项目简介

CEO-Agentic-AI-Framework 仓库提供了一个轻量级的 Agentic AI 框架，其中包含了对 Model Context Protocol (MCP) 的支持。'playwright-plus-python-mcp.py' 是该框架提供的 MCP 服务器示例，它基于 Playwright 实现了浏览器自动化工具，可以通过 MCP 协议与 LLM 客户端（如仓库中的 'McpAgent'）进行通信，为 LLM 代理提供网页浏览、信息抓取和交互能力。

主要功能点

提供 Playwright 浏览器自动化工具： 包括网页导航、截图、元素点击、表单填写、JavaScript 执行以及文本和 HTML 内容获取等功能。
MCP 协议支持： 基于 MCP 标准协议与客户端通信，实现工具注册、调用和结果返回。
Stdio 传输协议： 使用 Stdio 作为默认传输协议，易于部署和集成。
工具自描述： 通过 MCP 协议向客户端声明工具的功能和参数，方便 LLM 客户端理解和调用。

安装步骤

下载或克隆仓库: 从 GitHub 仓库 CEO-Agentic-AI-Framework 下载或克隆代码到本地。
安装 ceo-py 客户端库 (如果需要使用 Python 客户端):
```
pip install ceo-py
```
安装 Playwright 依赖: 首次运行 'playwright-plus-python-mcp.py' 服务器脚本时，会自动安装 Playwright 浏览器依赖。

服务器配置

MCP 服务器需要配置启动命令及其参数才能被 MCP 客户端连接和使用。以下是 'playwright-plus-python-mcp.py' 服务器的典型配置信息（JSON 格式），通常在 MCP 客户端中进行配置，例如 'ceo-py' 库的 'StdioMcpConfig'：

{
  "server name": "playwright-plus-server",
  "command": "python",
  "args": ["./playwright-plus-python-mcp.py"],
  "cwd": "./mcp_server"
}

参数注释:

'server name': 服务器的名称，可以自定义，用于标识不同的 MCP 服务器。例如 '"playwright-plus-server"'。
'command': 启动服务器的命令。由于 'playwright-plus-python-mcp.py' 是 Python 脚本，所以这里设置为 '"python"'。
'args': 传递给启动命令的参数，以列表形式表示。对于 'playwright-plus-python-mcp.py'，参数是 '["./playwright-plus-python-mcp.py"]'，表示执行当前目录下的 'playwright-plus-python-mcp.py' 脚本。
'cwd': (可选) 服务器脚本的工作目录。这里设置为 '"./mcp_server"'，意味着 MCP 客户端需要确保在相对于客户端运行目录的 './mcp_server' 目录下找到 'playwright-plus-python-mcp.py' 脚本。如果服务器脚本和客户端在同一目录下，可以省略 'cwd' 或设置为 '"./"'。

注意: MCP 客户端只需要配置上述 JSON 格式的服务器启动信息，无需关注代码细节。用户只需根据实际情况修改 'command' 和 'args' 即可。

基本使用方法

启动 MCP 服务器: 在仓库的 'demo/mcp_server' 目录下，运行 'playwright-plus-python-mcp.py' 脚本以启动 MCP 服务器。
```
cd demo/mcp_server
python playwright-plus-python-mcp.py
```
服务器启动后，会输出 'playwright installed.' 表示 Playwright 依赖已安装，并开始监听来自 MCP 客户端的请求。
配置并运行 MCP 客户端: 使用 'ceo-py' 库或其他 MCP 客户端，配置连接到 'playwright-plus-server'。例如，在 'ceo-py' 中可以使用 'McpAgent' 和 'StdioMcpConfig' 来创建 MCP 客户端，并调用 Playwright 工具。具体代码示例可以参考 'demo/mcp_agent.py' 和 'demo/multi_agent.py'，这些示例展示了如何使用 'McpAgent' 连接到 'playwright-plus-server' 并执行浏览器自动化任务。

例如，运行 'demo/mcp_agent.py':
```
cd demo
python mcp_agent.py
```
该示例会指示 Agent 使用 Playwright 工具在 Bing 搜索 "reinforcement learning"，并将搜索结果保存到本地文件，然后导航到指定的博客地址。

关键步骤总结:

启动 'playwright-plus-python-mcp.py' MCP 服务器。
在 MCP 客户端（如 'ceo-py' 的 'McpAgent'）中配置服务器连接信息 ('StdioMcpConfig')。
使用客户端 API (如 'McpAgent') 调用服务器提供的 Playwright 工具，实现浏览器自动化功能。

关键词

项目简介

主要功能点

安装步骤

服务器配置

基本使用方法

信息