Shallow Research Code Assistant

---

title: ShallowCodeResearch emoji: 📉 colorFrom: red colorTo: pink sdk: gradio sdk_version: 5.33.1 app_file: app.py pinned: false short_description: Coding research assistant that generates code and tests it 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 - Multi-Agent AI Code Assistant

Tecnologias Utilizadas

Isto faz parte da trilha MCP do Hackathon (com um toque de Agents)

• Gradio para a interface e lógica MCP
• Modal AI para criar sandboxes para execução de código
• Nebius, OpenAI, Anthropic e Hugging Face podem ser usados para chamadas de LLM
• Nebius configurado por padrão para inferência, com prioridade na velocidade de tokens disponível na plataforma

❤️ Um muito obrigado aos patrocinadores pelos créditos generosos para este hackathon e à Hugging Face e ao Gradio por organizarem este evento 🔥

Agradecimento especial ao Yuvi por aturar a gente no Discord pedindo créditos 😂

🚀 Sistema multi-agente para busca e geração de código com IA

O que é o Shallow Research MCP Hub para Assistência de Código?

O Shallow Research Code Assistant é um assistente sofisticado de pesquisa e código multi-agente construído usando a funcionalidade de servidor Model Context Protocol (MCP) do Gradio. Ele orquestra agentes de IA especializados para fornecer capacidades abrangentes de pesquisa e gerar código Python executável. Esta ferramenta de pesquisa "rasa" (definitivamente não é deep research) aumenta a consulta inicial do usuário para ampliar o escopo antes de realizar buscas na web para fundamentação.

O agente de codificação então gera o código para responder à pergunta do usuário e verifica se há erros. Para garantir que o código seja válido, o código é executado em um sandbox remoto usando a infraestrutura Modal. Esses sandboxes são criados quando necessário com uma pegada pequena (apenas pandas, numpy, request e scikit-learn são instalados).

No entanto, se pacotes adicionais forem necessários, eles serão instalados antes da execução (alguns atrasos são esperados aqui dependendo da solicitação).

Uma vez executado, todo o processo é resumido e retornado ao usuário.

---

📹 Vídeo de Demonstração

Clique no selo acima para assistir à demonstração completa do MCP Demo Shallow Research Code Assistant em ação

---

Informações importantes

Descobri que ao usar o VS Code para a interação MCP, é útil digitar o nome da função principal do agente para garantir que a ferramenta certa seja selecionada.

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

Este é o script JSON necessário para configurar o MCP no VS Code

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

Este é o script JSON necessário para configurar o MCP via Cline no VS Code

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

✨ Principais Recursos

• 🧠 Arquitetura Multi-Agente: Agentes especializados trabalhando em fluxos de trabalho orquestrados
• 🔍 Pesquisa Inteligente: Busca na web com sumarização automática e formatação de citações
• 💻 Geração de Código: Criação de código Python consciente do contexto com execução segura
• 🔗 Servidor MCP: Servidor MCP integrado para comunicação perfeita entre agentes
• 🎯 Suporte a Múltiplos LLMs: Compatível com Nebius, OpenAI, Anthropic e HuggingFace (Atualmente configurado para Nebius Inference)
• 🛡️ Execução Segura: Ambiente sandbox Modal para execução segura de código
• 📊 Monitoramento de Desempenho: Coleta avançada de métricas e monitoramento de saúde

🏛️ Arquitetura do Fluxo de Trabalho MCP

O diagrama acima ilustra a arquitetura completa do fluxo de trabalho Multi-Agente, mostrando como diferentes agentes se comunicam através do servidor MCP (Model Context Protocol) para fornecer capacidades abrangentes de pesquisa e geração de código.

