使用说明

项目简介

本项目是一个基于 Model Context Protocol (MCP) 构建的服务器，旨在作为 Cloudera Agent Studio 与支持 MCP 的大型语言模型（如 Claude）之间的桥梁。它将 Agent Studio 中的工作流和智能体管理功能转化为可由 LLM 直接调用的标准化工具。

主要功能点

本 MCP 服务器提供以下核心功能作为可调用的工具：

列出所有工作流： 获取 Agent Studio 中所有现有工作流的列表，包括它们的 ID 和名称，方便在客户端界面中展示或供 LLM 选择。
获取工作流详情： 根据工作流 ID 获取其完整的 JSON 配置信息，包括任务、智能体和流程设置等，允许 LLM 深入了解或检查特定工作流。
创建新工作流： 根据指定的名称和描述在 Agent Studio 中创建一个全新的空白工作流，支持自动化项目骨架搭建。
使工作流支持对话： 修改现有工作流，添加一个对话任务并启用对话模式，将静态工作流转变为支持持续聊天的交互体验。
添加管理者智能体： 为指定工作流添加一个新的管理者智能体，并将其配置为工作流的协调者，支持构建分层或委托式的工作流结构。
添加普通智能体： 为指定工作流添加任意数量的普通智能体，扩展工作流的执行能力，引入具有特定领域专长的智能体。

安装步骤

克隆仓库： 将本 GitHub 仓库克隆到您的本地机器上。
安装依赖： 进入仓库目录，使用 Python 包管理器（如 'uv' 或 'pip'）安装所需的依赖。例如，如果您使用 'uv'，可以运行 'uv sync'；如果您使用 'pip'，可以运行 'pip install -r requirements.txt' (如果存在requirements.txt文件，或直接安装serve.py中使用的库，例如 'requests', 'python-dotenv', 'fastmcp')。

服务器配置

本 MCP 服务器需要通过环境变量获取连接到 Cloudera Agent Studio 的信息。在将服务器添加到您的 MCP 客户端（如 Claude Desktop）配置时，需要指定启动服务器的命令和必要的环境变量。

通常，您需要在 MCP 客户端的配置文件中（例如 'claude_desktop_config.json'）添加一个配置块，指定如何启动此服务器。配置示例如下（请根据您的实际路径和服务信息替换占位符）：

'"agent-studio"': 这是您为该 MCP 服务器指定的名称，客户端将使用此名称来引用它。
'"command"': 指定用于运行服务器脚本的命令。例如，使用 'uv' 或 'python'。
'"args"': 指定传递给命令的参数。例如，指定运行 'serve.py' 文件。这里的 '--directory' 是告诉 'uv' 在哪个目录查找脚本。
'"env"': 一个 JSON 对象，包含服务器运行所需的环境变量。
- '"CDSW_APIV2_KEY"': 必需。您的 Cloudera Data Science Workbench (CDSW) 或 Cloudera Machine Learning (CML) 的 API v2 密钥，用于认证访问 Agent Studio API。请从您的 Cloudera 环境中获取此密钥。
- '"AGENT_STUDIO_DOMAIN"': 必需。您的 Cloudera Agent Studio 服务的完整访问地址（URL）。请从您的 Cloudera 环境中获取此地址。

请注意： 配置细节可能因您使用的 MCP 客户端而异。请参考您特定 MCP 客户端的文档了解如何添加和配置自定义 MCP 服务器。

基本使用方法

配置完成后，启动您的 MCP 客户端。客户端会自动启动并连接到本 MCP 服务器。连接成功后，您的大型语言模型将能够通过 MCP 协议发现并调用本服务器提供的工具。您可以通过自然语言向 LLM 提出请求，例如“列出我所有的 Agent Studio 工作流”或“创建一个名为‘项目规划’的新工作流”，LLM 将根据其能力和上下文决定是否调用相应的工具来完成任务。

关键词