Einen KI-Agent mit Model Context Protocol (MCP) in Jitterbit Harmony erstellen

Einführung

Diese Anleitung zeigt, wie man einen einfachen KI-Agent mit einem MCP-Client in Jitterbit Harmony mit Studio erstellt. Sie nutzt den MCP Client Connector, um Tools zu nutzen, die ein Model Context Protocol (MCP)-Server bereitstellt, und fungiert als Chat-Assistent.

Der Prozess umfasst das Festlegen des Kontexts für das große Sprachmodell (LLM), das den Agent als persönlichen Assistenten für einen Software-Ingenieur definiert, das Registrieren von Tools, damit das LLM weiß, welche Aktionen ausgeführt werden sollen, und das Bereitstellen einer benutzerdefinierten Jitterbit-API, um den Workflow auszulösen, der Tools auf dem MCP-Server aufruft.

Tipp

Zu Lernzwecken finden Sie einen Referenzimplementierung dieses Leitfadens im GitHub Agent mit MCP über Jitterbit Marketplace.

Einen KI-Agent mit einem MCP-Client erstellen

Ein neues Studio-Projekt erstellen:
1. Melden Sie sich beim Harmony-Portal an und wählen Sie Studio > Projekte.
2. Klicken Sie auf Neues Projekt. Ein Dialog Neues Projekt erstellen wird geöffnet.
3. Geben Sie im Dialog einen Projektnamen wie AI Agent - MCP ein, wählen Sie eine vorhandene Umgebung aus und klicken Sie dann auf Mit Entwurf beginnen. Der Projekt-Designer wird geöffnet.
Erstellen Sie den Haupt-Einstiegs-Workflow und eine benutzerdefinierte Jitterbit-API. Dieser Workflow ist so ausgelegt, dass er Benutzeranfragen über die API empfängt. So erstellen Sie den Haupt-Einstiegs-Workflow und die API:
1. Doppelklicken Sie im Projekt-Designer auf den Standard-Workflow-Namen und benennen Sie ihn in Main Entry - API Request Handler um.
2. Klicken Sie auf der Registerkarte Projekt-Endpunkte und Connectoren der Design-Komponentenpalette unter der Kategorie Verfügbare Endpunkte auf API, um die erstellbaren Aktivitätstypen anzuzeigen. Klicken Sie dann auf den Aktivitätstyp Anfrage und ziehen Sie ihn in die Drop-Zone auf der Design-Canvas.
3. Doppelklicken Sie auf die Aktivität API-Anfrage, um diese zu konfigurieren. Definieren Sie ein neues JSON-Schema wie folgt:
```
{
    "prompt": "<string>"
}
```
4. Halten Sie den Cursor rechts neben der Aktivität API-Anfrage, klicken Sie auf die Drop-Zone und wählen Sie Neue Transformation. Ein Konfigurationsbildschirm wird geöffnet.
5. Erstellen Sie das Zielschema nach Bedarf und ordnen Sie die Felder innerhalb der Transformation gemäß Ihren Daten und Ihrem Anwendungsfall zu. Beachten Sie den GitHub Agent mit MCP, der über Jitterbit Marketplace bereitgestellt wird, für Beispiele zur Daten-Transformation.
6. Doppelklicken Sie auf den Standard-Operationsnamen und benennen Sie ihn entsprechend um, beispielsweise als Main Entry - API Request Handler (wie der Workflow-Name).
7. Klicken Sie auf das Menü Aktionen der Operation und wählen Sie Bereitstellen > Bereitstellen.
8. Erstellen Sie eine benutzerdefinierte Jitterbit-API, um Benutzerabfrage-Payloads zu empfangen und zu verarbeiten:
  1. Klicken Sie auf das Menü Aktionen der Operation und wählen Sie Als API veröffentlichen oder wählen Sie Als API mit KI veröffentlichen.
  2. Behalten Sie die Standardeinstellungen bei, außer für die folgenden:
    - Methode: POST
    - Antworttyp: Systemvariable
  3. Speichern Sie die Service-URL der veröffentlichten API.
