Lokale MCP-Clients sind so unterbewertet! Jeder nutzt Cursor, Claude Desktop und ChatGPT als MCP-Hosts, aber wenn du deine eigenen Apps baust, die MCP unterstützen, benötigst du benutzerdefinierte Clients. Hier ist das Problem: MCP-Clients von Grund auf neu zu schreiben, ist schmerzhaft und zeitaufwendig. Heute zeige ich dir, wie du benutzerdefinierte MCP-Clients in Minuten und nicht in Stunden erstellen kannst. Um das zu beweisen, habe ich einen vollständig privaten, ultimativen KI-Assistenten gebaut, der: - Mit jedem MCP-Server verbindet - Die Nutzung des Browsers automatisiert - Webdaten nahtlos scrapt - Das Terminal meines Computers steuert - Bilder, Audio und Dokumente verarbeitet - Alles mit Wissensgraphen speichert Das Geheimnis? mcp-use — ein 100% Open-Source-Framework, das die MCP-Integration trivial macht. Das Erstellen benutzerdefinierter MCP-Agenten erfolgt in 3 Schritten: 1. Definiere deine MCP-Serverkonfiguration 2. Verbinde ein beliebiges LLM mit dem MCP-Client 3. Setze deinen Agenten ein Das war's. Keine komplexe Einrichtung, keine proprietären Abhängigkeiten. Der beste Teil? Alles läuft lokal. Deine Daten bleiben privat, und du kontrollierst den gesamten Stack. Vollständige Aufschlüsselung mit Code...👇

Lass uns das aufschlüsseln, indem wir jede Integration erkunden und verstehen, wie sie funktioniert, unter Verwendung von Code und Illustrationen:

1️⃣ Stagehand MCP-Server Wir beginnen damit, unserem Agenten zu erlauben, einen Browser zu steuern, Webseiten zu navigieren, Screenshots zu machen usw., mithilfe von @Stagehanddev MCP. Unten habe ich eine Wetteranfrage gestellt, und der Agent hat autonom darauf reagiert, indem er eine Browsersitzung gestartet hat. Überprüfen Sie das👇

2️⃣ Firecrawl MCP-Server Als Nächstes fügen wir dem Agenten Scraping-, Crawling- und tiefgehende Recherchefähigkeiten hinzu. mcp-use unterstützt die gleichzeitige Verbindung zu mehreren MCP-Servern. Daher fügen wir die @firecrawl_dev MCP-Konfiguration zur bestehenden Konfiguration hinzu und interagieren damit. Überprüfen Sie dies👇

3️⃣ Graphiti MCP-Server Bisher ist unser Agent erinnerungslos. Er vergisst alles nach jeder Aufgabe. Der Graphiti MCP-Server von @Zep_ai bietet unserem Agenten eine graphbasierte Echtzeitspeicherschicht. Sie können dieses Diagramm auch in Neo4j visualisieren. Überprüfen Sie das👇

4️⃣ Ragie MCP-Server Als Nächstes bieten wir multimodale RAG-Funktionen für den Agenten, um Texte, Bilder, Videos, Audios, Dokumente usw. zu verarbeiten. Es wird von @ragieai MCP betrieben. Unten habe ich es gebeten, Projekte in meinem MCP-PDF (ein komplexes Dokument) aufzulisten, und es hat perfekt geantwortet. Überprüfe das👇

5️⃣ GitIngest MCP-Server Um die Bedürfnisse der Entwickler zu erfüllen, ermöglichen wir unserem Agenten, mit jedem GitHub-Repo zu chatten. Unten habe ich nach dem Tech-Stack meines Buchautoren-Workflows gefragt, indem ich den Repo-Link bereitgestellt habe. Er hat die richtigen Informationen mithilfe des MCP-Servers extrahiert. Überprüfe das👇

6️⃣ Terminal MCP-Server Schließlich geben wir unserem Agenten die Kontrolle über das Terminal, um bei Bedarf Befehle für den Entwickler auszuführen. Es bietet Werkzeuge wie: - Dateien lesen/schreiben/suchen/bewegen - einen Befehl ausführen - Verzeichnis erstellen/auflisten usw. Überprüfen Sie das👇

Zuletzt wickeln wir dies in eine Streamlit-Oberfläche ein, in der wir die MCP-Konfiguration dynamisch ändern können. Das gibt uns einen 100% lokalen ultimativen KI-Assistenten, der browsen, scrapen, über Gedächtnis verfügen, aus einer multimodalen Wissensdatenbank abrufen und vieles mehr kann. Überprüfen Sie diese Demo👇

Das war's! Wenn du es aufschlussreich fandest, teile es mit deinem Netzwerk. Finde mich → @akshay_pachaar ✔️ Für praktische Einblicke und Tutorials zu LLMs, AI Agents und Machine Learning!