Datacamp MCP Multiagent Demo

MCPAI代理

提供方 mikikob-mongodb

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

一个基于LangGraph和MongoDB Atlas的多智能体系统,帮助用户准备职业晋升材料,包括目标角色定义、项目记录提取、影响力分析和导师发现。

一句话选型结论

按资料字段整理

Datacamp MCP Multiagent Demo 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 11 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

职业发展Python本地部署AI工作流多智能体系统MongoDBLangGraph

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
python3 --version

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
Datacamp MCP Multiagent Demo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mikikob-mongodb上游标注的维护方 mikikob-mongodb
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

13.0 KB
来自项目仓库与上游目录的原文,未做删改

推广顾问——基于LangGraph+MongoDB Atlas的多代理系统

> 人工智能驱动的推广包准备:定义你的目标角色,记录你的项目,生成影响分析,并发现类似的专业人员——所有这些都是与 LangGraph,坚持 MongoDB 阿特拉斯,并包裹在 格拉迪奥 UI。


🎯 这有什么作用

A. 实用的人工智能工作流程 这有助于你为职业发展做好准备:

  • 🎯 目标角色生成器 → 定义你的晋升目标(例如。, 资深工程师, 高级项目经理, AI副总裁)
  • 📁 项目策划人 → 从自由文本中提取带有指标的结构化项目记录
  • 📊 冲击分析仪 → 生成具有优势、差距和建议的执行就绪报告
  • 👥 导师查找器 → 在LinkedIn上发现类似的专业人士(通过Tavily搜索)
  • ⬇️ 出口 → 在Markdown中下载完整的推广包

🎬 在行动中看到它

📺 观看完整的演示演练: AI驱动的推广顾问-完整演示(3分钟)

📸 More Screenshots

初始界面

完成工作流程

生成的影响报告

代理执行跟踪


🚀 快速开始

1.克隆存储库```bash

git clone https://github.com/mikikob-mongodb/datacamp-mcp-multiagent-demo.git
cd datacamp-mcp-multiagent-demo
git checkout v1_webinar_version


### 2.设置环境变量```bash
cp env.template .env

编辑 .env 并添加您的API密钥:```env
OPENAI_API_KEY=sk-your-key-here
MONGODB_URI=mongodb+srv://your-connection-string
TAVILY_API_KEY=tvly-your-key-here # Optional


**获取API密钥:**

- **OpenAI**: https://platform.openai.com/api-keys(最低信用额5美元)
- **MongoDB 阿特拉斯**: https://www.mongodb.com/cloud/atlas/register(免费M0集群)
- **塔维利** *(可选)*: https://tavily.com(每月1000次免费搜索)

### 3.安装依赖项```bash
make setup

这将:

  • 终止端口7860上的所有进程
  • 创建虚拟环境
  • 安装所有必需的软件包
  • 设置开发工具(linters/formatter)

4.运行应用程序```bash

source .venv/bin/activate # Windows: .venv\Scripts\activate
make run


打开浏览器: **http://localhost:7860**

______________________________________________________________________

## 📋 运作原理

1. **开始** → 聊天界面询问: *“你的目标是什么角色?”*
1. **定义角色** → AI解析你的目标并设定期望(重点领域、责任、成功指标)
1. **添加项目** → 粘贴项目描述;AI提取上下文、动作、结果和指标
1. **生成报告** → 通过以下方式进行高管准备的影响分析:
- 有具体证据支持的优势
- 需要解决的差距
- 可采取行动的建议
- 行业薪资数据(如果启用了Tavily)
1. **人指导** *(可选)* → 发现类似职位的专业人士的LinkedIn个人资料
1. **下载** → 将完整的促销包导出为Markdown

______________________________________________________________________

## 🛠️ 开发命令

### 可用的生成命令```bash
make setup       # Create venv and install all dependencies
make run         # Run the application (kills port first)
make lint        # Check code for issues
make format      # Auto-fix and format code
make clean       # Remove cache files
make clean-all   # Remove cache files AND venv
make kill-ports  # Kill process on port 7860
make help        # Show all available commands

完整重置脚本

为了重新开始(在开发或调试过程中很有用):```bash
./reset.sh


**什么 `reset.sh` 做:**

1. 检查您是否处于虚拟环境中并发出警告
1. 停用venv(在脚本上下文中)
1. 跑 `make clean-all` 删除所有缓存和venv目录
1. 跑 `make setup` 创建新环境并安装依赖项
1. 提供激活新环境的明确说明

