AgentPractice-Playground

这个仓库用于记录 Agent、MCP 和 RAG 的基础练习代码。每个目录都是一个相对独立的小 demo，可以单独进入对应目录运行。

目录

.
├── 01-简单的ReAct基础/
├── 02-如何书写自己的MCP/
└── 03-简单的RAG/

01-简单的ReAct基础

一个简单的 ReAct Agent 示例，演示如何让模型按照“思考、行动、观察”的流程调用工具并完成任务。

运行方式：

cd "01-简单的ReAct基础"
uv run agent.py result

运行前需要在该目录下创建 .env：

OPENROUTER_API_KEY=xxx
OPENROUTER_BASE_URL=https://openrouter.ai/api/v1
OPENROUTER_MODEL=openai/gpt-4o

02-如何书写自己的MCP

一个 MCP Server 示例，位于：

02-如何书写自己的MCP/weather

其中 weather.py 定义了两个 MCP tool：

• get_alerts：根据美国州代码查询天气预警
• get_forecast：根据经纬度查询天气预报

这个 MCP 使用 stdio transport，不需要手动启动长期运行的 HTTP server。只要在 Cline 等支持 MCP 的工具里配置好启动命令，客户端会在需要时自动拉起 Python 进程。

03-简单的RAG

一个简单的 RAG 示例，流程包括：

1. 读取 doc.md
2. 将文档切分成 chunks
3. 使用 embedding 模型生成向量
4. 将向量写入 ChromaDB
5. 根据 query 召回相关片段
6. 使用 CrossEncoder rerank
7. 使用 OpenRouter 兼容 OpenAI SDK 生成最终回答

运行方式：

cd "03-简单的RAG/rag"
uv run main.py

运行前需要在 03-简单的RAG/rag 下创建 .env：

OPENROUTER_API_KEY=xxx
OPENROUTER_BASE_URL=https://openrouter.ai/api/v1
OPENROUTER_MODEL=openai/gpt-4o

环境说明

项目使用 uv 管理 Python 依赖。每个 demo 都有自己的 pyproject.toml，建议进入具体 demo 目录后再运行 uv run。

仓库不会提交真实 .env 文件，也不会提交 .venv 虚拟环境目录。需要配置密钥时，请参考对应目录下的 .env.example。