What is Crewai Mcp

crewai-mcp is a Multi Context Protocol (MCP) server that utilizes CrewAI agents to provide customizable text summarization services with adjustable lengths.

Use cases

Use cases include integrating AI summarization into workflows, quickly extracting essence from long documents, building applications that require dynamic summarization components, and exposing CrewAI agents as a microservice via MCP.

How to use

To use crewai-mcp, clone the repository, set up a virtual environment, install the required dependencies, and utilize the ‘summarize’ tool by providing the original text and desired summary length.

Key features

Key features include configurable CrewAI agents for summarization, the ability to specify summary length (short, medium, long), easy integration via MCP protocol, customizable agent and task definitions, and support for different LLMs.

Where to use

crewai-mcp can be used in various fields such as content creation, document management, educational tools, and any application requiring dynamic summarization capabilities.

CrewAI Multi-Tool MCP Server (Summarizer & Researcher) 📝🔍

Um servidor MCP (Multi Context Protocol) que utiliza múltiplos agentes CrewAI para fornecer serviços de sumarização (resumo) de texto e pesquisa web.

✨ Features

• Sumarização: Sumariza textos utilizando agentes CrewAI configuráveis, permitindo especificar o tamanho do resumo (curto, médio, longo).
• Pesquisa Web: Realiza pesquisas na internet sobre tópicos específicos usando um agente CrewAI e a ferramenta SerperDevTool.
• Exposição via MCP: Expõe ambas as funcionalidades como tools distintos via protocolo MCP para fácil integração.
• Configuração Flexível: Utiliza definições personalizáveis de Agentes e Tarefas CrewAI (via arquivos .yaml) para cada funcionalidade.
• Suporte a LLMs: Pode ser configurado para usar diferentes LLMs suportados pelo CrewAI (requer ajuste no código e variáveis de ambiente).

🛠️ Tools Expostos via MCP

1. summarize

Processa um texto de entrada e retorna um resumo conciso no tamanho especificado.

Inputs:

• text (string, required): O texto original a ser sumarizado.
• length (string, optional, default: "medium"): O tamanho desejado para o resumo. Valores válidos: "short", "medium", "long".

Output:

• string: O texto resumido gerado pelo agente CrewAI de sumarização.

2. research

Pesquisa na web sobre um tópico específico usando uma AI crew com a ferramenta Serper.

Inputs:

• topic (string, required): O tópico a ser pesquisado.

Output:

• string: Um resumo dos resultados da pesquisa gerado pelo agente CrewAI de pesquisa.

🎯 Usage (Casos de Uso)

Este servidor multi-tool é ideal para:

• Integrar capacidades de sumarização e pesquisa de IA em outros fluxos de trabalho ou ferramentas.
• Obter rapidamente a essência de documentos longos ou informações sobre um tópico.
• Construir aplicações que necessitem de componentes dinâmicos de sumarização e pesquisa.
• Experimentar e expor diferentes funcionalidades CrewAI como microsserviços distintos via MCP a partir de um único servidor.

🚀 Setup & Installation

1. Pré-requisitos:

   • Python >= 3.10, < 3.13
   • git
   • Recomendado: uv (ou pip e venv)

2. Clonar o Repositório (se ainda não o fez):

   git clone https://github.com/matheus896/crewai-mcp.git
   cd crewai-mcp/summarizer_server
   

   (Se você já clonou e está no diretório summarizer_server, pule esta etapa)

3. Criar e Ativar Ambiente Virtual (Recomendado):

   # Usando venv (se ainda não ativo)
   python -m venv .venv
   source .venv/bin/activate  # Linux/macOS
   # OU
   .\.venv\Scripts\activate  # Windows
   
   # Ou se estiver usando uv (ele pode gerenciar o venv automaticamente)
   

4. Instalar/Atualizar Dependências:

   # Usando uv
   uv pip install -e .
   
   # Ou usando pip
   pip install -e .
   

   (Verifique se crewai_tools foi instalado, pois crewai[tools] está no pyproject.toml)

5. Configurar Variáveis de Ambiente:

   • Crie um arquivo chamado .env dentro do diretório summarizer_server/ (se ainda não existir).

   • Adicione suas chaves de API necessárias:

     • Chave do LLM: Necessária para ambas as crews.
     • Chave do Serper: Necessária para o tool research.

     # Exemplo para Gemini (LLM)
     GEMINI_API_KEY=SUA_CHAVE_API_GEMINI_AQUI
     
     # Exemplo para OpenAI (LLM)
     # OPENAI_API_KEY=SUA_CHAVE_API_OPENAI_AQUI
     # OPENAI_MODEL_NAME=gpt-4o # Opcional, pode ser definido no código
     
     # Chave da API Serper (Necessária para o tool 'research')
     SERPER_API_KEY=SUA_CHAVE_API_SERPER_AQUI
     

   • Importante:

     • Se você quiser usar um LLM diferente do configurado em src/summarizer_server/crew.py e src/summarizer_server/research_crew.py (atualmente Gemini), você precisará editar esses arquivos para importar e instanciar o LLM correto (ex: ChatOpenAI, ChatAnthropic, etc.).
     • Certifique-se que a variável de ambiente correspondente ao LLM escolhido esteja definida no .env.
     • A SERPER_API_KEY é obrigatória para que o tool research funcione.

▶️ Running the Server

A forma recomendada de iniciar o servidor (usando o script definido em pyproject.toml):

uv run run_crew

Alternativamente, se você não estiver usando uv ou quiser rodar diretamente com Python (certifique-se que seu ambiente virtual está ativo):

python src/summarizer_server/main.py

O servidor será iniciado e escutará por conexões MCP via stdio, oferecendo os tools summarize e research.

🔌 Configuration (Example for MCP Clients like Claude Desktop)

Para usar este servidor com um cliente MCP, você precisa informar ao cliente como executar o servidor.

Importante: O cliente MCP precisa executar o comando a partir do diretório correto (summarizer_server) ou ter o ambiente configurado para encontrar o módulo e o arquivo .env. O uso de cwd (Current Working Directory) na configuração do cliente é altamente recomendado.

Exemplo usando uv (Requer uv instalado):

Adicione isto ao seu arquivo de configuração do cliente MCP (ex: claude_desktop_config.json), ajustando o cwd e o nome do servidor (Multi-tool-Server conforme definido em server.py):

Exemplo usando python (Requer Python e o pacote instalado):

Exemplo para linha de comando no Windows (adaptar para outros OS):

Após conectar, o cliente MCP (como o MCP Inspector ou Claude Desktop) deverá listar os tools summarize e research como disponíveis a partir deste servidor.

📜 License

Este projeto é licenciado sob a MIT License.

Observações:

• Substitua /caminho/completo/para/matheus896-crewai-mcp/summarizer_server pelo caminho real onde o diretório summarizer_server está localizado na sua máquina ao configurar o cliente MCP.
• Certifique-se de que o nome do repositório (matheus896/crewai-mcp) esteja correto nos exemplos.