Conversational Strategy Agent

MCPAI代理

提供方 karthicksundar95

AI代理 stdio · 本地进程 会话登录 社区 / 第三方
查看接入方式

一个基于推理的AI代理系统,通过感知→决策→行动循环解决复杂任务,具备智能记忆系统、多工具集成和自适应规划能力。

一句话选型结论

按资料字段整理

Conversational Strategy Agent 属于AI代理类 MCP 服务器,stdio · 本地进程,会话登录,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 鉴权会话登录 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本地部署语义搜索上下文感知多工具集成自动索引

安装与配置

stdio · 本地进程 会话登录
客户端在本机拉起子进程,数据不出本机
pip install -r requirements.txt

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 Node.js 等运行时,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。

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。
  • 使用前要准备好会话登录对应的凭据,并按最小权限配置。
  • 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。
  • 不方便管理密钥或第三方授权的人。
  • 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
Conversational Strategy Agent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karthicksundar95上游标注的维护方 karthicksundar95
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
鉴权方式会话登录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 · 未标注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

13.2 KB
来自项目仓库与上游目录的原文,未做删改

🧠 会话策略代理

一个推理驱动的人工智能代理系统,使用 感知→ 决定→ 行动 循环来解决复杂的任务。该代理利用多个MCP(模型上下文协议)服务器,通过语义搜索维护基于会话的内存,并使用基于LLM的规划来生成可执行的Python代码。

✨ 主要特点

  • 🧠 智能存储系统:通过自动索引在历史对话中进行语义搜索
  • 🔍 智能上下文感知:利用之前的对话提供上下文感知的答案
  • 🌐 Web内容处理:使用自动内存索引抓取、提取和汇总网页
  • 🛠️ 多工具集成:无缝集成数学、文档处理、网络搜索和内存工具
  • 🔄 适应性规划:具有自动重试机制的保守和探索性规划模式

🚀 快速开始```bash

Install dependencies

pip install -r requirements.txt

Set up environment variables

export OPENAI_API_KEY=your_api_key_here

Run the agent

python agent.py


## 📚 用法示例

### 示例1:来自历史记忆的直接回答

当你再次问同样的问题时,Cortex-R会直接从历史对话中检索答案,而无需任何工具调用。

**查询:**```
🧑 What do you want to solve today? → Find the ASCII values of characters in INDIA and then return sum of exponentials of those values.

终端输出:```
[23:19:01] [historical_check] 🔍 Checking historical conversations for direct answer...
[23:19:01] [historical_check] 📚 Found 5 relevant historical conversations

══════════════════════════════════════════════════════════════════════
║ ║
║ PATH: DIRECT_ANSWER ║
║ ║
║ Answer found completely in historical conversations ║
║ ║
══════════════════════════════════════════════════════════════════════

[23:19:02] [historical_check] ✅ Answer found in historical conversations - returning directly
[23:19:02] [agent] ✅ Direct answer from historical conversations - skipping tool loop

💡 Final Answer: {"ascii_values": [73, 78, 68, 73, 65], "exponential_sum": 7.59982224609308e+33}


**发生了什么:**

- 代理使用语义搜索搜索历史对话
- 从之前的对话中找到了完全匹配的内容
- 立即返回答案,没有任何工具调用
- 对话已自动编入索引,以备将来搜索

______________________________________________________________________

### 示例2:部分上下文+工具调用

当历史上下文提供部分信息时,Cortex-R会使用该上下文并调用适当的工具来完成任务。

**查询:**```
🧑 What do you want to solve today? → can you add 5 to ASCII values of INDIA

终端输出:```
[23:19:22] [historical_check] 🔍 Checking historical conversations for direct answer...
[23:19:23] [historical_check] 📚 Found 5 relevant historical conversations

══════════════════════════════════════════════════════════════════════
║ ║
║ PATH: CONTEXT_AWARE ║
║ ║
║ Relevant context found - will send to perception layer ║
║ ║
║────────────────────────────────────────────────────────────────────║
║ CONTEXT TAKEN FORWARD: ║
║────────────────────────────────────────────────────────────────────║
║ Previous conversations provide the ASCII values for the characters ║
║ in "INDIA" as [73, 78, 68, 73, 65]. However, the specific request ║
║ to add 5 to these ASCII values has not been directly answered. ║
║ ║
══════════════════════════════════════════════════════════════════════