🚀 Início Rápido

1. Configure seu ambiente definindo as chaves de API na aba Configurações
2. Escolha seu provedor de LLM Nebius configurado por padrão no Space
3. Insira sua consulta de pesquisa na aba Fluxo do Orquestrador
4. Veja a mágica acontecer enquanto os agentes colaboram para pesquisar e gerar código

🏗️ Arquitetura

Agentes Principais

• Aprimorador de Perguntas: Divide consultas complexas em sub-perguntas focadas
• Agente de Busca na Web: Realiza buscas direcionadas usando a API Tavily
• Processador LLM: Lida com processamento de texto, sumarização e análise
• Formatador de Citações: Gerencia a formatação de citações acadêmicas (estilo APA)
• Gerador de Código: Cria código Python consciente do contexto
• Executor de Código: Executa código em sandboxes seguros do Modal
• Orquestrador: Coordena o fluxo de trabalho completo

Exemplo de Fluxo de Trabalho

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 Configuração

Chaves de API Necessárias

• Provedor de LLM (escolha um):
  • API Nebius (recomendado)
  • API OpenAI
  • API Anthropic
  • API de Inferência HuggingFace
• API Tavily (para busca na web)
• Conta Modal (para execução de código)

Configuração de Ambiente

Defina estas variáveis de ambiente ou configure no aplicativo:

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

Geração de Código

• Desenvolvimento de Protótipos: Crie rapidamente código funcional baseado em requisitos
• Integração com IDE: Adicione isso ao seu IDE para suporte LLM fundamentado

Aprendizado e Educação

• Exemplos de Código: Gere amostras de código educacionais com explicações
• Exploração de Conceitos: Pesquise e entenda conceitos complexos de programação
• Melhores Práticas: Aprenda padrões e metodologias atuais da indústria

🔧 Recursos Avançados

Monitoramento de Desempenho

• Coleta de métricas em tempo real
• Rastreamento de tempo de resposta
• Monitoramento da taxa de sucesso
• Análise de uso de recursos

Cache Inteligente

• Reduz chamadas de API redundantes
• Melhora os tempos de resposta
• Configurações de TTL configuráveis

Tolerância a Falhas

• Proteção de circuit breaker
• Gerenciamento de limite de taxa
• Tratamento de erros gracioso
• Mecanismos automáticos de nova tentativa

Gerenciamento de Pool de Sandboxes

• Ambientes de execução pré-aquecidos
• Desempenho otimizado
• Pooling de recursos
• Escalonamento automático

📱 Abas da Interface

1. Fluxo do Orquestrador: Fluxo de trabalho completo de ponta a ponta
2. Agentes Individuais: Acesse cada agente separadamente para tarefas específicas
3. Recursos Avançados: Monitoramento do sistema e análise de desempenho

🤝 Integração MCP

Este aplicativo demonstra uma implementação avançada de MCP (Model Context Protocol):

• Arquitetura de Servidor: Servidor MCP completo com geração de schema
• Registro de Funções: Definições adequadas de funções MCP com tipagem
• Comunicação Multi-Agente: Fluxo de dados estruturado entre agentes
• Tratamento de Erros: Gerenciamento robusto de erros nas interações entre agentes

📊 Desempenho

• Tempos de Resposta: Otimizados para respostas de agentes em menos de um segundo
• Escalabilidade: Lida com solicitações concorrentes de forma eficiente
• Confiabilidade: Tolerância a falhas e monitoramento integrados
• Gerenciamento de Recursos: Cache e pooling inteligentes

🔍 Detalhes Técnicos

• Python: 3.12+ necessário
• Framework: Gradio com capacidades de servidor MCP
• Execução: Modal para execução segura de código em sandbox
• Busca: API Tavily para pesquisa web em tempo real
• Monitoramento: Rastreamento abrangente de desempenho e saúde

---

Pronto para experimentar o futuro da pesquisa e desenvolvimento assistidos por IA?

Comece configurando suas chaves de API e mergulhe no mundo da colaboração multi-agente com IA! 🚀

📝 Licença

Este projeto está licenciado sob a Licença MIT.
Você é livre para usar, modificar e distribuir este software com a devida atribuição. Consulte o arquivo LICENSE para obter detalhes.