🚀 MCP团队AI服务器

MCP团队AI服务器是一款基于Python的轻量级服务器，主要用于运行、管理和创建CrewAI工作流。该项目借助模型上下文协议（MCP）与大型语言模型（LLMs）及工具（如Claude Desktop或Cursor IDE）进行通信，能让您轻松协调多代理工作流。

🚀 快速开始

MCP团队AI服务器可帮助您轻松运行、管理和创建CrewAI工作流。您只需完成安装和配置，即可使用服务器来协调多代理工作流。

✨ 主要特性

• 自动配置：自动从两个YAML文件（agents.yml和tasks.yml）加载代理和任务的配置，无需为基本设置编写自定义代码。
• 命令行灵活性：通过命令行参数（--agents和--tasks）传递自定义路径到配置文件。
• 无缝工作流执行：通过MCP run_workflow工具轻松运行预配置的工作流。
• 本地开发：以标准输出模式运行服务器，适合开发和测试。

📦 安装指南

有几种方式可以安装MCP团队AI服务器：

选项1：从PyPI安装（推荐）

pip install mcp-crew-ai

选项2：从GitHub安装

pip install git+https://github.com/adam-paterson/mcp-crew-ai.git

选项3：克隆并安装

git clone https://github.com/adam-paterson/mcp-crew-ai.git
cd mcp-crew-ai
pip install -e .

先决条件

• Python 3.11+
• MCP SDK
• CrewAI
• PyYAML

📚 详细文档

配置

• agents.yml：定义代理的角色、目标和背景故事。
• tasks.yml：定义任务的描述、期望输出，并将其分配给代理。

示例agents.yml：

zookeeper:
  role: 狮子管理员
  goal: 管理动物园操作
  backstory: >
    您是一位经验丰富的动物园管理员，热爱野生动物保护...

示例tasks.yml：

write_stories:
  description: >
    编写一份吸引人的动物园更新，捕捉当天的亮点。
  expected_output: 5个 engaging故事
  agent: zookeeper
  output_file: zoo_report.md

使用方法

安装完成后，您可以使用以下方法运行MCP团队AI服务器：

标准Python命令

mcp-crew-ai --agents path/to/agents.yml --tasks path/to/tasks.yml

使用UV执行（uvx）

为了更流畅的体验，可以使用UV执行命令：

uvx mcp-crew-ai --agents path/to/agents.yml --tasks path/to/tasks.yml

或者直接运行服务器：

uvx mcp-crew-ai-server

这将使用环境变量启动默认配置的服务器。

命令行选项

高级用法

您还可以提供额外的变量来用于您的YAML模板：

mcp-crew-ai --agents examples/agents.yml --tasks examples/tasks.yml --topic "机器学习" --variables '{"year": 2025, "focus": "深度学习"}'

这些变量将替换YAML文件中的占位符。例如，{topic}将被替换为"机器学习"，{year}将被替换为"2025"。

📄 许可证

[此处添加许可证信息]

通过遵循上述步骤，您可以轻松地设置和使用MCP团队AI服务器来管理复杂的多代理工作流。