Tiny Tools Agent

MCPAI代理

提供方 aaabulkhair

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LangGraph的4节点AI代理系统,集成了MCP工具、Redis内存管理和本地LLM支持,适用于智能工具选择和对话管理。

一句话选型结论

按资料字段整理

Tiny Tools 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 1 仓库热度,无公开仓库时显示未标注
工具数 2 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2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本地部署工具集成对话管理Redis内存本地LLM

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 -e .

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

    连接成功后客户端会列出约 2 个工具,随便调一个只读工具确认能返回结果。

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

  • 资料标注 2 个工具,职责相对集中,接入后不容易误操作。
  • 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。
  • 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
Tiny Tools Agent当前 2 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aaabulkhair上游标注的维护方 aaabulkhair
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

14.9 KB
来自项目仓库与上游目录的原文,未做删改

MicroTools MCP Showcase:一个完整的LangGraph代理系统

具有模型上下文协议(MCP)工具集成、Redis支持的内存和本地LLM支持的4节点LangGraph代理的生产就绪演示。

目录

  • 概述
  • 建筑
  • 特性
  • 安装
  • 快速开始
  • 配置
  • 使用指南
  • api参考
  • 发展
  • 测试
  • 部署
  • 故障排除
  • 贡献

概述

该项目展示了一个使用LangGraph构建的完整AI代理系统,该系统展示了基于工具的AI交互的现代模式。该系统由两个主要部分组成:

  1. MCP服务器:一个基于FastAPI的安全服务器,提供工具功能
  2. LangGraph代理:智能选择和执行工具的4节点工作流

该项目既是一个工作演示,也是一个参考实现,用于构建具有适当内存管理、错误处理和可观察性的生产就绪AI代理系统。

建筑

系统组件```mermaid

graph TB
User[👤 User] --> Agent[🤖 LangGraph Agent]
Agent --> LLM[🧠 Local LLM Server]
Agent --> MCP[🔧 MCP Tool Server]
Agent --> Redis[💾 Redis Memory]
MCP --> Tools[⚙️ Tool Implementations]

subgraph "Agent Workflow"
P[📋 Planner] --> E[⚡ Executor]
E --> M[💾 Memory]
M --> R[💬 Responder]
R --> P
end


### 4节点LangGraph工作流

代理遵循具有条件循环的线性管道:

1. **计划节点** (`planner_node`)

- 使用本地LLM分析用户请求
- 创建结构化的工具执行计划
- 通过智能回退处理JSON解析失败
- 整合对话记忆,实现情境感知规划

1. **工具执行器节点** (`tool_executor_node`)

- 通过HTTP验证和执行计划的工具调用
- 支持并行工具执行和结果链
- 全面的错误处理和重试逻辑
- 实时进度指标

1. **内存更新程序节点** (`memory_updater_node`)

- 将对话状态持久化到Redis
- 自动提取实体和关键事实
- 维护对话历史和上下文
- 内存存储性能下降

1. **响应程序节点** (`responder_node`)

- 使用LLM生成自然语言响应
- 无缝集成工具结果
- 检测会话流的后续意图
- 提供用户友好的错误消息

### 项目结构```
tiny-tools-mcp-showcase/
├── app/                          # MCP Server (FastAPI)
│   ├── main.py                   # FastAPI app with security & rate limiting
│   ├── manifest.py               # Tool capability discovery
│   ├── tools/
│   │   ├── schemas.py            # Pydantic validation models
│   │   └── impl.py               # Tool implementation engine
│   └── tests/
│       └── test_tools.py         # Comprehensive MCP server tests
├── agent/                        # LangGraph Agent
│   ├── workflow.py               # Main orchestrator & CLI interface
│   ├── nodes.py                  # 4-node implementation
│   ├── edges.py                  # Conditional routing logic
│   ├── memory.py                 # Redis-backed conversation memory
│   ├── prompt_fragments.py       # LLM prompt templates
│   └── tests/
│       └── test_agent.py         # Agent workflow tests
├── logs/                         # Execution traces & debugging
├── docker-compose.yml            # Multi-service orchestration
├── Dockerfile                    # MCP server containerization
├── Makefile                      # Development automation
└── pyproject.toml               # Project configuration & dependencies

