Shallow Research Code Assistant

Un asistente de investigación y código impulsado por inteligencia artificial multiagente. Requiere claves API externas para proveedores de LLM, búsqueda web y ejecución segura de código.

GitHubPrueba este MCPPatrocinado

Documentación

title: ShallowCodeResearch emoji: 📉 colorFrom: red colorTo: pink sdk: gradio sdk_version: 5.33.1 app_file: app.py pinned: false short_description: Asistente de investigación de código que genera código y lo prueba tags:

  • mcp
  • multi-agent
  • research
  • code-generation
  • ai-assistant
  • gradio
  • python
  • web-search
  • llm
  • modal
  • mcp-server-track python_version: '3.12'

Shallow Research Code Assistant - Asistente de Código de IA Multi-Agente

Tecnologías Utilizadas

Esto es parte del track de MCP para el Hackathon (con un poco de Agents)

  • Gradio para la interfaz de usuario y la lógica MCP
  • Modal AI para crear sandboxes para la ejecución de código
  • Nebius, OpenAI, Anthropic y Hugging Face se pueden usar para llamadas LLM
  • Nebius configurado por defecto para inferencia, con prioridad en la velocidad de tokens que se puede encontrar en la plataforma

❤️ Un enorme agradecimiento a los patrocinadores por los generosos créditos para este hackathon y a Hugging Face y Gradio por organizar este evento 🔥

Hub MCP server

Un agradecimiento especial a Yuvi por aguantarnos en Discord pidiendo créditos 😂

🚀 Sistema multi-agente para búsqueda y generación de código impulsadas por IA

¿Qué es el Shallow Research MCP Hub para Asistencia de Código?

Shallow Research Code Assistant es un sofisticado asistente de investigación y código multi-agente construido utilizando la funcionalidad de servidor Model Context Protocol (MCP) de Gradio. Orquesta agentes de IA especializados para proporcionar capacidades de investigación integrales y generar código Python ejecutable. Esta herramienta de investigación "superficial" (definitivamente no es investigación profunda) aumenta la consulta inicial del usuario para ampliar el alcance antes de realizar búsquedas web para fundamentar.

El agente de código luego genera el código para responder la pregunta del usuario y verifica si hay errores. Para garantizar que el código sea válido, el código se ejecuta en un sandbox remoto utilizando la infraestructura de Modal. Estos sandboxes se crean cuando es necesario con una huella pequeña (solo pandas, numpy, request y scikit-learn están instalados).

Sin embargo, si se requieren paquetes adicionales, estos se instalarán antes de la ejecución (se esperan algunos retrasos aquí dependiendo de la solicitud).

Una vez ejecutado, todo el proceso se resume y se devuelve al usuario.

📹 Video de Demostración

MCP Demo Shallow Research Code Assistant

Haz clic en la insignia de arriba para ver la demostración completa del MCP Demo Shallow Research Code Assistant en acción

Información Clave

He descubierto que al usar VS Code para la interacción MCP, es útil escribir el nombre de la función principal del agente para asegurarse de que se seleccione la herramienta correcta.

Por ejemplo "agent research request: How do you write a python script to perform scaling of features in a dataframe"

Este es el script JSON necesario para configurar el MCP en VS Code

{
    "mcp": {
        "inputs": [],
        "servers": {
        "gradiocodeassist": {
            "command": "npx",
            "args": [
                "mcp-remote",
                "https://agents-mcp-hackathon-shallowcoderesearch.hf.space/gradio_api/mcp/sse",
            ]
        }
    }
}

Este es el script JSON necesario para configurar el MCP a través de Cline en VS Code

{
  "mcpServers": {
    "gradiocodeassist": {
      "autoApprove": [],
      "disabled": false,
      "timeout": 300,
      "type": "sse",
      "url": "https://agents-mcp-hackathon-shallowcoderesearch.hf.space/gradio_api/mcp/sse",
      "headers": {}
    }
  }
}

✨ Características Clave

  • 🧠 Arquitectura Multi-Agente: Agentes especializados trabajando en flujos de trabajo orquestados
  • 🔍 Investigación Inteligente: Búsqueda web con resumen automático y formato de citas
  • 💻 Generación de Código: Creación de código Python consciente del contexto con ejecución segura
  • 🔗 Servidor MCP: Servidor MCP integrado para comunicación fluida entre agentes
  • 🎯 Soporte Múltiple de LLM: Compatible con Nebius, OpenAI, Anthropic y HuggingFace (Actualmente configurado en Nebius Inference)
  • 🛡️ Ejecución Segura: Entorno sandbox de Modal para ejecución segura de código
  • 📊 Monitoreo de Rendimiento: Recopilación avanzada de métricas y monitoreo de salud

🏛️ Arquitectura del Flujo de Trabajo MCP

MCP Workflow Diagram

El diagrama anterior ilustra la arquitectura completa del flujo de trabajo Multi-Agente, mostrando cómo diferentes agentes se comunican a través del servidor MCP (Model Context Protocol) para ofrecer capacidades integrales de investigación y generación de código.