[23:19:24] [historical_check] 📚 Relevant context found in history - will send to perception layer
[23:19:24] [agent] 📚 Proceeding to tool loop with historical context (will be sent to perception)
🔁 Step 1/5 starting...
[23:19:26] [perception] intent='Perform arithmetic operation on ASCII values'
entities=['5', 'ASCII', 'INDIA']
tool_hint='You can compute the new ASCII values by adding 5 to each of the previous ASCII values.'
selected_servers=['math']

[plan] async def solve():

USE the provided values from context - DO NOT call strings_to_chars_to_int!

ascii_values = [73, 78, 68, 73, 65] # From context

Now add 5 to each

result = []
for val in ascii_values:
add_result = await mcp.call_tool('add', {"input": {"a": val, "b": 5}})
result.append(json.loads(add_result.content[0].text)["result"])
return "FINAL_ANSWER: " + str(result)

[23:19:31] [sandbox] 🔧 Calling tool: add (call #1)
[23:19:31] [sandbox] ✅ Tool add completed
...

💡 Final Answer: [78, 83, 73, 78, 70]


**发生了什么:**

- 找到相关历史上下文(印度的ASCII值)
- 认识到上下文提供了部分信息
- 直接使用提供的ASCII值(未重新获取)
- 被称为 `add` 工具5次,每个值加5
- 结合历史背景和工具调用来完成任务

______________________________________________________________________

### 示例3:网页抓取和自动索引

Cortex-R可以抓取网页、提取内容、对其进行总结,并自动将其索引到内存中以供将来搜索。

**查询:**```
🧑 What do you want to solve today? → can you summarize this https://www.seldon.io/managing-realtime-ai-cost-in-production-a-practical-guide/

终端输出:```
[23:37:14] [historical_check] 🔍 Checking historical conversations for direct answer...
[23:37:15] [historical_check] 🆕 No relevant context in history - proceeding with traditional route
[23:37:15] [agent] 🆕 Proceeding to tool loop with fresh approach (no relevant history)
🔁 Step 1/5 starting...
[23:37:18] [perception] intent='summarize an article'
entities=['Seldon', 'AI', 'cost', 'production', 'guide']
selected_servers=['documents', 'websearch']

[plan] async def solve():
result = await mcp.call_tool('convert_webpage_url_into_markdown',
{"input": {"url": "https://www.seldon.io/..."}})
markdown = json.loads(result.content[0].text)["markdown"]
return "FURTHER_PROCESSING_REQUIRED: " + markdown

[23:37:20] [sandbox] 🔧 Calling tool: convert_webpage_url_into_markdown (call #1)
CAPTION: 🖼️ Attempting to caption image: https://www.seldon.io/wp-content/uploads/...
CAPTION: ✅ Caption generated: [Image descriptions]
[23:37:22] [sandbox] ✅ Tool convert_webpage_url_into_markdown completed

FURTHER_PROCESSING_REQUIRED: In the last three years adoption of AI across industries has increased by 56% [1]. This growth has translated into a surge of AI use-cases reaching production...

[23:37:22] [loop] 🔍 Content already provided - using LLM directly to analyze (bypassing tool selection)
[23:37:22] [loop] ✅ LLM direct analysis completed

💡 Final Answer: [Comprehensive summary of the article about managing real-time AI costs in production, including key strategies, cost breakdowns, and best practices...]

[conversation_indexer] Saved index with 35 conversations
[conversation_indexer] ✅ Indexed conversation: 2025/11/14/session-1...
[23:37:38] [agent] ✅ Conversation indexed for semantic search


**发生了什么:**

- 在查询中检测到URL并选择了适当的工具
- 称为 `convert_webpage_url_into_markdown` 提取干净的标记
- 网页中自动添加字幕的图像
- 使用LLM分析和总结内容
- **自动为整个对话建立索引** (查询+回答)记忆
- 以后对本文的查询将从内存中检索它

______________________________________________________________________

## 🏗️ 建筑

> **📄 架构图**:参见 `architecture_diagram.pdf` 用于系统架构的全面流程图可视化。

### 三路径历史语境体系

Cortex-R使用智能预检查层,为每个查询确定最佳路径:```
┌─────────────────────────────────────────┐
│   Historical Conversation Check          │
└─────────────────────────────────────────┘
│
┌───────────┴───────────┐
│                       │
▼                       ▼
┌───────────────┐      ┌───────────────┐
│ PATH 1:       │      │ PATH 2:       │
│ DIRECT_ANSWER │      │ CONTEXT_AWARE │
│               │      │               │
│ Answer found  │      │ Partial info  │
│ completely in │      │ found - use    │
│ history       │      │ with tools    │
└───────────────┘      └───────────────┘
│
▼
┌───────────────┐
│ PATH 3:       │
│ FRESH_APPROACH │
│               │
│ No relevant   │
│ context       │
└───────────────┘