特性

🚀 核心能力

  • 智能刀具选择:LLM驱动的效率优化规划
  • 对话记忆:Redis支持具有自动回退功能的持久状态
  • 本地LLM集成:与LM Studio、Ollama和OpenAI兼容的服务器兼容
  • 安全MCP服务器:速率限制、CORS、身份验证和输入验证
  • 丰富的终端用户界面:清洁进度指标和错误处理
  • 综合录井:用于调试和监控的JSON执行跟踪

🛠️ 可用工具

工具 说明 使用示例
clock.now 获取当前时间 “现在几点了?”
clock.shift 用偏移量计算时间 “2小时后会是什么时间?”

🔧 技术特性

  • 类型安全:在整个堆栈中进行完整的Pydantic验证
  • 异步/等待:无阻塞操作,实现最佳性能
  • 错误恢复:妥善处理LLM、工具和网络故障
  • 会话管理:具有重置功能的孤立对话
  • 可扩展设计:轻松添加新工具和功能
  • 生产就绪:Docker支持、健康检查和监控

安装

先决条件

  • Python 3.10+ 使用pip
  • 本地LLM服务器 (LM Studio、Ollama或OpenAI兼容)
  • 码头工人 (可选,用于Redis和容器化部署)
  • 雷迪斯 (可选,用于持久内存)

方法1:地方发展(推荐)

  1. 克隆存储库:```bash
    git clone
    cd tiny-tools-mcp-showcase

1. **安装依赖项**:```bash
pip install -e .
  1. 启动Redis(可选但推荐):```bash

Using Docker

docker run -d --name redis -p 6379:6379 redis:alpine

Or using Docker Compose

docker-compose up -d redis


### 方法二:Docker开发

1. **克隆和启动服务**:```bash
git clone
cd tiny-tools-mcp-showcase
docker-compose up -d

快速开始

1.开始你的本地LLM

确保在上运行本地LLM服务器 http://127.0.0.1:1234:

  • LM工作室:下载并启动模型服务器
  • 没有: ollama serve 使用您喜欢的型号
  • 其他:任何与OpenAI兼容的API服务器

2.启动MCP服务器```bash

Local development

python -m uvicorn app.main:app --host 0.0.0.0 --port 7443 --reload

Or using Make

make start-server

Or using Docker

docker-compose up -d mcp


### 3.测试MCP服务器(可选)```bash
# Health check
curl http://localhost:7443/health

# Get tool manifest
curl http://localhost:7443/mcp/manifest

# Execute a tool
curl -X POST http://localhost:7443/mcp/tool.execute \
-H "Content-Type: application/json" \
-d '{"capability": "clock.now", "args": {}}'

4.运行代理```bash

Interactive terminal interface

python agent/workflow.py

Or using Make

make demo

Or programmatically

python -c "
import asyncio
from agent.workflow import run_agent
result = asyncio.run(run_agent('What time is it?'))
print(result)
"


### 5.尝试示例查询```
💬 What time is it?
🧠🔧 ✓ 1 tools
🤖 It's currently 2:30 PM.

💬 What time will it be in 90 minutes?
🧠🔧💾💬 ✓ 2 tools
🤖 In 90 minutes, it will be 4:00 PM.

💬 I have a meeting after 2 hours when will it be
🧠🔧💾💬 ✓ 2 tools
🤖 Your meeting will be at 4:30 PM.

💬 quit
👋 Goodbye!

配置

环境变量

变量 默认值 描述
LLM_URL http://127.0.0.1:1234 本地LLM服务器端点
REDIS_URL redis://localhost:6379 Redis连接字符串
MCP_API_KEY demo-key-change-in-production MCP服务器的可选API密钥
PYTHONPATH /app Python模块路径(适用于Docker)

本地LLM配置

该代理已与多家本地LLM提供商进行了测试:

  • LM工作室:使用与OpenAI兼容的API的任何聊天模型
  • 没有:模型如 llama2, mistral, codellama
  • 文本生成WebUI:启用了OpenAI扩展
  • vLLM:高性能推理服务器

