What is Mcp Agents Infraestructure

mcp-agents-infraestructure is a practical guide for creating and orchestrating AI agents using the MCP architecture with Python, FastAPI, and LLMs. It aims to help users build autonomous agent infrastructures from scratch to an expert level.

Use cases

Use cases include developing agents for web scraping, automated report writing, intelligent task delegation, and creating collaborative systems that can adapt to changing requirements.

How to use

To use mcp-agents-infraestructure, follow the structured phases provided in the repository. Start with Phase 1 to understand the basics of MCP and gradually progress through the phases to develop more complex and specialized agents.

Key features

Key features include a step-by-step guide for building multi-agent systems, integration with external APIs, centralized orchestration, task registration in SQLite, and advanced capabilities such as dynamic planning and persistent memory.

Where to use

mcp-agents-infraestructure can be used in various fields such as AI research, automation of tasks, data analysis, and any domain requiring collaboration between multiple intelligent agents.

🧠 Infraestructura MCP con Agentes Inteligentes – De Cero a Experto

Este repositorio es una guía práctica y progresiva para construir una infraestructura de agentes autónomos orquestada mediante una arquitectura MCP.

A lo largo de varias fases, se diseñarán, construirán y escalarán sistemas multiagente con Python, FastAPI, LLMs y otras herramientas.

📘 Índice de Fases

1. 🔹 Fase 1 – MCP Básico
2. 🔹 Fase 2 – Agentes Orquestados
3. 🔜 Fase 3 – MCP Avanzado (próximamente)
4. 🔜 Fase 4 – Multiagente Aplicado (próximamente)

🚀 Objetivos del proyecto

• Comprender los fundamentos de los agentes y su orquestación
• Desarrollar agentes especializados y reutilizables
• Diseñar un servidor MCP que coordine tareas entre agentes
• Integrar memoria, herramientas externas y razonamiento
• Desplegar una arquitectura realista de agentes colaborativos

🧩 Estructura del proyecto

fase1_mcp_basico/

• MCP mínimo con FastAPI
• Agentes simples (responder y transformer)
• Registro de tareas en SQLite

fase2_agentes_orquestados/

• Agentes especializados en tareas (scraping, análisis, respuesta)
• Orquestación centralizada
• Comunicación básica entre agentes (A2A)
• Integración con APIs externas

fase3_mcp_avanzado/

• Contenerización de agentes y MCP con Docker
• Planificación dinámica y gestión de estados con LangGraph
• Implementación de memoria persistente (Redis o vector stores como ChromaDB)
• Sistema de eventos para activar agentes de forma condicional
• Inicio de razonamiento adaptativo y autosupervisión de agentes

fase4_multiagente_aplicado/

• Caso práctico de infraestructura multiagente aplicada a una tarea real (ej. investigación, redacción de informes o planificación automatizada)
• Colaboración entre agentes con delegación inteligente de tareas
• Orquestación completa por el MCP con trazabilidad de decisiones
• Integración de canales de entrega final (email, PDF, dashboards)
• Monitorización y control del sistema en tiempo real

🛠️ Requisitos técnicos

• Python 3.9+
• FastAPI, Uvicorn
• OpenAI API key (o similar)
• SQLAlchemy, SQLite
• [Otros requisitos específicos por fase se detallan en cada carpeta]

🎯 ¿Para qué sirve?

• Desarrollar habilidades en arquitectura de agentes y servidores MCP
• Comprender cómo delegar tareas a agentes especializados
• Crear una base sólida para construir agentes más complejos, con memoria, herramientas externas o comunicación A2A

📚 ¿Quién debería usar este repositorio?

Este proyecto está diseñado para:

• Estudiantes y autodidactas de IA generativa
• Profesionales que quieran aprender arquitectura de agentes
• Desarrolladores que busquen construir flujos inteligentes con LLMs
• Personas que deseen experimentar con control MCP y agentes distribuidos

⚙️ Cómo empezar

cd fase1_mcp_basico
pip install -r requirements.txt
uvicorn main:app --reload

📄 Licencia

MIT License. Eres libre de usar, modificar y extender este proyecto para tus propios fines.

✍️ Autor

Cristian “SkyH34D” Franco
Offensive Security | Pentester | Red Team | IA Enthusiast | Agents & MCP Servers | CEH v13