp_client(server_url) as (read, write, _): + logging.info("连接已成功建立！") + # 使用读写通道创建 MCP 会话 + async with ClientSession(read, write) as session: + try: + await session.initialize() + logging.info("会话初始化成功，可以开始加载工具。") + # 动态创建一个临时类 MCPClientHolder，把 session 放进去。这样就可以在函数外部通过 mcp_client.session 调用 MCP 工具 + mcp_client = type("MCPClientHolder", (), {"session": session})() + + # 从 session 自动获取 MCP server 提供的工具列表。 + tools = await load_mcp_tools(session) + # print(f"tools-->{tools}") + + # 创建 agent 的提示模板 + prompt = ChatPromptTemplate.from_messages([ + ("system", "你是一个乐于助人的助手，能够调用工具回答用户问题。"), + ("human", "{input}"), + ("placeholder", "{agent_scratchpad}"), + ]) + + # 构建工具调用代理 + agent = create_tool_calling_agent(llm, tools, prompt) + + # 创建代理执行器 + agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) + + # 代理调用 + print("MCP客户端启动，输入'quit'退出") + while True: + query = input("\nQuery: ").strip() + if query.lower() == "quit": + break + # 发送用户查询到 agent 并打印格式化响应 + logging.info(f"处理用户查询: {query}") + try: + response = await agent_executor.ainvoke({"input": query}) + print(f"response-->{response}") + except Exception: + print("解析有问题") + except Exception as e: + logging.error(f"会话初始化或工具调用时发生错误: {e}", exc_info=True) + raise + +if __name__ == "__main__": + try: + asyncio.run(run_agent()) + except Exception as e: + logging.error(f"客户端运行失败: {e}", exc_info=True) \ No newline at end of file diff --git a/demo_mcp/streamable_client.py b/demo_mcp/streamable_client.py new file mode 100644 index 0000000..8bedf46 --- /dev/null +++ b/demo_mcp/streamable_client.py @@ -0,0 +1,63 @@ +import asyncio +import logging +from langchain_mcp_adapters.tools import load_mcp_tools +from mcp import ClientSession +from mcp.client.streamable_http import streamablehttp_client + +# 定义服务器地址 +server_url = "http://127.0.0.1:8002/mcp" + +# 定义mcp客户端 +mcp_client = None + +# 配置日志 +logging.basicConfig( + level=logging.DEBUG, # 提高日志级别以捕获更多信息 + format='[客户端] %(asctime)s - %(levelname)s - %(message)s' +) + +async def main(): + global mcp_client + logging.info(f"准备连接到 Streamable-HTTP 服务器: {server_url}") + try: + # 启动 MCP server，通过streamable建立连接 + async with streamablehttp_client(server_url) as (read, write, _): + logging.info("连接已成功建立！") + # 使用读写通道创建 MCP 会话 + async with ClientSession(read, write) as session: + try: + await session.initialize() + logging.info("会话初始化成功，可以开始调用工具。") + # 动态创建一个临时类 MCPClientHolder，把 session 放进去。这样就可以在函数外部通过 mcp_client.session 调用 MCP 工具 + mcp_client = type("MCPClientHolder", (), {"session": session})() + + # 从 session 自动获取 MCP server 提供的工具列表。 + tools = await load_mcp_tools(session) + # print(f"tools-->{tools}") + + # 调用远程工具 + logging.info("--> 正在调用工具: query_high_frequency_question") + response = await session.call_tool("query_high_frequency_question", {}) + print(f"response-->{response}") + logging.info(f"<-- 收到响应: {response}") + + print("-" * 30) + + logging.info("--> 正在调用工具: get_weather") + response = await session.call_tool("get_weather", {}) + print(f"response-->{response}") + logging.info(f"<-- 收到响应: {response}") + except Exception as e: + logging.error(f"调用工具时发生错误: {e}", exc_info=True) + raise + except Exception as e: + logging.error(f"连接或会话初始化时发生错误: {e}", exc_info=True) + logging.error("请确认服务端脚本已启动并运行在 http://127.0.0.1:8002/mcp") + raise + + +if __name__ == "__main__": + try: + asyncio.run(main()) + except Exception as e: + logging.error(f"客户端运行失败: {e}", exc_info=True) \ No newline at end of file diff --git a/demo_mcp/streamable_server.py b/demo_mcp/streamable_server.py new file mode 100644 index 0000000..913a398 --- /dev/null +++ b/demo_mcp/streamable_server.py @@ -0,0 +1,53 @@ +from mcp.server.fastmcp import FastMCP + +# 创建 MCP 实例，指定服务名称、日志级别、主机和端口 +mcp = FastMCP("sdg", log_level="ERROR", host="127.0.0.1", port=8002) + +@mcp.tool( + name="query_high_frequency_question", + description="从知识库中检索常见问题解答（FAQ）,返回包含问题和答案的结构化JSON数据。", +) +async def query_high_frequency_question() -> str: + """ + 高频问题查询 + """ + try: + print("调用查询高频问题的tool成功！！") + return "高频问题是: 恐龙是怎么灭绝的？" + except Exception as e: + print(f"Unexpected error in question retrieval: {str(e)}") + raise + +@mcp.tool( + name="get_weather", + description="查询天气" +) +async def get_weather() -> str: + """ + 查询天气的tools + """ + try: + print("调用查询天气的tools") + return "北京的天气是多云" + except Exception as e: + print(f"Unexpected error in question retrieval: {str(e)}") + raise + + +def main(): + """ + 启动 Streamable HTTP 服务器。 + """ + print("正在启动MCP Streamable服务器...") + print("服务器将在 http://localhost:8002 上运行") + print("按 Ctrl+C 停止服务器") + try: + mcp.run(transport="streamable-http") # 使用 streamable-http 传输方式 + except KeyboardInterrupt: + print("\n服务器已停止") + except Exception as e: + print(f"服务器启动失败: {e}") + + +if __name__ == "__main__": + main() \ No newline at end of file