Redis配置

Redis用于自动回退的会话内存:

  • 使用Redis:重启后持续对话
  • 没有Redis:内存存储(警告是正常的)
  • 生存时间:24小时自动会话清理

使用指南

交互式终端界面

主界面是一个干净的终端对话:```bash
python agent/workflow.py


**命令**:

- 自然地键入您的问题
- `!reset` -清除对话记忆
- `quit`, `exit`, `bye` -结束对话

### 程序化使用```python
import asyncio
from agent.workflow import TinyToolsAgent, run_agent

# Single interaction
async def example():
result = await run_agent("What time is it?", session_id="user123")
print(result["bot_response"])

# Agent instance
async def conversation():
agent = TinyToolsAgent()

# Single message
result = await agent.run_single("What time is it?", "session123")

# Interactive conversation
await agent.run_conversation("session123")

asyncio.run(example())

工具使用模式

时间查询```

"What time is it?" → Uses clock.now (1 tool)
"What time will it be in 2 hours?" → Uses clock.now + clock.shift (2 tools)
"I have a meeting in 45 minutes when will it be" → Uses both tools


#### 对话流程```
User: What time is it?
🧠🔧 ✓ 1 tools
Bot: It's 2:30 PM.

User: What about in 30 minutes?
🧠🔧💾💬 ✓ 2 tools
Bot: In 30 minutes, it will be 3:00 PM.

api参考

MCP服务器端点

端点 方法 描述
/ GET 服务器信息和端点列表
/health GET 用于监控的健康检查
/mcp/manifest GET 完整的工具能力清单
/mcp/capabilities/summary GET 提示的简要能力总结
/mcp/tool.execute POST 执行带有验证的工具

代理API```python

Main classes

from agent.workflow import TinyToolsAgent
from agent.nodes import AgentState
from agent.memory import ConversationMemory

Convenience functions

from agent.workflow import run_agent, start_conversation


### 工具执行响应格式```json
{
"success": true,
"result": {
"current_time": "2:30 PM",
"timestamp": "2024-01-15T14:30:00"
},
"error": null,
"execution_time_ms": 5.2
}

发展

设置开发环境```bash

Install in development mode

make dev

Or manually

pip install -e ".[dev]"


### 运行测试```bash
# Run all tests
make test

# Run with coverage
make test-coverage

# Run specific test files
pytest app/tests/test_tools.py -v
pytest agent/tests/test_agent.py -v

代码质量```bash

Format code

make format

Lint code

make lint

Type checking

mypy app/ agent/


### 添加新工具

1. **定义架构** 在……里面 `app/tools/schemas.py`:```python
class NewToolArgs(BaseModel):
param: str = Field(description="Tool parameter")

class NewToolResult(BaseModel):
result: str = Field(description="Tool result")
  1. 机具功能 在……里面 app/tools/impl.py:```python
    def execute_new_tool(args: NewToolArgs) -> NewToolResult:
    return NewToolResult(result=f"Processed: {args.param}")

1. **注册工具** 在架构注册表中:```python
TOOL_SCHEMAS["new.tool"] = {
"args": NewToolArgs,
"result": NewToolResult,
"description": "Description of new tool",
"cost_estimate": 0.1,
"avg_latency_ms": 10.0
}
  1. 添加实现 注册:```python
    TOOL_IMPLEMENTATIONS["new.tool"] = execute_new_tool

1. **编写测试** 在……里面 `app/tests/test_tools.py`

### 开发命令```bash
# Start MCP server in development mode
make start-mcp

# Start agent in development mode
make start-agent

# Clean build artifacts
make clean

# Build Docker images
make docker-build

# Start full stack with Docker
make docker-up

测试

测试结构```

tests/
├── app/tests/
│ └── test_tools.py # MCP server tests
└── agent/tests/
└── test_agent.py # Agent workflow tests


