🚀 🤖 MCP多智能体深度研究系统

这是一个强大的多智能体研究系统，基于模型上下文协议（MCP）构建。它使用CrewAI进行智能体编排，LinkUp进行深度网络搜索，并借助phi3模型（通过Ollama）进行本地人工智能处理。该系统既提供API访问，又有美观的Web界面，方便用户开展研究工作。

🚀 快速开始

只需3个简单步骤即可开始使用：

# 1. 克隆仓库
git clone https://github.com/anubhav-77-dev/MCP-Multi-Agent-Deep-Researcher.git
cd MCP-Multi-Agent-Deep-Researcher

# 2. 运行设置脚本
python3 setup.py

# 3. 启动系统！
python3 launcher.py

就是这么简单！系统将自动在浏览器中打开 http://localhost:3000/frontend.html

✨ 主要特性

• 🧠 多智能体系统：三个专业的人工智能智能体协同工作
  • 网络搜索器：使用LinkUp API进行深度网络搜索
  • 研究分析师：进行信息综合与验证
  • 技术撰写员：创建清晰、结构化的内容
• 🌐 美观的Web界面：现代、响应式的前端，便于交互
• 🔌 API访问：基于FastAPI的RESTful API，并提供自动文档
• 🏠 本地人工智能处理：使用Ollama和phi3模型，无需外部人工智能API
• 📡 MCP协议：完全符合模型上下文协议，便于集成
• 🚀 一键启动：通过单个命令启动所有组件

📦 安装指南

选项1：自动设置（推荐）

# 克隆仓库
git clone https://github.com/anubhav-77-dev/MCP-Multi-Agent-Deep-Researcher.git
cd MCP-Multi-Agent-Deep-Researcher

# 运行自动设置脚本（检查依赖项、安装包、配置环境）
python3 setup.py

# 启动应用程序（同时启动前端和后端）
python3 launcher.py

选项2：手动设置

# 安装Poetry（如果尚未安装）
curl -sSL https://install.python-poetry.org | python3 -

# 安装项目依赖项
poetry install

# 安装Ollama（访问https://ollama.ai/ 获取特定操作系统的安装说明）
# 在macOS上：
brew install ollama

# 启动Ollama服务
ollama serve

# 拉取phi3模型（在新终端中）
ollama pull phi3:latest

# 验证安装
ollama list

# 复制环境模板
cp .env.example .env

# 编辑.env文件并添加你的LinkUp API密钥
nano .env

LINKUP_API_KEY=your_linkup_api_key_here
OLLAMA_BASE_URL=http://localhost:11434
MODEL_NAME=phi3:latest

# 选项A：使用启动器（推荐）
python3 launcher.py

# 选项B：手动启动服务
# 终端1 - 后端API
poetry run python Multi-Agent-deep-researcher-mcp-windows-linux/http_server.py

# 终端2 - 前端
python3 -m http.server 3000

# 终端3 - MCP服务器（可选，用于MCP客户端集成）
poetry run python Multi-Agent-deep-researcher-mcp-windows-linux/server.py

🔑 获取你的LinkUp API密钥

1. 访问 LinkUp.so
2. 注册一个免费账户
3. 从仪表盘获取你的API密钥
4. 将其添加到你的 .env 文件中

💻 使用示例

Web界面（最简单）

1. 启动应用程序：python3 launcher.py
2. 打开浏览器 访问 http://localhost:3000/frontend.html（自动打开）
3. 输入你的研究查询 或尝试示例查询
4. 选择你的模式：
   • 🔍 快速搜索：使用LinkUp API进行快速网络搜索
   • 🧠 全面研究：完整的多智能体分析工作流程
5. 查看结果，结果以格式化输出，支持复制/下载选项

API访问

快速搜索

curl -X POST http://localhost:8080/search \
  -H "Content-Type: application/json" \
  -d '{"query": "latest AI trends 2024"}'

全面研究

curl -X POST http://localhost:8080/research \
  -H "Content-Type: application/json" \
  -d '{"query": "comprehensive analysis of quantum computing applications"}'

健康检查

curl http://localhost:8080/health

MCP客户端集成

要与兼容MCP的客户端集成，请添加以下配置：

{
  "mcpServers": {
    "crew_research": {
      "command": "poetry",
      "args": ["run", "python", "Multi-Agent-deep-researcher-mcp-windows-linux/server.py"],
      "env": {
        "LINKUP_API_KEY": "your_linkup_api_key_here"
      }
    }
  }
}

可用端点

📚 详细文档

项目结构

MCP-Multi-Agent-Deep-Researcher/
├── 🚀 launcher.py                    # 一键启动器
├── 🌐 frontend.html                  # Web界面  
├── ⚙️ setup.py                       # 自动设置脚本
├── 📋 start.sh                       # Shell启动脚本
├── 📖 QUICKSTART.md                  # 快速开始指南
├── 🔧 Makefile                       # 开发命令
├── 📦 pyproject.toml                 # Poetry依赖项
├── 🔐 .env.example                   # 环境模板
├── ⚙️ mcp.config.json                # MCP客户端配置
└── Multi-Agent-deep-researcher-mcp-windows-linux/
    ├── 🖥️ server.py                  # MCP协议服务器
    ├── 🌐 http_server.py             # FastAPI REST服务器  
    ├── 🧪 test_research.py           # 测试工具
    └── agents/                       # 多智能体系统
        ├── 🤖 research_crew.py       # CrewAI编排
        └── tools/                    # 智能体工具
            ├── 🔍 linkup_search.py   # 网络搜索集成
            └── 🧠 ollama_tool.py     # 本地人工智能集成

