machine-core：支持 MCP 协议的灵活 AI Agent 框架

machine-core 是一个用于构建 AI Agent 的灵活框架，支持 MCP（Model Context Protocol）集成、动态 OpenAPI 工具生成、基于向量的 RAG 工具过滤，以及多种 LLM 和 Embedding 提供商。

machine-core 是一个专为构建 AI Agent 设计的灵活框架。它的核心定位是提供一套清晰、可扩展的基础设施，让开发者能够快速搭建具备工具调用、知识检索、多模型支持能力的智能代理系统。

与传统的 Agent 框架不同，machine-core 强调架构的清晰分离：基础设施层（AgentCore）与执行模式层（BaseAgent）解耦，使得开发者可以根据具体场景选择合适的 Agent 类型，而不必被框架的预设结构所限制。

machine-core 内置了对 7 个 LLM 提供商和 3 个 Embedding 提供商的支持：

LLM 提供商：

• Ollama（本地/云端，默认：qwen3-vl:32b）
• Azure（Azure OpenAI，默认：gpt-4o-2）
• Grok（x.ai，默认：grok-2-latest）
• Groq（Groq Cloud，默认：llama-3.3-70b-versatile）
• Google Gemini
• Vertex Gemini
• Vertex Claude

Embedding 提供商：

• Ollama（默认：nomic-embed-text）
• Azure（默认：text-embedding-3-large）
• Google Cloud

这种多提供商架构允许开发者通过环境变量或配置轻松切换模型，实现灵活的模型路由和降级策略。

MCP 是 Anthropic 提出的开放协议，旨在标准化 AI 模型与外部工具、数据源之间的交互方式。machine-core 原生支持 MCP：

• 从 JSON 配置加载和验证 MCP 工具集
• 动态工具发现和调用
• 与现有 Agent 工作流无缝集成

这意味着你可以将任何符合 MCP 规范的工具（如文件系统访问、数据库查询、API 调用等）快速接入你的 Agent。

这是一个非常实用的特性：machine-core 能够根据 OpenAPI 规范动态生成 pydantic-ai 工具。工作流程如下：

1. 获取 OpenAPI 规范（fetch_openapi_spec）
2. 使用 ToolFilterManager 索引和过滤工具
3. 根据任务相关性选择工具
4. 动态生成工具并重建 Agent（rebuild_agent）

这种设计使得 Agent 能够根据当前任务需求，动态调整可用工具集，避免一次性加载过多无关工具导致的上下文膨胀。

machine-core 内置了基于向量的工具过滤机制：

• ToolFilterManager 使用向量相似度对工具进行索引和过滤
• 根据任务描述自动选择最相关的工具
• 支持 essential_tools 强制包含特定工具

这种机制显著提高了 Agent 的工具选择效率，特别是在工具数量较多的场景下。

框架内置了多种文件处理功能：

• PDF 文本提取
• 图片 OCR
• VLM（视觉语言模型）预处理
• 批量上传处理

这些能力使得 Agent 能够处理多模态输入，扩展了应用场景。

基于 LanceDB 的向量存储实现：

• 跨表搜索
• DocumentStore 门面模式
• 与 Embedding 提供商集成

这为 RAG（检索增强生成）应用提供了坚实的基础设施。