Server · #148 trending MCP repo

Multi Agent

A multi-agent travel assistant system built using the **Agent2Agent (A2A)** protocol and **MCP (Model Context Protocol)**

Agents & orchestration

GitHub ↗

Stars: 490
This week: —
Forks: 12
Open issues: 0
Last push: 3mo ago

Documentation

README

View on GitHub ↗

🤖 基于 A2A 协议的旅行智能助手

一个采用 Agent2Agent (A2A) 协议 + MCP (Model Context Protocol) 构建的多智能体旅行助手系统。系统通过总控中心进行意图识别与路由，由多个专业 Agent 协作完成天气查询、票务查询、票务预定、景点推荐等服务，支持 CLI 与 Streamlit Web 两种交互方式。

✨ 功能特性

🧭 智能意图识别：基于大语言模型（LLM）对用户输入进行意图识别，支持多意图组合（如"明天天气怎么样？顺便查一下去西安的机票"）
🌤️ 天气查询：基于真实天气数据，支持自然语言查询（城市 + 日期/相对时间词）
🚄 票务查询：火车票 / 机票 / 演唱会门票查询，支持票价、余票、车次等信息
🎫 票务预定：Agent 之间协作完成预定流程（先查余票 → 再执行预定）
🏞️ 景点推荐：直接由 LLM 生成个性化的景点推荐（AIGC）
🔄 多轮对话：支持上下文记忆，自动对残缺查询进行改写补全
🧩 A2A 协议：Agent 之间通过标准 A2A 协议通信，自带 AgentCard 名片与技能声明
🛠️ MCP 标准化：数据访问能力以 MCP 工具形式暴露，与 Agent 解耦
💬 双交互界面：CLI 命令行版 + Streamlit Web 聊天界面

🏗️ 系统架构

┌─────────────────────────────────────────────────────────────┐
│                    总控中心 (Orchestrator)                    │
│        app.py (Streamlit Web)  /  main.py (CLI)             │
│    - 意图识别 (Intent Agent, LLM)                            │
│    - 查询改写 (Query Rewriting)                              │
│    - 结果总结 (Summarization, LLM)                          │
└──────────────┬──────────────────────┬───────────────────────┘
               │ A2A 协议             │ A2A 协议
               ▼                      ▼
   ┌───────────────────────┐  ┌───────────────────────────┐
   │   A2A Agent 层         │  │                           │
   │  WeatherQueryAssistant│  │  TicketOrderAssistant      │
   │  (端口 5005)           │  │  (端口 5007)               │
   │  TicketQueryAssistant │  │   └─ 调用 TicketQuery...   │
   │  (端口 5006)           │  │      (Agent 间协作)        │
   └───────┬───────────┬───┘  └───────────┬───────────────┘
           │ MCP       │ MCP             │ MCP
           ▼           ▼                 ▼
   ┌─────────────┐ ┌────────────┐ ┌───────────────┐
   │ MCP Server 层│ │            │ │               │
   │WeatherTools │ │TicketTools │ │ OrderTools    │
   │ (端口 8002) │ │(端口 8001) │ │ (端口 8003)   │
   │query_weather│ │query_tickets│ │order_train/    │
   │             │ │            │ │order_flight/   │
   │             │ │            │ │order_concert   │
   └──────┬──────┘ └──────┬─────┘ └──────┬────────┘
          │               │              │
          ▼               ▼              ▼
        ┌────────────────────────────────────┐
        │           MySQL 数据库 travel_rag    │
        │  weather_data / train_tickets /    │
        │  flight_tickets / concert_tickets  │
        └────────────────────────────────────┘

处理流程

用户输入 → 意图识别(LLM) → 路由到对应 Agent
                              ├─ out_of_scope / 追问 → 直接回复
                              ├─ attraction → LLM 直接生成景点推荐
                              └─ weather/flight/train/concert/order
                                    → A2A Agent 生成 SQL (LLM)
                                    → 调用 MCP 工具查询数据库
                                    → 返回结果 → 总控中心 LLM 总结 → 用户

端口规划

服务	组件	端口
A2A Agent	WeatherQueryAssistant（天气查询）	5005
A2A Agent	TicketQueryAssistant（票务查询）	5006
A2A Agent	TicketOrderAssistant（票务预定）	5007
MCP Server	WeatherTools（天气工具）	8002
MCP Server	TicketTools（票务工具）	8001
MCP Server	OrderTools（预定工具）	8003
Web UI	Streamlit 应用	8501（默认）