### 运行测试```bash
# All tests
pytest

# Specific test file
pytest app/tests/test_tools.py::TestToolImplementations::test_clock_now_tool

# With coverage
pytest --cov=app --cov=agent --cov-report=html

# Async tests
pytest -v -s agent/tests/test_agent.py

测试类别

  • 单元测试:单个组件测试
  • 集成测试:组件交互测试
  • API测试:HTTP端点测试
  • 工作流测试:端到端代理测试

部署

Docker部署```bash

Build and start all services

docker-compose up -d

Scale services

docker-compose up -d --scale mcp=2

View logs

docker-compose logs -f mcp


### 生产注意事项

1. **安全**:

- 更改默认API密钥
- 配置正确的CORS源
- 在生产环境中使用HTTPS
- 设置正确的身份验证

1. **监控**:

- 健康检查端点
- 执行跟踪日志记录
- 绩效指标收集
- 错误率监控

1. **扩展**:

- Redis集群实现高可用性
- MCP服务器的负载平衡
- 代理实例的横向扩展

### 环境特定配置```bash
# Development
export LLM_URL="http://localhost:1234"
export REDIS_URL="redis://localhost:6379"

# Production
export LLM_URL="https://your-llm-server.com"
export REDIS_URL="redis://your-redis-cluster:6379"
export MCP_API_KEY="your-secure-api-key"

故障排除

常见问题

1.LLM连接问题```

Error: Error calling local LLM: Connection refused


**解决方案**:确保您的本地LLM服务器在正确的端口上运行。

#### 2.MCP服务器没有响应```
Warning: Could not fetch tool manifest

解决方案:启动MCP服务器,检查端口7443是否可用。

3.Redis连接警告```

Warning: Redis not available, using in-memory storage


**解决方案**:启动Redis或忽略(内存回退工作正常)。

#### 4.工具执行失败```
⚠ 0/1 tools

解决方案:检查MCP服务器日志,确保工具已正确注册。

5.JSON解析错误```

Planning failed: Invalid JSON response


**解决方案**:代理对此有内置的回退逻辑。检查LLM配置。

### 调试模式

启用详细日志记录:```python
import logging
logging.basicConfig(level=logging.DEBUG)

日志分析

执行跟踪保存在 logs/trace-{session}-{timestamp}.json:json { "session_id": "abc123", "timestamp": "2024-01-15T14:30:00", "user_message": "What time is it?", "bot_response": "It's 2:30 PM", "execution_summary": { "planning_success": true, "execution_success": true, "tools_executed": 1 }, "plan": [...], "tool_results": [...] }

性能调整

  1. LLM设置:
  • 调整温度(0.1以获得一致的结果)
  • 为您的用例优化max_tokens
  • 考虑模型尺寸与速度的权衡
  1. Redis优化:
  • 根据对话模式调整TTL
  • 监控内存使用情况
  • 考虑Redis集群的规模
  1. 工具执行:
  • 实现独立工具的并行执行
  • 为昂贵的操作添加缓存
  • 监控执行时间并优化慢速工具

贡献

我们欢迎捐款!请参阅我们的投稿指南:

  1. 分叉存储库
  2. 创建要素分支: git checkout -b feature/amazing-feature
  3. 进行更改 进行适当的测试和记录
  4. 运行测试套件: make test
  5. 提交拉取请求

开发工作流程

  1. 问题:通过GitHub问题报告错误或请求功能
  2. 拉取请求:遵循PR模板并确保测试通过
  3. 代码审查:所有更改在合并前都需要审查
  4. 文档:更新任何新功能的文档

代码的风格

  • Python代码遵循PEP 8
  • 全程使用类型提示
  • 编写全面的文档字符串
  • 添加新功能的测试
  • 保持功能集中和小型化

许可证

此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。

致谢

  • LangGraph 对于工作流框架
  • 快速 API 对于web框架
  • 派丹蒂克 用于数据验证
  • 雷迪斯 用于内存持久性
  • 富有的 用于终端UI

内置于❤️ 面向AI代理社区

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
Tiny Tools Agent 怎么安装?

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

Tiny Tools 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。

Tiny Tools 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。

Tiny Tools 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。

Tiny Tools Agent 能提供哪些能力?

资料显示约 2 个工具;能力标签包括 AI代理、本地LLM、Python、对话管理。具体工具清单以官方文档为准。

Tiny Tools 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。

Tiny Tools 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。