Agentic MCP Client：一个让 AI Agent 真正「动手干活」的客户端框架

想象这样一个场景

凌晨三点，你刚躺下，突然想起明天要给客户演示一个数据报告。手动操作太慢，让 AI 写代码吧——但 AI 只能"说"，不能"做"。你还得自己复制粘贴、打开终端、运行命令。

有没有一种工具，能让 AI 真正像人一样操控你的电脑、执行各种操作，把这些重复劳动自动化？

Agentic MCP Client 正是为此而生。

---

什么是 Agentic MCP Client？

这是一个用 Python 编写的独立 Agent 运行器，核心能力是：让 AI Agent 调用 MCP（Model Context Protocol）工具，真正去执行实际操作——读写文件、操作浏览器、控制远程 macOS 系统等等。

它支持三大主流 LLM 后端：

• Anthropic Claude（通过官方 API）
• OpenAI GPT 系列（通过 OpenAI 兼容 API）
• AWS BedRock（在亚马逊云上运行，隐私合规场景适用）

项目目前 41 stars、6 forks，代码采用 Apache 2.0 许可证，由 baryhuang 独立维护。

---

MCP 协议：让 AI 和工具「说同一种语言」

理解这个项目，先要理解 MCP（Model Context Protocol）。

传统 AI Agent 遇到问题时，开发者往往需要为每个工具单独写适配代码——接文件工具写一套，接浏览器工具写一套，代码重复且难以维护。MCP 协议就是为了解决这个问题：它提供了一套标准化的通信协议，让 AI 应用（Host）、AI Agent（Client）和各种工具服务（Server）之间可以用统一的 JSON-RPC 2.0 消息格式交互。

Agentic MCP Client 的工作流程非常清晰：

1. 初始化所有配置的 MCP 工具
2. 把任务指令发给选定的 LLM
3. LLM 返回工具调用请求
4. 执行对应 MCP 工具
5. 把工具结果返回 LLM
6. 循环直到任务完成或达到最大迭代次数
7. 关闭所有 MCP 客户端

整个过程完全自主循环，不需要人工介入。

---

快速上手：从安装到跑通第一个任务

环境要求

• Python 3.11+
• uv 包管理器
• npm（用于 Dashboard Web UI）
• 可选：Docker（运行 MCP Docker 工具时需要）

安装步骤

# 克隆代码
git clone https://github.com/peakmojo/agentic-mcp-client
cd agentic-mcp-client

# 安装依赖
uv sync

# 配置 API Key（创建 config.json）
cp config.json.example config.json
# 编辑 config.json，填入你的 API Key

# 定义任务
cp agent_worker_task.json.example agent_worker_task.json
# 编辑任务描述和使用的模型

启动 Web 仪表盘

cd dashboard
npm install
npm run dev
# 访问 http://localhost:3000

运行 Agent

uv run agentic_mcp_client/agent_worker/run.py

---

技术架构：分层的模块化设计

项目的代码结构非常清晰，主要模块包括：

模块	职责
agent_worker/	Agent 核心运行逻辑，任务循环、LLM 调用
mcp_clients/	MCP 客户端实现
mcpManagement/	MCP 服务器管理
mcp_server/	内置 MCP 服务器
anthropic_clients/	Anthropic API 客户端封装
openai_clients/	OpenAI API 客户端封装
models/	数据模型定义
config/	配置管理
dashboard/	Next.js Web 仪表盘（API 文档 + 任务监控）

关键依赖：

• mcp ≥ 1.2.0：MCP 协议核心库
• anthropic ≥ 0.49.0：Anthropic Claude SDK
• fastapi ≥ 0.115：Dashboard 后端
• boto3 ≥ 1.37：AWS BedRock 支持
• tortoise-orm：数据库 ORM
• loguru：日志框架

---

MCP 工具配置示例：远程控制 macOS

项目 README 提供了两个典型 MCP 工具配置示例——通过 Docker 容器远程控制 macOS 系统：

{
  "mcp_servers": {
    "mcp-remote-macos-use": {
      "command": "docker",
      "args": [
        "run", "-i",
        "-e", "MACOS_USERNAME=xxx",
        "-e", "MACOS_PASSWORD=xxx",
        "-e", "MACOS_HOST=xxx",
        "--rm",
        "buryhuang/mcp-remote-macos-use:latest"
      ]
    }
  }
}

这意味着 Agent 可以远程操控一台 macOS 机器：打开应用、读取屏幕、执行脚本——完全自主完成。

---

局限与挑战

没有工具是完美的，Agentic MCP Client 也不例外：

1. 手动配置门槛较高
项目不提供 Dockerfile 或 docker-compose，所有依赖需要手动 uv sync 安装，API Key 也需要手动配置。对非 Python 开发者来说有一定上手成本。

2. 生产级可靠性待验证
目前 stars 较少（41），缺少 CI/CD 流水线、单元测试覆盖等生产级项目标配，核心代码质量尚未经过大规模社区验证。

3. 安全风险
示例配置中包含明文 macOS 账号密码，生产环境使用需配合秘要管理服务（如 AWS Secrets Manager）妥善保管敏感信息。

4. 仅支持三种 LLM 后端
不直接支持 Google Gemini、本地 Ollama 等其他 LLM，需要扩展 client 模块。

---

总结与适用场景

Agentic MCP Client 适合以下场景：

• 开发者需要构建一个可以在真实环境中执行任务的 AI Agent
• 已有 Claude/OpenAI API Key 或 AWS BedRock 账户
• 需要将 AI Agent 与各种外部工具（MCP Server）灵活组合
• 探索 MCP 协议在自主 Agent 领域的实际应用

如果你正在寻找一个可以真正操控电脑、运行工具的 AI Agent 框架，而不是只会回答问题的聊天机器人，这个项目值得一试。

---

项目地址：https://github.com/peakmojo/agentic-mcp-client | Apache 2.0 许可证