Lokale MCP-clients zijn zo ondergewaardeerd! Iedereen gebruikt Cursor, Claude Desktop en ChatGPT als MCP-hosts, maar als je je eigen apps bouwt die MCP ondersteunen, heb je aangepaste clients nodig. Hier is het probleem: Het schrijven van MCP-clients vanaf nul is pijnlijk en tijdrovend. Vandaag laat ik je zien hoe je aangepaste MCP-clients in minuten kunt bouwen, niet in uren. Om dit te bewijzen, heb ik een volledig privé, ultieme AI-assistent gebouwd die kan: - Verbinden met elke MCP-server - Automatiseren van browsergebruik - Webdata naadloos scrapen - De terminal van mijn computer bedienen - Afbeeldingen, audio en documenten verwerken - Alles onthouden met kennisgrafieken Het geheim? mcp-use — een 100% open-source framework dat MCP-integratie triviaal maakt. Het bouwen van aangepaste MCP-agenten kost 3 stappen: 1. Definieer je MCP-serverconfiguratie 2. Verbind elke LLM met de MCP-client 3. Zet je agent in Dat is het. Geen complexe setup, geen propriëtaire afhankelijkheden. Het beste deel? Alles draait lokaal. Je gegevens blijven privé, en jij hebt de controle over de hele stack. Volledige uitleg met code...👇

Laten we dit opsplitsen door elke integratie te verkennen en te begrijpen hoe het werkt, met behulp van code en illustraties:

1️⃣ Stagehand MCP-server We beginnen met het toestaan dat onze Agent een browser controleert, webpagina's navigeert, screenshots maakt, enz., met behulp van @Stagehanddev MCP. Hieronder vroeg ik om een weerquery, en de Agent reageerde autonoom door een browsersessie te starten. Bekijk dit👇

2️⃣ Firecrawl MCP-server Vervolgens voegen we scraping-, crawling- en diepgaand onderzoekcapaciteiten toe aan de Agent. mcp-use ondersteunt het gelijktijdig verbinden met meerdere MCP-servers. Dus voegen we de @firecrawl_dev MCP-configuratie toe aan de bestaande configuratie en interageren we ermee. Bekijk dit👇

3️⃣ Graphiti MCP-server Tot nu toe is onze Agent geheugenloos. Het vergeet alles na elke taak. @Zep_ai's Graphiti is een MCP-server die onze agent voorziet van een grafiek-gebaseerde real-time geheugenlaag. Je kunt deze grafiek ook visualiseren in Neo4j. Bekijk dit👇

4️⃣ Ragie MCP-server Vervolgens bieden we multimodale RAG-mogelijkheden aan de Agent om teksten, afbeeldingen, video's, audio's, documenten, enz. te verwerken. Het wordt aangedreven door @ragieai MCP. Hieronder vroeg ik het om projecten in mijn MCP PDF (een complex document) op te sommen, en het reageerde perfect. Bekijk dit👇

5️⃣ GitIngest MCP-server Vervolgens, om aan de behoeften van ontwikkelaars te voldoen, laten we onze Agent chatten met elke GitHub-repo. Hieronder vroeg ik naar de tech stack van mijn boekenschrijverflow door de repo-link te geven. Het haalde de juiste info op door gebruik te maken van de MCP-server. Bekijk dit👇

6️⃣ Terminal MCP-server Uiteindelijk geven we onze Agent terminal controle om opdrachten uit te voeren voor de ontwikkelaar indien nodig. Het biedt tools zoals: - bestanden lezen/schrijven/zoeken/verplaatsen - een opdracht uitvoeren - een map maken/lijsten, enz. Bekijk dit👇

Ten slotte verpakken we dit in een Streamlit-interface, waar we de MCP-configuratie dynamisch kunnen wijzigen. Dit geeft ons een 100% lokale ultieme AI-assistent die kan browsen, scrapen, geheugen heeft, kan ophalen uit een multimodale kennisbasis en nog veel meer. Bekijk deze demo👇

Dat is een wrap! Als je het inzichtelijk vond, deel het dan met je netwerk. Vind me → @akshay_pachaar ✔️ Voor praktische inzichten en tutorials over LLM's, AI Agents en Machine Learning!