Autonomous Agent With MCP Zero 8d1ef7ad

MCPAI代理

提供方 Zouhair-Manar

AI代理 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

MCP-Zero是一个创新的框架,用于在基于大型语言模型(LLM)的代理系统中动态发现和请求外部工具,以减少上下文过载并增强代理的自主决策能力。

一句话选型结论

按资料字段整理

Autonomous Agent With MCP Zero 8d1ef7ad 属于AI代理类 MCP 服务器,stdio · 本地进程,无需鉴权,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类AI代理 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

AI代理
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

AI代理Python本地部署工具发现语义路由LLM集成模块化工作流

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
python get_server_summary.py

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Autonomous Agent With MCP Zero 8d1ef7ad当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方Zouhair-Manar上游标注的维护方 Zouhair-Manar
分类AI代理本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

6.4 KB
来自项目仓库与上游目录的原文,未做删改

Implementation de MCP-Zero : Découverte Active d'Outils dans un Agent AI

Ce projet présente l'implémentation de MCP-Zero, un framework innovant pour la découverte active d’outils dans les systèmes d’agents basés sur des grands modèles de langage (LLM). Contrairement aux approches traditionnelles qui injectent massivement les descriptions d’outils dans le contexte du modèle, MCP-Zero permet aux agents de demander dynamiquement les outils dont ils ont besoin, en fonction de leurs lacunes de capacités perçues.

Fonctionnalités principales

  • ✅ Découverte active d’outils (Active Tool Request) : L’agent identifie de lui-même ses besoins en outils externes et génère des requêtes structurées via des blocs ``.
  • 🔍 Routage sémantique hiérarchique : Un mécanisme en deux étapes filtre d’abord les serveurs MCP pertinents, puis classe les outils selon leur similarité sémantique.
  • 🔄 Extension itérative des capacités : L’agent peut raffiner ses requêtes et découvrir de nouveaux outils au fil de l’exécution, assurant une adaptation continue.
  • 📦 Construction du dataset MCP-Tools : Extraction, structuration et vectorisation des métadonnées des serveurs MCP pour une récupération efficace.
  • ⚙️ Orchestration via PocketFlow : Intégration dans un workflow modulaire basé sur des nodes, permettant une exécution fluide et configurable.
  • 🖥️ Interface interactive avec Gradio : Visualisation en temps réel des requêtes, décisions et outils découverts.

Objectifs du projet

  • Réduire drastiquement la surcharge contextuelle liée à l’injection massive d’outils.
  • Restaurer l’autonomie décisionnelle des agents en leur permettant de formuler activement leurs besoins.
  • Valider l’efficacité de MCP-Zero dans des scénarios réels d’agents autonomes.

Technologies utilisées

  • Python 3.8+
  • OpenAI GPT-4o, Qwen2.5, DeepSeek-r1 (modèles évalués)
  • text-embedding-3-large (OpenAI) pour les embeddings sémantiques
  • MCP Python SDK pour l’interaction avec les serveurs MCP
  • PocketFlow pour l’orchestration des workflows
  • Gradio pour l’interface utilisateur interactive
  • PyYAML pour le parsing des sorties structurées

Flow Diagram


Agent Architecture :```mermaid

flowchart TD
decide_node[Decide Node] -->|"Find Tool"| Tool_Matcher_Node[Tool Matcher Node]
Tool_Matcher_Node -->|"Return Found Tool"| decide_node
decide_node -->|"Call Tool"| execute_node[Execute Node]
decide_node -->|"Generate Final Response"| None((End))
execute_node -->|"Tool Result"| decide_node
decide_node -->|"On Error"| decide_node