示例查询

快速搜索示例

• "What are the latest AI trends in 2024?"
• "Current developments in renewable energy"
• "Recent breakthroughs in quantum computing"

全面研究示例

• "Comprehensive analysis of the environmental impact of cryptocurrency mining"
• "How does quantum computing work and what are its real-world applications?"
• "The future of autonomous vehicles: technology, challenges, and timeline"
• "Impact of artificial intelligence on healthcare: opportunities and risks"

智能体工作流程

该系统使用CrewAI编排三个专业智能体：

1. 网络搜索器智能体

• 角色：网络研究专家
• 目标：使用LinkUp API查找全面且相关的信息
• 工具：LinkUp搜索工具
• 输出：详细的网络搜索结果摘要及来源

2. 研究分析师智能体

• 角色：研究分析师
• 目标：分析和综合信息，提供全面的见解
• 输入：网络搜索结果
• 输出：结构化分析，包含关键见解和经过验证的信息

3. 技术撰写员智能体

• 角色：技术撰写员
• 目标：创建清晰、全面且结构良好的书面内容
• 输入：研究分析
• 输出：全面、格式良好的Markdown文档

配置

环境变量

• LINKUP_API_KEY：用于网络搜索功能的LinkUp API密钥
• OLLAMA_BASE_URL：Ollama API的基本URL（默认：http://localhost:11434）
• MODEL_NAME：要使用的Ollama模型（默认：phi3）

自定义智能体

你可以通过修改 agents/research_crew.py 来自定义智能体：

• 调整智能体的角色、目标和背景故事
• 修改任务描述和预期输出
• 为特定智能体添加或移除工具
• 更改流程（顺序、层次结构等）

🔧 技术细节

架构

该系统实现了一个三智能体工作流程：

1. 网络搜索器：使用LinkUp API从多个来源查找相关信息
2. 研究分析师：综合和验证信息，注重深度和清晰度
3. 技术撰写员：生成清晰、全面的Markdown答案

graph TD
    A[Web Interface] --> B[FastAPI Backend]
    B --> C[MCP Server]
    C --> D[CrewAI Orchestrator]
    D --> E[Web Searcher Agent]
    D --> F[Research Analyst Agent] 
    D --> G[Technical Writer Agent]
    E --> H[LinkUp API]
    F --> I[Ollama + phi3]
    G --> I
    H --> J[Web Search Results]
    I --> K[AI Analysis & Writing]
    J --> F
    K --> L[Final Research Output]

性能与扩展

• 快速搜索：约2 - 5秒（取决于LinkUp API）
• 全面研究：约30 - 60秒（取决于查询复杂度）
• 并发用户：支持多个同时请求
• 内存使用：约500MB - 1GB（取决于Ollama模型）
• 磁盘空间：约3GB（包括phi3模型）

安全与隐私

• ✅ 本地人工智能处理：不将数据发送到外部人工智能服务
• ✅ API密钥安全：LinkUp API密钥仅本地存储
• ✅ 无数据持久化：默认情况下不存储研究查询
• ✅ CORS保护：可配置来源限制
• ⚠️ 网络搜索：查询会发送到LinkUp API（请参阅其隐私政策）

🐛 故障排除

常见问题及解决方案

</details>

<details>
<summary><strong>🔗 Ollama连接失败</strong></summary>
```bash
# 检查Ollama是否正在运行
ollama serve

# 验证模型是否可用
ollama list

# 如果缺少模型，拉取模型
ollama pull phi3:latest

# 检查Ollama是否可访问
curl http://localhost:11434/api/tags

</details>

<details>
<summary><strong>🌐 CORS/前端问题</strong></summary>
- 确保两个服务器都在运行
- 检查浏览器控制台中的错误信息
- 尝试直接访问后端：`http://localhost:8080/health`
- 清除浏览器缓存并重新加载
</details>

### 获取帮助
1. **检查日志**：启动器会显示两个服务器的详细日志
2. **运行诊断**：`python3 setup.py` 验证设置
3. **测试组件**：`python3 simple_test.py` 进行单个测试
4. **启用调试模式**：在服务器文件中设置 `logging.basicConfig(level=logging.DEBUG)`

## 🛠️ 开发
### 快速命令
```bash
# 启动所有组件
make start          # 或 make launch, make demo

# 开发设置
make dev-setup      # 安装依赖项 + 设置 + 验证

# 运行测试
make test           # 基本功能测试
make quick-test     # 快速搜索测试  

# 维护
make clean          # 清理缓存文件
make verify         # 验证安装

custom_agent = Agent(
    role='Custom Specialist',
    goal='Your specific goal',
    backstory='Agent background',
    tools=[your_tools]
)

custom_task = Task(
    description="Task description",
    agent=custom_agent,
    expected_output="Expected result format"
)

class CustomTool(BaseTool):
    name = "Custom Tool"
    description = "Tool description"
    
    def _run(self, query: str) -> str:
        # 工具实现
        return result

# 分叉并克隆仓库
git clone https://github.com/anubhav-77-dev/MCP-Multi-Agent-Deep-Researcher.git
cd MCP-Multi-Agent-Deep-Researcher

# 安装开发依赖项
poetry install --with dev

# 运行预提交设置
pre-commit install