🚀 Inicio Rápido

  1. Configura tu entorno estableciendo las claves API en la pestaña Configuración
  2. Elige tu proveedor de LLM Nebius configurado por defecto en el Space
  3. Ingresa tu consulta de investigación en la pestaña Flujo del Orquestador
  4. Observa la magia suceder mientras los agentes colaboran para investigar y generar código

🏗️ Arquitectura

Agentes Principales

  • Mejorador de Preguntas: Descompone consultas complejas en subpreguntas enfocadas
  • Agente de Búsqueda Web: Realiza búsquedas específicas utilizando la API de Tavily
  • Procesador LLM: Maneja el procesamiento de texto, resumen y análisis
  • Formateador de Citas: Gestiona el formato de citas académicas (estilo APA)
  • Generador de Código: Crea código Python consciente del contexto
  • Ejecutor de Código: Ejecuta código en sandboxes seguros de Modal
  • Orquestador: Coordina el flujo de trabajo completo

Ejemplo de Flujo de Trabajo

User Query: "Create Python code to analyze Twitter sentiment"
    ↓
Question Enhancement: Split into focused sub-questions
    ↓
Web Research: Search for Twitter APIs, sentiment libraries, examples
    ↓
Context Integration: Combine research into comprehensive context
    ↓
Code Generation: Create executable Python script
    ↓
Secure Execution: Run code in Modal sandbox
    ↓
Results: Code + output + research summary + citations

🛠️ Requisitos de Configuración

Claves API Requeridas

  • Proveedor de LLM (elige uno):
    • Nebius API (recomendado)
    • OpenAI API
    • Anthropic API
    • HuggingFace Inference API
  • Tavily API (para búsqueda web)
  • Cuenta de Modal (para ejecución de código)

Configuración del Entorno

Establece estas variables de entorno o configúralas en la aplicación:

LLM_PROVIDER=nebius  # Your chosen provider
NEBIUS_API_KEY=your_key_here
TAVILY_API_KEY=your_key_here
MODAL_ID=your-id-here
MODEL_SECRET_TOKEN=your-token-here

🎯 Casos de Uso

Generación de Código

  • Desarrollo de Prototipos: Crea rápidamente código funcional basado en requisitos
  • Integración con IDE: Añade esto a tu IDE para soporte LLM fundamentado

Aprendizaje y Educación

  • Ejemplos de Código: Genera muestras de código educativas con explicaciones
  • Exploración de Conceptos: Investiga y comprende conceptos complejos de programación
  • Mejores Prácticas: Aprende estándares y metodologías actuales de la industria

🔧 Características Avanzadas

Monitoreo de Rendimiento

  • Recopilación de métricas en tiempo real
  • Seguimiento del tiempo de respuesta
  • Monitoreo de la tasa de éxito
  • Análisis de uso de recursos

Caché Inteligente

  • Reduce llamadas API redundantes
  • Mejora los tiempos de respuesta
  • Configuración TTL ajustable

Tolerancia a Fallos

  • Protección de interruptor de circuito
  • Gestión de límite de velocidad
  • Manejo elegante de errores
  • Mecanismos de reintento automático

Gestión del Pool de Sandboxes

  • Entornos de ejecución precalentados
  • Rendimiento optimizado
  • Agrupación de recursos
  • Escalado automático

📱 Pestañas de la Interfaz

  1. Flujo del Orquestador: Flujo de trabajo completo de principio a fin
  2. Agentes Individuales: Accede a cada agente por separado para tareas específicas
  3. Características Avanzadas: Monitoreo del sistema y análisis de rendimiento

🤝 Integración MCP

Esta aplicación demuestra una implementación avanzada de MCP (Model Context Protocol):

  • Arquitectura del Servidor: Servidor MCP completo con generación de esquemas
  • Registro de Funciones: Definiciones de funciones MCP adecuadas con tipado
  • Comunicación Multi-Agente: Flujo de datos estructurado entre agentes
  • Manejo de Errores: Gestión robusta de errores en las interacciones entre agentes

📊 Rendimiento

  • Tiempos de Respuesta: Optimizados para respuestas de agentes en menos de un segundo
  • Escalabilidad: Maneja solicitudes concurrentes de manera eficiente
  • Fiabilidad: Tolerancia a fallos y monitoreo integrados
  • Gestión de Recursos: Caché y agrupación inteligentes

🔍 Detalles Técnicos

  • Python: 3.12+ requerido
  • Framework: Gradio con capacidades de servidor MCP
  • Ejecución: Modal para ejecución segura de código en sandbox
  • Búsqueda: API de Tavily para investigación web en tiempo real
  • Monitoreo: Seguimiento integral del rendimiento y la salud

¿Listo para experimentar el futuro de la investigación y el desarrollo asistidos por IA?

Comienza configurando tus claves API y sumérgete en el mundo de la colaboración multi-agente con IA! 🚀

📝 Licencia

Este proyecto está licenciado bajo la Licencia MIT.
Eres libre de usar, modificar y distribuir este software con la atribución adecuada. Consulta el archivo LICENSE para más detalles.