简单的Alfresco代理网格

一个动手实验，比较在相同的Alfresco设置下三种路由选项（cagent，LangGraph，LlamaIndex）

mcp-client 总是与位于 localhost:8085 的MCP服务器通信；一次启用一个路由器，然后分发到 MCP审计 和 MCP文档，两者都与 Alfresco存储库 进行通信

启动的堆栈包括：

• Alfresco社区存储库，包括审计样本配置
• 两个MCP服务器：
  • 审计MCP
    • Spring AI，可流式传输HTTP（暴露以审计为中心的工具）
    • 源代码可在 https://github.com/jottley/alfresco-mcp 获取
  • 文档MCP
    • Python alfresco-mcp 服务器（内容/文档工具）
    • 源代码可在 https://github.com/stevereiner/python-alfresco-mcp-server 获取
• 一个MCP路由器/编排器（cagent，LangGraph 或 LlamaIndex）：服务分类用户提示并将MCP调用转发到正确的后端（审计 vs 文档）

设计易于本地运行，易于理解，并且是一个很好的模板，用于构建更复杂的代理网格

内容概览

.
├── agent-mesh-tools
│   ├── cagent/               # 使用Docker cagent的路由器（需要LLM）
│   ├── langgraph/            # 使用LangGraph的路由器（确定性，不需要LLM）
│   └── llamaindex/           # 使用LlamaIndex的路由器（需要LLM）
├── alfresco-agents
│   ├── alfresco/             # Alfresco社区堆栈（存储库，共享，搜索等）
│   ├── alfresco-mcp-audit/   # MCP审计服务器
│   ├── alfresco-mcp-server/  # MCP文档服务器
│   └── compose.yaml          # 始终在线：存储库 + MCP后端
├── mcp-client/               # 用于测试活动路由器的客户端
└── compose.yaml              # 根compose文件，包含`include:`和每个路由器的配置文件

架构

flowchart LR
  %% 客户端
  C[mcp-client]

  %% 路由器
  subgraph Routers
    CA[cagent - 本地应用]
    LG[langgraph - 路由器:8085]
    LI[llamaindex - 路由器:8085]
  end

  %% MCP后端
  subgraph MCP["MCP服务器"]
    AU[MCP审计 - 8081]
    DO[MCP文档 - 8003]
  end

  %% Alfresco核心
  subgraph Alfresco
    RE[Alfresco存储库 - 8080]
  end

  %% 连接
  C --> CA
  C --> LG
  C --> LI

  CA --> AU
  CA --> DO
  LG --> AU
  LG --> DO
  LI --> AU
  LI --> DO

  AU --> RE
  DO --> RE

• 路由器 是客户端的单一MCP端点
• 它对每个请求进行分类并将其委托给通过可流式传输HTTP的审计MCP或文档MCP后端
• 两个后端都与Alfresco通信

路由器概览（选择一个）

• LangGraph — 确定性路由器，不需要LLM。适用于可重复流程和简单的可审核路由规则。
• LlamaIndex — 基于LLM的工具路由。使用模型在审计/文档工具之间做出选择；更具适应性，需要LLM。
• cagent — 基于LLM的代理运行时（YAML），具有第一类MCP工具集成。它作为一个独立的CLI/TUI代理运行，如使用Docker新"cagent"即时构建Alfresco的AI代理所述

需求

• Docker及Docker Compose v2+ 需要运行整个堆栈（Alfresco，MCP服务器，路由器，客户端）。

• 系统资源 至少需要8GB的RAM和4个CPU核心。

• 开放端口

  • 8080 > Alfresco存储库
  • 8081 > MCP审计
  • 8003 > MCP文档
  • 8085 > 活动路由器（LangGraph，或LlamaIndex）

• LLM运行时

  • 对于cagent和LlamaIndex，需要LLM
  • 本实验使用Ollama和本地模型gpt-oss
  • 在开始之前确保已安装Ollama并拉取了模型：

    ollama pull gpt-oss
    

• 不需要LLM

  • LangGraph路由器可以确定性地工作，无需LLM

快速入门

1. 启动Alfresco社区版 + MCP后端

docker compose up --build

2. 激活一个路由器（两者都暴露:8085）：

docker compose --profile langgraph up -d

docker compose --profile llamaindex up -d

对于cagent，请遵循使用Docker新"cagent"即时构建Alfresco的AI代理中的步骤

3. 使用客户端测试（总是访问8085）

docker compose -f mcp-client/compose.yaml run --rm mcp-client

4. 切换路由器（保持Alfresco运行）

docker compose --profile langgraph down
docker compose --profile llamaindex up --build

示例提示（复制/粘贴）

[DOCS]

> 我需要在Alfresco中搜索文档。你能搜索以下内容吗：
 * 包含“预算”的文档
 * 最多5个结果

[AUDIT]

> 列出Alfresco审计应用程序

> 列出审计应用程序“搜索”的审计条目

提示：

• 如果你的路由器是LangGraph，路由是基于规则的——日志/保留/合规 > 审计；搜索/元数据/转换 > 文档
• 如果是LlamaIndex或cagent，确保已配置模型（例如，OpenAI/Anthropic/Gemini或通过Docker模型运行器配置的本地模型）

实验流程（推荐）

1. 启动Alfresco + MCP（等待健康状态）
2. 首先启动LangGraph（无需密钥），并运行上述提示
3. 停止LangGraph，启动LlamaIndex；重复提示并观察路由/答案的不同
4. 停止LlamaIndex，按照使用Docker新"cagent"即时构建Alfresco的AI代理中的步骤操作

许可证

此仓库根据Apache 2.0许可证提供（参见LICENSE）。 上游组件保留各自的许可证。