Les clients MCP locaux sont tellement sous-estimés ! Tout le monde utilise Cursor, Claude Desktop et ChatGPT comme hôtes MCP, mais si vous construisez vos propres applications qui prennent en charge MCP, vous avez besoin de clients personnalisés. Voici le problème : écrire des clients MCP à partir de zéro est douloureux et chronophage. Aujourd'hui, je vais vous montrer comment construire des clients MCP personnalisés en quelques minutes, pas en heures. Pour prouver cela, j'ai construit un assistant AI ultime entièrement privé qui peut : - Se connecter à n'importe quel serveur MCP - Automatiser l'utilisation du navigateur - Extraire des données web sans effort - Contrôler le terminal de mon ordinateur - Traiter des images, de l'audio et des documents - Se souvenir de tout avec des graphes de connaissances Le secret ? mcp-use — un framework 100 % open-source qui rend l'intégration MCP triviale. Construire des agents MCP personnalisés prend 3 étapes : 1. Définir la configuration de votre serveur MCP 2. Connecter n'importe quel LLM avec le client MCP 3. Déployer votre agent C'est tout. Pas de configuration complexe, pas de dépendances propriétaires. Le meilleur dans tout ça ? Tout fonctionne localement. Vos données restent privées, et vous contrôlez l'ensemble de la pile. Détails complets avec code...👇

Décomposons cela en explorant chaque intégration et en comprenant comment cela fonctionne, en utilisant du code et des illustrations :

1️⃣ Serveur MCP Stagehand Nous commençons par permettre à notre Agent de contrôler un navigateur, de naviguer sur des pages web, de prendre des captures d'écran, etc., en utilisant @Stagehanddev MCP. Ci-dessous, j'ai posé une question sur la météo, et l'Agent y a répondu de manière autonome en initiant une session de navigateur. Vérifiez ceci👇

2️⃣ Serveur MCP Firecrawl Ensuite, nous ajoutons des capacités de scraping, de crawling et de recherche approfondie à l'Agent. mcp-use prend en charge la connexion à plusieurs serveurs MCP simultanément. Nous ajoutons donc la configuration MCP @firecrawl_dev à la configuration existante et interagissons avec elle. Vérifiez ceci👇

3️⃣ Serveur Graphiti MCP Jusqu'à présent, notre Agent n'a pas de mémoire. Il oublie tout après chaque tâche. Le Graphiti de @Zep_ai est un serveur MCP qui fournit à notre agent une couche de mémoire en temps réel basée sur un graphe. Vous pouvez également visualiser ce graphe dans Neo4j. Vérifiez ceci👇

4️⃣ Serveur Ragie MCP Ensuite, nous fournissons des capacités RAG multimodales à l'Agent pour traiter des textes, des images, des vidéos, des audios, des documents, etc. Il est alimenté par @ragieai MCP. Ci-dessous, je lui ai demandé de lister les projets dans mon PDF MCP (un document complexe), et il a répondu parfaitement. Vérifiez cela👇

5️⃣ Serveur MCP GitIngest Ensuite, pour répondre aux besoins des développeurs, nous permettons à notre Agent de discuter avec n'importe quel dépôt GitHub. Ci-dessous, j'ai demandé des informations sur la pile technologique de mon flux d'écrivain de livre en fournissant le lien du dépôt. Il a extrait les bonnes informations en utilisant le serveur MCP. Vérifiez ceci👇

6️⃣ Serveur MCP terminal Enfin, nous donnons à notre Agent le contrôle du terminal pour exécuter des commandes pour le développeur si nécessaire. Il fournit des outils comme : - lire/écrire/rechercher/déplacer des fichiers - exécuter une commande - créer/lister un répertoire, etc. Vérifiez ceci👇

Enfin, nous enveloppons cela dans une interface Streamlit, où nous pouvons modifier dynamiquement la configuration MCP. Cela nous donne un assistant AI ultime 100% local qui peut naviguer, extraire des données, a de la mémoire, récupérer des informations d'une base de connaissances multimodale, et bien plus encore. Découvrez cette démo👇

C'est tout ! Si vous l'avez trouvé instructif, partagez-le avec votre réseau. Trouvez-moi → @akshay_pachaar ✔️ Pour des insights pratiques et des tutoriels sur les LLM, les agents IA et l'apprentissage automatique !