AgentSUMO

Name: AgentSUMO
Author: mw-jeong

von mw-jeongVersion 0.1.2i★ –iLäuft auf deinem Computer

Name in der Registryio.github.mw-jeong/agentsumo-mcp

Installieren

Überblick

Beschreibung vom Entwickler (englisches Original)

MCP server for LLM-driven SUMO traffic simulation, scenario design, and result analysis.

Die drei Säulen von PopNx MCP

Diese drei werden nie zu einer Punktzahl zusammengefasst: Meinungen, Messungen und Beliebtheit sind verschiedene Dinge.

Stimmen der NutzeriNoch keine BewertungenBewertungen starten in einem späteren Schritt zusammen mit Benutzerkonten
Unsere Basischecksi1 von 1 bestandenAnhand öffentlicher Informationen geprüft; Code noch nicht gescannt
NutzungiGanz neu↓ 34/Wo. · ★ –

Was du damit machen kannst

Für diesen Server haben wir noch keine Zusammenfassung in einfacher Sprache geschrieben. Unten stehen die Fakten, die wir aus der Registry gelesen haben.

Verbindung: Läuft auf deinem Computer
Transport: stdio
Kategorie: Design, Bilder & Audio
Das musst du eintragen: SUMO_HOME

Installation

Wähle die KI-App, die du nutzt, und kopiere die Einstellungen.

Bevor du installierst

Basischecks: 1 von 1 bestanden
Läuft auf deinem Computer mit den Rechten deines Benutzerkontos (Dateien, Netzwerk, Apps).
Das trägst du selbst ein: SUMO_HOME, AGENTSUMO_MCP_OUTPUT_BASE

Du brauchst

PyPIuv für Python installiert (für den Befehl uvx)

Welche App nutzt du?

ClaudeClaude CodeCursorVS CodeChatGPT

Wähle oben deine App. Wir merken sie uns, damit der Button beim nächsten Mal „In … installieren“ anzeigt.

Öffne Claude Desktop → Settings → Developer → Edit Config und füge dies in claude_desktop_config.json ein

{
  "mcpServers": {
    "agentsumo": {
      "command": "uvx",
      "args": [
        "agentsumo-mcp"
      ],
      "env": {
        "SUMO_HOME": "your-value",
        "AGENTSUMO_MCP_OUTPUT_BASE": "your-value"
      }
    }
  }
}

Führe das in deinem Terminal aus

claude mcp add agentsumo --env SUMO_HOME=your-value --env AGENTSUMO_MCP_OUTPUT_BASE=your-value -- uvx agentsumo-mcp

Trag die leeren Werte ein, bevor du ihn startest.

In Cursor öffnen

Oder kopier die Einstellungen selbst

In .cursor/mcp.json in deinem Projekt oder in ~/.cursor/mcp.json einfügen

{
  "mcpServers": {
    "agentsumo": {
      "command": "uvx",
      "args": [
        "agentsumo-mcp"
      ],
      "env": {
        "SUMO_HOME": "your-value",
        "AGENTSUMO_MCP_OUTPUT_BASE": "your-value"
      }
    }
  }
}

Dein Browser fragt, ob er die App öffnen darf, dann zeigt die App die Einstellungen und bittet dich um Bestätigung. Schlüsselwerte bleiben leer, damit du sie selbst einträgst.

In VS Code öffnen

Oder kopier die Einstellungen selbst

In .vscode/mcp.json in deinem Projekt einfügen

{
  "servers": {
    "agentsumo": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "agentsumo-mcp"
      ],
      "env": {
        "SUMO_HOME": "your-value",
        "AGENTSUMO_MCP_OUTPUT_BASE": "your-value"
      }
    }
  }
}

Dein Browser fragt, ob er die App öffnen darf, dann zeigt die App die Einstellungen und bittet dich um Bestätigung. Schlüsselwerte bleiben leer, damit du sie selbst einträgst.

Dieser Server läuft auf deinem Computer, und ChatGPT kann sich nur mit Servern im Internet verbinden. Wähle eine andere App.

Deine Auswahl bleibt in einem Cookie auf diesem Gerät; kein Konto nötig.

Werte, die du selbst einträgst

SUMO_HOME erforderlich env
Absolute path to the local SUMO installation directory (must contain bin/, share/, tools/).
AGENTSUMO_MCP_OUTPUT_BASE env
Base directory for simulation outputs (networks, trips, results). Defaults to the current working directory.

Diese Einstellungen werden aus dem Registry-Eintrag des Entwicklers erzeugt. Wenn in der README etwas anderes steht, folge der README.

