295 lines
12 KiB
Python
295 lines
12 KiB
Python
#!/usr/bin/env python3
|
|
"""
|
|
Cliente MCP que interage com o usuário via chat usando LLM.
|
|
Interpreta a operação matemática desejada e executa através do servidor MCP.
|
|
"""
|
|
|
|
import asyncio
|
|
import json
|
|
from typing import Optional
|
|
from mcp import ClientSession, StdioServerParameters
|
|
from mcp.client.stdio import stdio_client
|
|
from openai import OpenAI
|
|
|
|
|
|
# Configuração do LLM
|
|
API_BASE_URL = "https://api.xptoai.com.br/genai/grokcode/v1"
|
|
API_KEY = "sua chave de API para o endopoint do LLM"
|
|
MODEL_NAME = "grokcode" # Modelo padrão, pode ser ajustado
|
|
|
|
|
|
class MCPChatClient:
|
|
"""Cliente de chat que integra MCP com LLM."""
|
|
|
|
def __init__(self):
|
|
self.client = OpenAI(
|
|
base_url=API_BASE_URL,
|
|
api_key=API_KEY
|
|
)
|
|
self.session: Optional[ClientSession] = None
|
|
self.available_tools = []
|
|
self.conversation_history = []
|
|
|
|
async def connect_to_server(self):
|
|
"""Conecta ao servidor MCP."""
|
|
server_params = StdioServerParameters(
|
|
command="python3",
|
|
args=["mcp_server.py"],
|
|
env=None
|
|
)
|
|
|
|
# stdio_client retorna um context manager assíncrono
|
|
self.stdio_context = stdio_client(server_params)
|
|
self.stdio, self.write = await self.stdio_context.__aenter__()
|
|
self.session = ClientSession(self.stdio, self.write)
|
|
|
|
await self.session.__aenter__()
|
|
|
|
# Inicializar sessão
|
|
await self.session.initialize()
|
|
|
|
# Obter lista de ferramentas disponíveis
|
|
tools_list = await self.session.list_tools()
|
|
self.available_tools = tools_list.tools
|
|
|
|
print(f"✓ Conectado ao servidor MCP")
|
|
print(f"✓ Ferramentas disponíveis: {[tool.name for tool in self.available_tools]}\n")
|
|
|
|
def format_tools_for_openai(self) -> list:
|
|
"""Formata as ferramentas MCP para o formato OpenAI."""
|
|
openai_tools = []
|
|
for tool in self.available_tools:
|
|
openai_tools.append({
|
|
"type": "function",
|
|
"function": {
|
|
"name": tool.name,
|
|
"description": tool.description,
|
|
"parameters": tool.inputSchema
|
|
}
|
|
})
|
|
return openai_tools
|
|
|
|
async def call_mcp_tool(self, tool_name: str, arguments: dict) -> str:
|
|
"""Chama uma ferramenta no servidor MCP."""
|
|
result = await self.session.call_tool(tool_name, arguments)
|
|
|
|
# Extrair o conteúdo de texto do resultado
|
|
if result.content and len(result.content) > 0:
|
|
return result.content[0].text
|
|
return json.dumps({"error": "Nenhum resultado retornado"})
|
|
|
|
async def chat(self, user_message: str) -> str:
|
|
"""Processa uma mensagem do usuário e retorna a resposta do LLM."""