📁 目录结构

multi-agent/
├── app.py                     # Streamlit Web 入口（总控中心）
├── main.py                    # CLI 命令行入口（总控中心）
├── main_prompts.py            # 提示词模板（意图识别/结果总结/景点推荐）
├── config.py                  # 全局配置（LLM / 数据库 / 意图映射）
├── create_logger.py           # 日志配置
│
├── a2a_server/                # A2A 协议 Agent 服务层
│   ├── weather_server.py      # 天气查询 Agent（端口 5005）
│   ├── ticket_server.py       # 票务查询 Agent（端口 5006）
│   └── order_server.py        # 票务预定 Agent（端口 5007）
│
├── mcp_server/                # MCP Server 数据服务层
│   ├── mcp_weather_server.py  # 天气 MCP（端口 8002）
│   ├── mcp_ticket_server.py   # 票务 MCP（端口 8001）
│   └── mcp_order_server.py    # 预定 MCP（端口 8003）
│
├── query_data/
│   └── query_ticket.py        # 票务数据库查询服务
│
├── utils/
│   ├── format.py              # JSON 日期/Decimal 序列化工具
│   └── spider_weather.py      # 和风天气数据爬虫（定时更新天气库）
│
├── sql/
│   ├── sql_data.sql           # 建库建表 DDL
│   └── insert2.sql            # 票务示例数据
│
└── test/                      # 各服务测试脚本
    ├── test_weather_mcp_server.py
    ├── test_ticket_mcp_server.py
    ├── test_order_mcp_server.py
    ├── test_weather_agent_server.py
    ├── test_ticket_agent_server.py
    └── test_order_agent_server.py

🛠️ 技术栈

Agent 协议：A2A（python_a2a）
工具协议：MCP（mcp / FastMCP / langchain-mcp-adapters）
大语言模型：LangChain（langchain-openai），通过 SiliconFlow 接入 Qwen2.5-72B-Instruct（可替换任意 OpenAI 兼容接口）
Web 界面：Streamlit
数据库：MySQL（mysql-connector-python）
数据源：和风天气 API（30 天预报）

🚀 快速开始

1. 环境准备

# Python 3.9+
pip install streamlit langchain langchain-openai python-a2a mcp
pip install langchain-mcp-adapters mysql-connector-python requests schedule pytz

2. 初始化数据库

# 执行建库建表脚本
mysql -u root -p < sql/sql_data.sql

# 导入票务示例数据
mysql -u root -p travel_rag < sql/insert2.sql

如需导入真实天气数据，运行 python utils/spider_weather.py（需配置和风天气 API Key）。

3. 修改配置

编辑 config.py，配置你的 LLM 与数据库信息：

# 大模型配置
self.base_url = 'https://api.siliconflow.cn/v1'
self.api_key = 'sk-xxx'               # 替换为你的 API Key
self.model_name = 'Qwen/Qwen2.5-72B-Instruct'

# 数据库配置
self.host = 'localhost'
self.user = 'root'
self.password = '123456'
self.database = 'travel_rag'

4. 启动服务（按顺序）

# ① 启动 MCP Server（数据层）
python mcp_server/mcp_weather_server.py   # 端口 8002
python mcp_server/mcp_ticket_server.py    # 端口 8001
python mcp_server/mcp_order_server.py     # 端口 8003

# ② 启动 A2A Agent（智能体层）
python a2a_server/weather_server.py       # 端口 5005
python a2a_server/ticket_server.py        # 端口 5006
python a2a_server/order_server.py         # 端口 5007

# ③ 启动总控中心（二选一）
python main.py                            # CLI 交互版
streamlit run app.py                      # Web 聊天版

💬 使用示例

> 成都明天天气怎么样
> 帮我查一下明天成都到西安的高铁票
> 7月15号从成都到西安的机票还有吗
> 帮我订一张明天成都到西安的二等座火车票
> 去西安有什么好玩的景点推荐
> 明天天气怎么样 + 顺便看看去广州的机票    # 多意图组合

CLI 版输入 cards 可查看所有 Agent 的卡片信息（技能/描述/地址），输入 quit 退出。

🔑 核心设计说明

意图识别与查询改写（main_prompts.py）：总控中心将用户输入收敛为 weather / flight / train / concert / order / attraction / out_of_scope 等固定意图；结合对话历史将残缺查询（如"那明天呢？"）改写为完整明确的句子，使下游 Agent 无需关心上下文。
SQL 生成 Agent（a2a_server/）：下游 Agent 通过 LLM 将自然语言转换为 SQL，并将数据库 Schema 作为提示词上下文。信息不足时返回 input_required 追问用户，无关提问则拒绝回答。
Agent 间协作（order_server.py）：票务预定 Agent 先调用票务查询 Agent 确认余票，再将余票信息拼接后交由 MCP 预定工具执行，体现了多 Agent 协作流程。
MCP 解耦：数据库访问统一封装为 MCP 工具（query_weather / query_tickets / order_train 等），Agent 通过 HTTP 流式调用，数据层与智能体层彻底解耦，便于扩展。

🧪 测试

test/ 目录下提供了各 MCP Server 与 A2A Agent 的独立测试脚本，启动对应服务后即可运行：

python test/test_weather_mcp_server.py
python test/test_weather_agent_server.py
python test/test_ticket_mcp_server.py
python test/test_ticket_agent_server.py
python test/test_order_mcp_server.py
python test/test_order_agent_server.py

📄 License

MIT