关键组件

  1. 历史检查层 (modules/historical_check.py)
  • 使用语义搜索搜索历史对话
  • 使用LLM确定答案是否可用
  • 返回三个路径之一:DIRECT_ANSWER、CONTEXT_AWARE或FRESH_APPROACH
  1. 感知层 (modules/perception.py)
  • 分析用户意图和实体
  • 选择相关的MCP服务器
  • 可以接收历史上下文以通知工具选择
  1. 决策层 (modules/decision.py)
  • 生成可执行Python solve() 函数
  • 直接使用提供的上下文值(无需重新获取)
  • 处理工具选择和规划
  1. 动作层 (modules/action.py)
  • 在沙盒环境中执行生成的计划
  • 使用速率限制管理工具调用
  • 返回结果或 FURTHER_PROCESSING_REQUIRED
  1. 存储器系统 (modules/conversation_indexer.py)
  • 自动为所有对话建立索引
  • 使用FAISS进行语义搜索
  • 存储对话元数据和嵌入

🔧 配置

编辑 config/profiles.yaml 自定义:

  • LLM提供者:OpenAI、Gemini或Olama
  • 计划模式:保守型(每一步一个工具)或探索型(多个工具)
  • 内存设置:存储位置、摘要、标记
  • MCP服务器:添加或修改工具服务器

📝 详细功能

智能上下文重用

  • 无重新提取:当历史上下文提供值时,代理直接使用它们
  • 上下文感知工具选择:感知层接收历史背景,以做出更好的工具选择
  • 无关上下文过滤:自动检测并忽略不相关的历史上下文

Web内容处理

  • 清除Markdown提取:将网页转换为干净、可读的markdown
  • 图像描述:使用视觉模型自动为图像生成字幕
  • 自动索引:所有抓取的内容都已编入索引,以便将来进行语义搜索

环路预防

  • 严格的规则:当内容通过以下方式提供时 FURTHER_PROCESSING_REQUIRED,代理直接对其进行分析
  • LLM回退:如果检测到循环,系统会自动使用LLM来分析内容
  • 内容检测:自动检测内容何时已提供,并绕过工具选择

🛡️ 护栏

  • 查询验证:检查SQL注入、命令注入和其他安全威胁
  • 结果消毒:对最终输出中的个人身份信息和敏感信息进行消毒
  • 内容过滤:删除禁用词和脏话
  • 安全执行:带工具调用限制的沙盒Python执行

📊 存储器系统

所有对话都会自动编入索引:

  • 语义搜索:基于FAISS的矢量搜索,用于查找相关对话
  • 元数据存储:存储用户查询、最终答案和工具调用
  • 会话管理:按日期和会话ID组织对话

🎯 用例

  • 研究与总结:抓取和总结网络文章
  • 数据分析:根据前几次会议的上下文进行计算
  • 信息检索:从历史对话中寻找答案
  • 多步骤问题解决:将复杂任务分解为步骤

📸 截图

> 备注:在此处添加屏幕截图,显示:
>
> - 每个示例的终端输出
> - PATH选择框
> - 内存索引确认消息
> - 工具调用日志

🤝 贡献

这是一个学习项目。请随时探索代码库并提出改进建议!

📄 许可证

[在此处添加您的许可证]


内置于❤️ 使用MCP(模型上下文协议)、FAISS和现代LLM API

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
Conversational Strategy Agent 怎么安装?

在客户端按下面的安装命令接入:pip install -r requirements.txt。装完在客户端配置里引用同一个包或端点。

Conversational Strategy Agent 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。

Conversational Strategy Agent 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。

Conversational Strategy Agent 需要 API Key 吗?

资料标注需要会话登录认证,使用前准备好对应凭据,并按最小权限配置。

Conversational Strategy Agent 能提供哪些能力?

资料显示能力标签包括 AI代理、Python、上下文感知、搜索。具体工具清单以官方文档为准。

Conversational Strategy Agent 需要什么运行环境?

属于本地进程,需要在本机装好运行环境。

Conversational Strategy Agent 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。