## 📂 Structure du projet```plaintext
mcp-zero/
├── agent/                      # Code principal de l'agent
│   ├── main.py                 # Point d'entrée - interface et orchestration
│   ├── flow.py                 # Définition du flux d'exécution (nodes)
│   ├── node_s.py               # Implémentation des nodes (ToolMatcher, Decision, Execute)
│   ├── utils.py                # Fonctions utilitaires (LLM call, embedding, etc.)
│   ├── server_config.json      # Configuration des serveurs MCP (commandes de lancement)
│   └── requirements.txt        # Dépendances Python
│
├── mcp_build_tools_dataset/    # Scripts pour construire le dataset MCP-tools
│   ├── get_server_summary.py   # Génère les résumés et embeddings des serveurs
│   ├── server_summary.prompt   # Prompt utilisé pour générer les résumés
│   ├── readmes/                # Dossier pour stocker les README des serveurs MCP
│   └── output/                 # Dossier de sortie pour les fichiers générés
│       └── all_servers.json    # Dataset final (sortie)
│
└── README.md                   # Ce fichier

🛠️ Comment builder le dataset

  1. Mettre les README des serveurs MCP dans mcp_build_tools_dataset/readmes/.
  2. Le script get_server_summary.py va extraire les infos et générer un dataset JSON (all_servers.json) sous le schéma suivant :```json
    {
    "server_name": "string",
    "server_summary": "string",
    "server_description": "string",
    "tools": [
    {
    "name": "string",
    "description": "string",
    "parameter": {
    "param1": "(type) description1",
    "param2": "(Optional, type) description2"
    },
    "description_embedding": "..."
    }
    ],
    "description_embedding": "...",
    "summary_embedding": "..."
    }

3. Commande pour builder le dataset :```bash
cd mcp_build_tools_dataset
python get_server_summary.py

⚠️ Remarque importante :
Dans utils.py et get_server_summary.py, les fonctions call_llm et get_embedding et extract_info_for_readme ddéfinissent la manière d’appeler le modèle (LLM), de générer les embeddings, ainsi que de produire le JSON contenant les descriptions des serveurs et des outils à partir des fichiers README. La logique de ces fonctions reste à implémenter.


⚙️ Gestion des serveurs MCP

  • Ajouter un serveur personnalisé dans le dossier servers/.
  • Définir sa configuration de lancement dans server_config.json (commandes pour démarrer le serveur et exécuter ses outils).
  • Dans server_config.json, le champ server_name doit correspondre exactement au server_name défini dans all_servers.json.

🚀 Comment exécuter le projet

  1. Aller dans le dossier agent```bash
    cd agent

2. Installer les dépendances```bash
pip install -r requirements.txt
  1. Lancer l’applicationbash python main.py

📌 Description des fichiers

  • main.py → Point principal pour démarrer l’application. Contient l’interface et lie l’agent avec cette interface.
  • flow.py → Définition du flow de l’agent et instanciation des différents nodes.
  • node_s.py → Contient les Nodes :
  • ToolMatcherNode → Trouve le bon outil à utiliser.
  • DecisionNode → Décide l’action à entreprendre (via LLM).
  • ExecuteNode → Exécute l’outil sélectionné.
  • server_config.json → Configuration des serveurs MCP pour les démarrer et appeler leurs outils.
  • utils.py → Fonctions utilitaires (appel LLM, génération d’embeddings, parsing, etc.).
  • all_servers.json → Dataset MCP généré (conforme au schéma ci-dessus).
  • server_summary.prompt → Prompt passé au LLM pour générer les résumés de serveurs.

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
Autonomous Agent With MCP Zero 8d1ef7ad 怎么安装?

在客户端按下面的安装命令接入:python get_server_summary.py。装完在客户端配置里引用同一个包或端点。

Autonomous Agent With MCP Zero 8d1ef7ad 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

Autonomous Agent With MCP Zero 8d1ef7ad 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Autonomous Agent With MCP Zero 8d1ef7ad 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

Autonomous Agent With MCP Zero 8d1ef7ad 能提供哪些能力?

资料显示能力标签包括 AI代理、工具发现、Python。具体工具清单以官方文档为准。

Autonomous Agent With MCP Zero 8d1ef7ad 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

Autonomous Agent With MCP Zero 8d1ef7ad 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。