Was er kann

Läuft auf deinem Computer; die Tool-Liste erscheint nach der Installation in deiner KI-App.

Basischecksi

Wir prüfen Informationen, die jeder sehen kann; den Code haben wir nicht gelesen. Checks, die nicht zutreffen, werden nicht mitgezählt. · Geprüft am 10. Nov. 2026

✓ Bestanden
Entwickler passt zum Repo
Der Registry-Name wurde mit dem GitHub-Konto mw-jeong bestätigt, dem das Repo gehört
… Noch nicht geprüft
Wird noch gepflegt
Dieses Repo haben wir noch nicht von GitHub gelesen
… Noch nicht geprüft
Hat eine Lizenz
Dieses Repo haben wir noch nicht von GitHub gelesen
– Nicht zutreffend
Endpunkt antwortet
Dieser Server läuft auf deinem Computer; es gibt keinen Endpunkt im Internet
– Nicht zutreffend
Anmeldung mit OAuth
Läuft auf deinem Computer und nutzt stattdessen lokale Einstellungen
… Noch nicht geprüft
Keine versteckten Anweisungen in Tool-Beschreibungen
Läuft auf deinem Computer; Tool-Listen können wir nur von Endpunkten im Internet lesen

Im Vergleich mit anderen in Design, Bilder & Audioi

Mehr Sterne als 0 % der anderen 2867 Server in dieser Kategorie
Neuer in der Registry veröffentlicht als 10 % der anderen 2867 Server in dieser Kategorie
Basischecks gleich gut wie oder besser als bei 100 % der anderen 2867 Server in dieser Kategorie

Verglichen mit allen aktiven Servern dieser Kategorie in der Registry. Sterne zählen nur, wenn dem Herausgeber das Repo gehört.

Häufige Fragen

Ist AgentSUMO sicher?

Er hat 1 von 1 zutreffenden Basischecks bestanden. Den Code haben wir nicht gelesen. Bevor du einen Schlüssel oder Token hinzufügst, sieh nach, welche Zugriffe der Server verlangt, und nutze einen Schlüssel, der nur die Berechtigungen hat, die du brauchst.

Welche Schlüssel oder Codes braucht er?

Das musst du eintragen: SUMO_HOME

Läuft er auf meinem Computer oder in der Cloud?

Er läuft auf deinem Computer. Deine KI-App startet ihn bei Bedarf, und die Daten laufen nicht über die Server des Entwicklers (außer der Server ruft selbst einen Onlinedienst auf).

Wird er noch gepflegt?

Das GitHub-Repo wurde zuletzt – geändert, und die neueste Version (0.1.2) kam vor 5 Monaten in die Registry.

Welche Apps können ihn nutzen?

Apps, die MCP unterstützen, etwa Claude Desktop, Claude Code, Cursor und VS Code. Außerdem brauchst du Python (uv) auf deinem Computer.

Was kann ich stattdessen nutzen?

In derselben Kategorie: Figma Context MCP, Claude Real Video, Figma MCP Server

Alternativen

Server derselben Kategorie von anderen Entwicklern, sortiert nach Sternen.

So liest du eine Karte:↓ Downloads pro Wochei★ GitHub-SterneiDrei Säulen: Bewertungen · Checks · NutzungiAktualisiert = neueste Version in der Registry veröffentlichti

Figma Context MCP

Give your coding agent access to your Figma data. Implement designs in any framework in one-shot.

von GLipsWeit verbreitet↓ 161.192/Wo.★ 16.165Aktualisiert vor 5 Monaten

Läuft auf deinem Computer

Installieren

Claude Real Video

Let any LLM watch a video locally — and search everything it has ever watched.

von HUANGCHIHHUNGLeoWeit verbreitet↓ 1106/Wo.★ 2284Aktualisiert vor 2 Monaten

Läuft auf deinem Computer

Installieren

Figma MCP Server

The Figma MCP server brings Figma design context directly into your AI workflow.

von figmaWeit verbreitet★ 2152Aktualisiert vor 13 Monaten

Läuft in der Cloud✓ mcp.figma.com

Installieren

README vom Entwickler

README öffnen

Unverändert aus dem Repo des Entwicklers übernommen. PopNx MCP hat den Inhalt weder geprüft noch empfiehlt es ihn. HTML, Bilder und Skripte wurden entfernt. Links führen von dieser Website weg.

AgentSUMO

An Agentic Framework for Interactive Simulation Scenario Generation in SUMO via Large Language Models

[Documentation](https://agentsumo.readthedocs.io) · Installation · Tools · Schema · Tutorials

Overview

AgentSUMO lets non-expert stakeholders design, execute, and analyze SUMO traffic simulations through natural-language interaction. The Planner Agent translates abstract policy questions into executable simulation plans, drives them via the Model Context Protocol (MCP), and surfaces results through a web dashboard.

