Study Agent

Este proyecto implementa un agente MCP (Model Context Protocol) capaz de interactuar con documentos locales para facilitar el estudio.

🚀 Instalación y Setup

1. Clonar/Abrir el proyecto en VS Code.
2. Crear y activar entorno virtual:

   python -m venv venv
   .\venv\Scripts\activate
   

3. Instalar dependencias:

   pip install -r requirements.txt
   

🛠️ Ejecución del Servidor

Corre el servidor FastAPI usando Uvicorn:

uvicorn mcp-server.server:app --reload

El servidor estará disponible en: http://127.0.0.1:8000

---

🤖 Endpoints y Tools

1. Listar Documentos (Tool MCP)

Muestra los archivos disponibles en la carpeta data/.

• URL: GET /tools/list_documents

2. Leer Documento (Tool MCP)

Lee el contenido de un archivo específico.

• URL: GET /tools/read_document?filename=prueba.txt

3. Agente de Estudio (Agentic Flow)

Invoca al agente para procesar un documento usando las tools MCP.

• URL: POST /agent/study
• Body (JSON):

  {
    "filename": "arquitectura.txt",
    "mode": "summary"
  }
  

• Modos disponibles: summary | flashcards

---

🧠 Estructura del Agente

• Skills: Lógica de procesamiento de resúmenes y generación de flashcards en skills/study_skill.py.
• Agente: El "cerebro" que decide invocar la tool read_document en agent/study_agent.py.
• Server: Expone las herramientas y el punto de entrada para el agente.

---

✅ Checklist de Cumplimiento

• Tools MCP: Funcionando y parametrizadas.
• Skill: Pasos definidos para resumen y flashcards.
• Agente: Invoca tools reales y entrega resultados útiles.
• README: Guía de uso rápido.

Prueba de funcionamiento

Servidor corriendo

El servidor MCP se ejecuta localmente usando uvicorn.

---

Tools disponibles

El servidor expone herramientas MCP que pueden ser usadas por el agente.

---

Ejecución del agente

El agente invoca la tool read_document y genera un resumen del documento.