|
|
|
|
# Adicionar mensagem do usuário ao histórico
|
|
self.conversation_history.append({
|
|
"role": "user",
|
|
"content": user_message
|
|
})
|
|
|
|
# Preparar mensagens para o LLM
|
|
messages = [
|
|
{
|
|
"role": "system",
|
|
"content": (
|
|
"Você é um assistente matemático inteligente que ajuda usuários a realizar operações matemáticas. "
|
|
"Você tem acesso a 4 ferramentas: soma, subtração, multiplicação e divisão. "
|
|
"\n\n"
|
|
"Seu objetivo é:\n"
|
|
"1. Interpretar qual operação matemática o usuário deseja realizar através da conversa natural\n"
|
|
"2. Identificar os dois números que o usuário quer usar\n"
|
|
"3. Chamar a ferramenta apropriada com os números corretos\n"
|
|
"4. Apresentar o resultado de forma clara e amigável\n"
|
|
"\n"
|
|
"Exemplos de interpretação:\n"
|
|
"- 'Quanto é 5 mais 3?' → usar ferramenta 'soma' com 5 e 3\n"
|
|
"- 'Subtraia 10 de 25' → usar ferramenta 'subtracao' com 25 e 10\n"
|
|
"- 'Multiplique 7 por 8' → usar ferramenta 'multiplicacao' com 7 e 8\n"
|
|
"- 'Divida 20 por 4' → usar ferramenta 'divisao' com 20 e 4\n"
|
|
"- '15 menos 7' → usar ferramenta 'subtracao' com 15 e 7\n"
|
|
"\n"
|
|
"Se o usuário pedir uma operação que não está disponível (como potência, raiz quadrada, etc.), "
|
|
"informe educadamente que apenas as 4 operações básicas estão implementadas. "
|
|
"\n"
|
|
"Seja conversacional, natural e prestativo na interação."
|
|
)
|
|
}
|
|
] + self.conversation_history
|
|
|
|
# Fazer chamada ao LLM com ferramentas
|
|
openai_tools = self.format_tools_for_openai()
|
|
|
|
response = self.client.chat.completions.create(
|
|
model=MODEL_NAME,
|
|
messages=messages,
|
|
tools=openai_tools if openai_tools else None,
|
|
tool_choice="auto" if openai_tools else None
|
|
)
|
|
|
|
assistant_message = response.choices[0].message
|
|
|
|
# Verificar se o LLM quer chamar ferramentas
|
|
if assistant_message.tool_calls:
|
|
# Adicionar a resposta do assistente ao histórico
|
|
self.conversation_history.append({
|
|
"role": "assistant",
|
|
"content": assistant_message.content,
|
|
"tool_calls": [
|
|
{
|
|
"id": tc.id,
|
|
"type": "function",
|
|
"function": {
|
|
"name": tc.function.name,
|
|
"arguments": tc.function.arguments
|
|
}
|
|
}
|
|
for tc in assistant_message.tool_calls
|
|
]
|
|
})
|
|
|
|
# Executar as ferramentas solicitadas
|
|
for tool_call in assistant_message.tool_calls:
|
|
function_name = tool_call.function.name
|
|
function_args = json.loads(tool_call.function.arguments)
|
|
|
|
print(f"🔧 Executando ferramenta: {function_name}")
|
|
print(f" Argumentos: {function_args}")
|
|
|
|
# Chamar a ferramenta MCP
|
|
tool_result = await self.call_mcp_tool(function_name, function_args)
|
|
|
|
# Verificar se houve erro no resultado
|
|
try:
|
|
result_data = json.loads(tool_result)
|
|
if "error" in result_data:
|
|
print(f" ⚠️ Erro: {result_data['error']}")
|
|
else:
|
|
print(f" ✓ Resultado: {result_data.get('resultado', tool_result)}")
|
|
except:
|
|
print(f" Resultado: {tool_result}")
|
|
|
|
print()
|
|
|
|
# Adicionar resultado da ferramenta ao histórico
|
|
self.conversation_history.append({
|
|
"role": "tool",
|
|
"tool_call_id": tool_call.id,
|
|
"content": tool_result
|
|
})
|
|
|
|
# Fazer nova chamada ao LLM com os resultados das ferramentas
|
|
messages = [
|
|
{
|
|
"role": "system",
|
|
"content": (
|
|