**运行后 `reset.sh`,激活新环境:**```bash
source .venv/bin/activate && make run

注: 脚本无法自动激活终端中的venv(这是基本的shell限制)。您的终端提示可能仍然显示 (.venv) 重置后,旧环境已被删除,并创建了一个新的环境。只需运行上面的激活命令即可使用新环境。


📁 项目结构```

promotion_tycoon/
├── main.py # Application entry point
├── config.py # Environment configuration
├── storage.py # MongoDB operations & checkpointer
├── models.py # Pydantic data models
├── prompts.py # System prompts
├── tracing.py # Execution logging
└── ui.py # Gradio interface

├── env.template # Environment variables template
├── Makefile # Build and run commands
├── reset.sh # Development reset script
└── README.md # This file


______________________________________________________________________

## 🔧 配置

### 环境变量(.env)```env
# Required
OPENAI_API_KEY=sk-...
MONGODB_URI=mongodb+srv://...

# Optional
TAVILY_API_KEY=tvly-...           # For industry research
DATABASE_NAME=promotion_advisor    # Default database name
GRADIO_SERVER_PORT=7860           # Default port

MongoDB Atlas设置

  1. 创建一个免费的M0集群 在https://www.mongodb.com/cloud/atlas
  2. 创建数据库用户 具有读/写权限
  3. 获取您的连接字符串 (看起来像 mongodb+srv://username:password@cluster.mongodb.net/)
  4. 将您的IP列入白名单 在网络访问设置中
  5. 添加到 .env 文件

回退行为: 如果MongoDB不可用,应用程序会自动回退到内存存储,并在日志中显示警告消息。


🎓 关键概念展示

该项目展示了构建生产就绪AI应用程序的几种先进模式:

  • 多代理编排 → LangGraph管理专用代理之间的路由
  • 中断/恢复模式 → 具有检查点/恢复功能的人在循环工作流程
  • 结构化数据抽取 → Pydantic模型确保类型安全和验证
  • 持久存储器 → MongoDB Atlas存储对话状态和检查点
  • 产业研究一体化 → 基于Tavily的MCP(模型上下文协议)用于实时数据
  • 交互式用户界面 → Gradio提供具有生产就绪界面的快速原型制作
  • 故障弱化 → 即使外部服务失败,应用程序仍能继续运行

🐛 故障排除

端口已在使用中

如果您看到“找不到空端口”错误:```bash
make kill-ports
make run


或者在中指定其他端口 `.env`:```env
GRADIO_SERVER_PORT=7861

MongoDB连接失败

症状: Authentication failed 或 Connection timeout

解决:

  • 在中验证您的连接字符串 .env 是正确的
  • 检查数据库用户是否具有适当的读/写权限
  • 确保您的IP地址在Atlas网络访问中被列入白名单
  • 使用MongoDB Compass测试连接字符串

如果MongoDB不可用,该应用程序将自动回退到内存存储。

未安装依赖项

请确保您已安装Python 3.10+:```bash
python3 --version


如果您遇到依赖冲突:```bash
./reset.sh  # Full clean reinstall

Tavily搜索不起作用

症状: 报告中没有行业研究或薪酬数据

解决:

  • 验证 TAVILY_API_KEY 在中设置正确 .env
  • 检查您是否未超过免费等级限制(每月1000次搜索)
  • 监视UI中的执行跟踪面板,查看Tavily特定的错误

注: 该应用程序可以在没有Tavily的情况下运行,但不会在报告中包含行业研究。

虚拟环境问题

如果你看到 (.venv) 在提示符中,但命令失败:```bash
deactivate
./reset.sh
source .venv/bin/activate
make run


或者简单地打开一个新的终端窗口:```bash
cd datacamp-mcp-multiagent-demo
source .venv/bin/activate
make run

💡 灵感

这个项目的灵感来自Julia Evans的概念 Brag文档 -一种系统的方法来跟踪你的成就,以便进行绩效评估和晋升。

Julia发现的问题:

> “有一种观点认为,如果你在工作中做得很好,人们会(或应该!)自动认可你的工作,并用晋升/加薪来奖励你。在实践中,这往往比这更复杂。”

我们的解决方案:
虽然Julia的吹嘘文档是一个手动过程, Promotion Advisor自动化了困难部分:

  • ✅ 结构化提取 → 将自由形式的项目描述转化为有组织、有指标支持的记录
  • ✅ 差距分析 → 将你的成就与目标角色要求进行比较
  • ✅ 行业标杆 → 包括薪资数据和实际角色期望
  • ✅ 导师发现 → 找到成功完成类似转换的人
  • ✅ 执行就绪输出 → 生成经理们实际阅读的精美报告

