使用说明

项目简介

Autono 是一个基于 ReAct 范式的自主 агентов 框架，旨在解决复杂任务。它通过集成 Model Context Protocol (MCP) 协议，支持 агентов 调用外部工具，从而扩展其能力边界，实现与外部环境的有效交互。框架核心组件 'McpAgent' 专为与 MCP 服务器协同工作而设计，能够充分利用 MCP 服务器提供的资源、工具和 Prompt 模板。

主要功能点

MCP 协议支持: 框架原生支持 Model Context Protocol，能够作为 MCP 客户端与 MCP 服务器进行通信，实现工具和资源的动态集成。
外部工具调用: 通过 MCP 协议， агентов 可以安全、便捷地调用 MCP 服务器注册的各类工具，例如网页浏览、信息检索、文件操作等，极大地扩展了 агентов 的功能范围。
多种传输协议: 'McpAgent' 支持通过 Stdio, SSE, WebSocket 等多种传输协议连接 MCP 服务器，适应不同的部署环境和网络条件。
自主任务执行: 基于 ReAct 范式， агентов 能够根据用户请求，自主规划任务步骤，选择合适的 MCP 工具进行调用，最终完成复杂任务。
易于集成: 框架提供简洁的 API 和装饰器，例如 '@mcp_session'，方便开发者快速构建基于 MCP 协议的 агентов 应用。

安装步骤

pip install autono

服务器配置

要使用 'McpAgent' 连接 MCP 服务器，您需要配置 MCP 服务器的连接信息。以下是一个使用 Stdio 传输协议的 MCP 服务器配置示例（JSON 格式）：

{
  "server name": "playwright-plus-server",
  "command": "python",
  "args": ["./playwright-plus-python-mcp.py"],
  "cwd": "./mcp_server",
  "comments": "配置 MCP 服务器的启动命令和参数。\ncommand: 启动服务器的命令，例如 python 或 node。\nargs: 传递给命令的参数，通常是服务器脚本的文件名。\ncwd: 服务器脚本所在的目录，确保客户端能够找到服务器脚本。"
}

配置参数说明：

'server name': MCP 服务器的名称，用于标识服务器类型，例如 'playwright-plus-server'。
'command': 启动 MCP 服务器的命令，例如 'python' 或 'node'，需要根据服务器的实际运行环境配置。
'args': 传递给 'command' 的参数列表，通常包括服务器脚本的文件名，例如 '['./playwright-plus-python-mcp.py']'。
'cwd': (可选) 服务器脚本所在的当前工作目录，如果服务器脚本不在当前工作目录，需要指定 'cwd'，例如 ''./mcp_server''。
'comments': 配置参数的注释信息，方便用户理解配置项的含义。

注意： MCP 客户端只需要配置上述 JSON 格式的服务器连接信息，无需关注服务器端的具体代码实现。客户端通过配置信息即可与 MCP 服务器建立连接并进行交互。

基本使用方法

启动 MCP 服务器: 首先，您需要启动一个 MCP 服务器。例如，可以使用仓库 'demo/mcp_server' 目录下的 'playwright-plus-python-mcp.py' 脚本启动一个基于 Playwright 的 MCP 服务器。
```
cd demo/mcp_server
python playwright-plus-python-mcp.py
```

配置 MCP 客户端: 在您的客户端代码中，使用 'StdioMcpConfig' 或其他配置类来定义 MCP 服务器的连接信息。参考 'demo/mcp_agent.py' 中的示例：

from autono import StdioMcpConfig

stdio_mcp_config = StdioMcpConfig(
    command='python',
    args=['./playwright-plus-python-mcp.py'],
    env=dict(),
    cwd='./mcp_server'
)

创建 McpAgent: 使用 '@mcp_session' 装饰器创建一个 MCP 会话，并在会话中实例化 'McpAgent'，连接到 MCP 服务器并获取其提供的工具。

from autono import mcp_session, McpAgent, get_openai_model, sync_call

@sync_call
@mcp_session(stdio_mcp_config)
async def run(session, request: str) -> str:
    mcp_agent = await McpAgent(session=session, brain=get_openai_model()).fetch_abilities()
    # ... 使用 mcp_agent 执行任务 ...
    return "任务完成"

执行任务: 使用 'McpAgent' 的 'assign()' 和 'just_do_it()' 方法，将用户请求分配给 агент，并执行任务。 агент 将自动选择合适的 MCP 工具完成任务。

result = await run(request="使用 playwright 访问 bing 搜索 'Model Context Protocol' 并截图保存为 result.png")
print(result)

更详细的使用方法和示例，请参考仓库中的 'demo' 目录下的脚本，例如 'demo/mcp_agent.py' 和 'demo/multi_agent.py'。

关键词