"Você é um assistente matemático inteligente que ajuda usuários a realizar operações matemáticas. "
|
|
"Você tem acesso a 4 ferramentas: soma, subtração, multiplicação e divisão. "
|
|
"\n\n"
|
|
"Seu objetivo é:\n"
|
|
"1. Interpretar qual operação matemática o usuário deseja realizar através da conversa natural\n"
|
|
"2. Identificar os dois números que o usuário quer usar\n"
|
|
"3. Chamar a ferramenta apropriada com os números corretos\n"
|
|
"4. Apresentar o resultado de forma clara e amigável\n"
|
|
"\n"
|
|
"Exemplos de interpretação:\n"
|
|
"- 'Quanto é 5 mais 3?' → usar ferramenta 'soma' com 5 e 3\n"
|
|
"- 'Subtraia 10 de 25' → usar ferramenta 'subtracao' com 25 e 10\n"
|
|
"- 'Multiplique 7 por 8' → usar ferramenta 'multiplicacao' com 7 e 8\n"
|
|
"- 'Divida 20 por 4' → usar ferramenta 'divisao' com 20 e 4\n"
|
|
"- '15 menos 7' → usar ferramenta 'subtracao' com 15 e 7\n"
|
|
"\n"
|
|
"Se o usuário pedir uma operação que não está disponível (como potência, raiz quadrada, etc.), "
|
|
"informe educadamente que apenas as 4 operações básicas estão implementadas. "
|
|
"\n"
|
|
"Se houver erro na execução (como divisão por zero), explique o erro de forma educada e sugira uma alternativa. "
|
|
"\n"
|
|
"Seja conversacional, natural e prestativo na interação."
|
|
)
|
|
}
|
|
] + self.conversation_history
|
|
|
|
final_response = self.client.chat.completions.create(
|
|
model=MODEL_NAME,
|
|
messages=messages
|
|
)
|
|
|
|
final_message = final_response.choices[0].message.content
|
|
|
|
# Adicionar resposta final ao histórico
|
|
self.conversation_history.append({
|
|
"role": "assistant",
|
|
"content": final_message
|
|
})
|
|
|
|
return final_message
|
|
|
|
else:
|
|
# Não há chamadas de ferramentas, apenas resposta textual
|
|
response_text = assistant_message.content or ""
|
|
|
|
self.conversation_history.append({
|
|
"role": "assistant",
|
|
"content": response_text
|
|
})
|
|
|
|
return response_text
|
|
|
|
async def close(self):
|
|
"""Fecha a conexão com o servidor MCP."""
|
|
if self.session:
|
|
await self.session.__aexit__(None, None, None)
|
|
if hasattr(self, 'stdio_context'):
|
|
await self.stdio_context.__aexit__(None, None, None)
|
|
|
|
|
|
async def main():
|
|
"""Função principal que executa o chat interativo."""
|
|
print("=" * 60)
|
|
print(" Chat com AI Agent - Operações Matemáticas")
|
|
print("=" * 60)
|
|
print()
|
|
|
|
client = MCPChatClient()
|
|
|
|
try:
|
|
# Conectar ao servidor MCP
|
|
await client.connect_to_server()
|
|
|
|
print("💬 Iniciando conversa com o assistente...")
|
|
print(" (Digite 'sair' para encerrar)\n")
|
|
print("-" * 60)
|
|
|
|
# Loop de chat interativo
|
|
while True:
|
|
# Obter entrada do usuário
|
|
user_input = input("\n👤 Você: ").strip()
|
|
|
|
if not user_input:
|
|
continue
|
|
|
|
if user_input.lower() in ['sair', 'exit', 'quit']:
|
|
print("\n👋 Encerrando chat. Até logo!")
|
|
break
|
|
|
|
# Processar mensagem
|
|
print("\n🤖 Assistente: ", end="", flush=True)
|
|
response = await client.chat(user_input)
|
|
print(response)
|
|
print("-" * 60)
|
|
|
|
except KeyboardInterrupt:
|
|
print("\n\n👋 Chat interrompido. Até logo!")
|
|
|
|
except Exception as e:
|
|
print(f"\n❌ Erro: {e}")
|
|
import traceback
|
|
traceback.print_exc()
|
|
|
|
finally:
|
|
# Fechar conexão
|
|
await client.close()
|
|
|
|
|
|
if __name__ == "__main__":
|
|
asyncio.run(main())
|