我们正在用AI工具构建Julia的智慧,让你更容易保持你的专业叙事,并有效地为自己辩护。

阅读Julia的原始帖子: 让你的工作得到认可:写一份吹嘘文件


🎯 未来的增强功能

计划功能:

  • 矢量和混合搜索 → MongoDB Atlas矢量搜索用于语义项目/导师匹配
  • 文件上传 → 简历和职位描述解析
  • 嵌入和重新排序 → Voyage AI集成,提高搜索质量
  • PDF导出 → 专业推广包文件
  • 团队协作 → 多用户评论和评论功能
  • 高级导师筛选 → 按公司、地点、资历级别搜索
  • 监测和可观察性 → LLM成本跟踪、延迟指标、质量仪表板
  • 模型灵活性 → 支持其他LLM提供商和本地模型

📺 演示与教程

此项目是为 DataCamp多代理系统网络研讨会.

涵盖的关键主题:

  • 用LangGraph构建多智能体系统
  • MongoDB Atlas的持久内存
  • 人工智能工作流程
  • MCP集成用于实时数据丰富
  • 生产部署模式

🤝 贡献

欢迎问题和拉取请求!对于重大更改,请先打开一个问题来讨论您想要更改的内容。

开发工作流程:

  1. 分叉存储库
  2. 创建要素分支(git checkout -b feature/amazing-feature)
  3. 进行更改
  4. 运行过梁: make format && make lint
  5. 提交您的更改(git commit -m 'Add amazing feature')
  6. 推到分支(git push origin feature/amazing-feature)
  7. 打开拉取请求

📄 许可证

如果这个演示激发了人们的想法, 查看Gen AI展示 更多实践示例 代理模式, 存储器体系结构,以及 MongoDB支持的AI应用程序.\
👉 Gen AI展示>)


🌟 探索更多

🔧 MongoDB人工智能资源

有兴趣用MongoDB构建生产级AI应用程序吗?

👉 MongoDB GenAI展示 -生产就绪的人工智能应用模式和示例集合

👉 LangChain+MongoDB集成 -使用MongoDB Atlas和LangChain的官方文档

👉 MongoDB AI用例 -基于MongoDB构建的现实世界AI应用程序

📚 核心技术

LangGraph和多代理系统:

  • LangGraph检查点MongoDB -LangGraph工作流的持久状态管理
  • LangGraph监控模式 -基于路由器的多代理编排(用于本项目)
  • LangGraph中断 -暂停/恢复工作流程以供人工审查(为我们的中断/恢复模式提供动力)
  • 人在循环工作流程 -具有用户批准门的交互式人工智能系统
  • 用LangGraph构建多智能体系统 -代理协调和监控教程

模型上下文协议(MCP):

  • MCP文件 -MCP官方规范和指南
  • LangChain MCP适配器 -整合外部工具和数据源(Tavily、GitHub等)
  • MCP适配器GitHub -实施细节和示例

UI和部署:

  • Gradio文件 -快速ML/AI UI原型
  • 基于LangGraph的代理RAG -高级检索模式

📖 教程和灵感

MongoDB+MCP集成:

  • 使用MongoDB MCP构建AI代理 -分步代理建设
  • 带MCP的MongoDB聊天代理 -具有持久内存的LangGraph教程

搜索与研究:

  • 使用Tavily搜索LinkedIn个人资料 -按角色查找专业人员(用于Mentor Finder代理)

职业发展:

  • Brag文档 Julia Evans-该工具自动化的手动过程

🎓 了解更多

想更深入地了解多智能体系统吗?

  • 从 LangGraph监控模式 了解路由
  • 了解 中断 和 人在循环 此项目中使用的模式
  • 探索 MongoDB Atlas矢量搜索 用于语义搜索
  • 看看 GenAI展示 了解更多生产模式

有问题或想贡献?

  • 打开一个 GitHub上的问题
  • 加入 MongoDB社区论坛
  • 连接上 领英

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
Datacamp MCP Multiagent Demo 怎么安装?

在客户端按下面的安装命令接入:python3 --version。装完在客户端配置里引用同一个包或端点。

Datacamp MCP Multiagent Demo 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。

Datacamp MCP Multiagent Demo 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。

Datacamp MCP Multiagent Demo 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。

Datacamp MCP Multiagent Demo 能提供哪些能力?

资料显示能力标签包括 多智能体系统、Python、AI工作流、LangGraph。具体工具清单以官方文档为准。

Datacamp MCP Multiagent Demo 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。

Datacamp MCP Multiagent Demo 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。