Erstellen Sie den Haupt-KI-Logik-Workflow. Dieser Workflow dient der Verarbeitung von LLM-Aufrufen und der Rückgabe von Antworten. So erstellen Sie den Haupt-KI-Logik-Workflow:
1. Klicken Sie oben in der Design-Canvas auf Neuen Workflow hinzufügen, um einen neuen Workflow zu erstellen.
2. Doppelklicken Sie auf den Standard-Workflow-Namen und benennen Sie ihn in Main - AI Logic um.
3. Verwenden Sie einen nativen LLM-Connector, um einen Endpunkt zu erstellen, der eine Verbindung zum LLM-Service herstellt, den Sie verwenden. Klicken Sie auf der Registerkarte Projekt-Endpunkte und Connectoren der Design-Komponentenpalette unter der Kategorie Verfügbare Endpunkte auf den Endpunkt, um seine Aktivitätstypen anzuzeigen, ziehen Sie dann eine Aktivität in die Drop-Zone der Design-Canvas und doppelklicken Sie darauf, um sie mit Informationen wie einer Aufforderung zum Senden an das LLM zu konfigurieren, um den Kontext festzulegen.
Bewegen Sie den Mauszeiger nach rechts der neu erstellten Aktivität, klicken Sie auf die Drop-Zone und wählen Sie New Transformation. Ein Konfigurationsbildschirm wird geöffnet. Ordnen Sie die LLM-Antwort einer strukturierten Ausgabe zu. Siehe GitHub Agent mit MCP für ein Beispiel.
Verwenden Sie den MCP Client-Connector, um einen Endpunkt zu erstellen, der sich mit dem verwendeten MCP-Server verbindet, und ziehen Sie dann seinen Aktivitätstyp List Tools in eine neue Operationsdrop-Zone auf der Design-Canvas, um eine weitere Operation zu erstellen.
Ziehen Sie einen Aktivitätstyp Register Tools für Ihr LLM in dieselbe Operation, rechts neben der Aktivität List Tools, und platzieren Sie eine Transformation zwischen ihnen. Ordnen Sie die Ausgabe aus der Tool-Liste der Eingabe für das Registrieren von Tools beim LLM zu. Wenn diese Operation ausgeführt wird, speichert Jitterbit die registrierten Tool-Schemas im Speicher des privaten Agenten. Jede Operation, die danach ausgeführt werden soll, hat automatisch Zugriff auf diese Schemas. Es ist nicht erforderlich, die Tool-Definitionen explizit an die nachfolgende Prompt-Operation zu übergeben.
Erstellen Sie zusätzliche Operationen zum Senden des Prompts an das LLM und für die Antwort des LLM, unter Bezugnahme auf die in GitHub Agent mit MCP bereitgestellten Beispiele.
Verbinden Sie die beiden Workflows so, dass der Haupt-KI-Logik-Workflow die Benutzerabfrage vom Haupt-Entry-Workflow erhält:
1. Kehren Sie zum Workflow Main Entry - API Request Handler zurück.
2. Fügen Sie ein Skript hinzu, um den KI-Logik-Workflow aufzurufen:
  1. Bewegen Sie den Mauszeiger nach rechts der Transformation, klicken Sie auf die Drop-Zone und wählen Sie New Script.
  2. Konfigurieren Sie das Skript so, dass die Operation im Workflow Main - AI Agent Tools Logic mit der Funktion RunOperation ausgeführt wird. Ein Beispiel finden Sie im Skript Orchestrator #1 in GitHub Agent mit MCP.
Erstellen Sie den Tools-Workflow. Fügen Sie darin eine Operation für jedes Tool hinzu, das das LLM aufrufen können soll, unter Bezugnahme auf die in GitHub Agent mit MCP bereitgestellten Beispiele. Wenn Sie viele Tools haben, können Sie Variablen verwenden, um die erforderlichen Konfigurationswerte für die Konfiguration der Operationsschritte bereitzustellen.
Erstellen Sie alle erforderlichen Utility-Workflows. Ein empfohlener Workflow zur Fehlerbehandlung ist als Beispiel in GitHub Agent mit MCP enthalten.
Klicken Sie auf das Menü Aktionen des Projekts und wählen Sie Deploy Project.