I client MCP locali sono così sottovalutati! Tutti stanno usando Cursor, Claude Desktop e ChatGPT come host MCP, ma se stai costruendo le tue app che supportano MCP, hai bisogno di client personalizzati. Ecco il problema: scrivere client MCP da zero è doloroso e richiede tempo. Oggi ti mostrerò come costruire client MCP personalizzati in pochi minuti, non ore. Per dimostrarlo, ho creato un assistente AI completamente privato e definitivo che può: - Connettersi a qualsiasi server MCP - Automatizzare l'uso del browser - Estrarre dati dal web senza problemi - Controllare il terminale del mio computer - Elaborare immagini, audio e documenti - Ricordare tutto con grafi della conoscenza Il segreto? mcp-use — un framework 100% open-source che rende l'integrazione MCP banale. Costruire agenti MCP personalizzati richiede 3 passaggi: 1. Definisci la configurazione del tuo server MCP 2. Collega qualsiasi LLM con il client MCP 3. Distribuisci il tuo agente Ecco tutto. Nessuna configurazione complessa, nessuna dipendenza proprietaria. La parte migliore? Tutto funziona localmente. I tuoi dati rimangono privati e controlli l'intero stack. Analisi completa con codice...👇

Analizziamo questo esplorando ogni integrazione e comprendendo come funziona, utilizzando codice e illustrazioni:

1️⃣ Server MCP Stagehand Iniziamo consentendo al nostro Agente di controllare un browser, navigare tra le pagine web, fare screenshot, ecc., utilizzando @Stagehanddev MCP. Qui sotto, ho posto una domanda sul meteo, e l'Agente ha risposto autonomamente avviando una sessione del browser. Controlla questo👇

2️⃣ Server MCP Firecrawl Successivamente, aggiungiamo capacità di scraping, crawling e ricerca approfondita all'Agente. mcp-use supporta la connessione a più server MCP simultaneamente. Quindi aggiungiamo la configurazione MCP @firecrawl_dev a quella esistente e interagiamo con essa. Controlla questo👇

3️⃣ Server MCP Graphiti Finora, il nostro Agente è privo di memoria. Dimentica tutto dopo ogni compito. Il Graphiti di @Zep_ai è un server MCP che fornisce al nostro agente uno strato di memoria in tempo reale basato su grafi. Puoi anche visualizzare questo grafo in Neo4j. Controlla questo👇

4️⃣ Server MCP Ragie Successivamente, forniamo capacità RAG multimodali all'Agente per elaborare testi, immagini, video, audio, documenti, ecc. È alimentato da @ragieai MCP. Di seguito, gli ho chiesto di elencare i progetti nel mio PDF MCP (un documento complesso), e ha risposto perfettamente. Controlla questo👇

5️⃣ Server MCP di GitIngest Successivamente, per soddisfare le esigenze degli sviluppatori, consentiamo al nostro Agente di chattare con qualsiasi repo di GitHub. Di seguito, ho chiesto informazioni sullo stack tecnologico del mio flusso di scrittura del libro fornendo il link del repo. Ha estratto le informazioni corrette utilizzando il server MCP. Controlla questo👇

6️⃣ Server MCP terminal Infine, diamo al nostro Agente il controllo del terminale per eseguire comandi per lo sviluppatore, se necessario. Fornisce strumenti come: - leggere/scrivere/cercare/spostare file - eseguire un comando - creare/elencare directory, ecc. Controlla questo👇

Infine, racchiudiamo tutto questo in un'interfaccia Streamlit, dove possiamo modificare dinamicamente la configurazione MCP. Questo ci offre un assistente AI locale al 100% che può navigare, estrarre dati, ha memoria, recuperare informazioni da una base di conoscenza multimodale e molto altro. Guarda questa demo👇

È tutto! Se lo hai trovato interessante, condividilo con la tua rete. Trova me → @akshay_pachaar ✔️ Per approfondimenti pratici e tutorial su LLM, AI Agents e Machine Learning!