Conversational scenario design — describe a policy question, get a runnable simulation
Policy experiments — road closures, lane reductions, signal optimization, demand changes
Cross-scenario analysis — SQL-based comparison across runs, with auto-generated HTML reports
Web dashboard — geospatial visualization, time-series charts, and trip replay

Demo

*Web interface: conversational planning panel, scenario list, and live simulation status.*

*Geospatial visualization: per-edge metrics, congestion overlays, and trip replay on the 2.5D basemap.*

Architecture

User (natural language)

| v Planner Agent (Claude LLM, Interactive Planning Protocol) | +--> AgentSUMO MCP Client --> AgentSUMO MCP Server (PyPI: agentsumo-mcp) --> SUMO | +--> SQLite MCP Client --> SQLite MCP Server (Anthropic, open source) --> simulations.db | +--> Filesystem MCP Client --> Filesystem MCP Server (Anthropic, open source) --> additional XML files

The reasoning layer (Planner Agent) lives in this repository. The execution layer (agentsumo-mcp) is published to PyPI and installed automatically as a dependency.

Tool Layer

The AgentSUMO MCP Server exposes 26 tools grouped into five capability categories that follow the simulation workflow. Full reference at agentsumo.readthedocs.io/.../tools.

Category	Purpose	Representative tools
Scenario Generation	Build a baseline SUMO simulation: OSM → network → trips → routes → run	`osm_extract`, `net_convert`, `trip_generate`, `route_generate`, `sumo_runner`
Policy Experimentation	Apply infrastructure, demand, and signal-control interventions	`edge_edit_tool`, `reduce_lanes_tool`, `vehicle_generation_tool`, `flow_generation_tool`, `tls_offset_tool`, `tls_adaptation_tool`
Result Analysis	Convert SUMO XML output to SQLite and render HTML reports	`xml_to_sqlite_tool`, `simulation_report_tool`
Visualization	Render networks, highlighted edges, and per-edge metric heatmaps	`visualize_net_tool`, `visualize_edge_tool`, `visualize_policy_target_tool`, `visualize_edgedata_tool`
Utility Functions	Network statistics, routing, road-name ↔ edge-id resolution, OD-coordinate validation, web-search grounding	`network_summary_tool`, `route_analysis_tool`, `validate_od_coordinates_tool`, `web_search_tool`

Installation

Requirements

Python 3.10 or later
SUMO 1.24 or later (locally installed, with SUMO_HOME set)
Anthropic Claude API key (bring-your-own-key)
Mapbox access token (used by the web map renderer)

1. Install SUMO

macOS

brew install sumo

Or download the installer from the Eclipse SUMO downloads page.

Windows — Download the installer from the Eclipse SUMO downloads page.

Linux (Ubuntu/Debian)

sudo add-apt-repository ppa:sumo/stable

sudo apt-get update sudo apt-get install sumo sumo-tools sumo-doc

2. Set up the Python environment

Install uv:

# macOS / Linux

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows (PowerShell)

powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

Clone the repository, create a virtual environment, and install AgentSUMO:

git clone https://github.com/mw-jeong/AgentSUMO

cd AgentSUMO

Create a Python 3.12 venv

uv venv --python 3.12

Activate the venv

source .venv/bin/activate # macOS / Linux

.venv\Scripts\activate # Windows

Install AgentSUMO and all dependencies

(this also pulls agentsumo-mcp from PyPI as a dependency)

uv pip install -e .

3. Configure environment variables

AgentSUMO reads API keys and the SUMO path from environment variables. The easiest way is a .env file at the project root:

cp .env.example .env

Open .env in your editor and fill in:

`ANTHROPIC_API_KEY` (required) — Claude API key that drives the Planner Agent. Get one at the Anthropic Console.

ANTHROPIC_API_KEY=[PopNx MCP ตัดค่าที่หน้าตาเหมือนกุญแจออก]

`MAPBOX_TOKEN` (required for the web UI) — used to render the basemap. Get one at the Mapbox access tokens page.

MAPBOX_TOKEN=pk.eyJ1Ijoixxxxxxxxxxxxxxxxxx

`SUMO_HOME` (required) — absolute path to your local SUMO installation. The directory must contain bin/sumo (or bin/sumo.exe on Windows).

# macOS (Homebrew)

SUMO_HOME=/opt/homebrew/share/sumo

macOS (Eclipse SUMO installer)

SUMO_HOME=/Library/Frameworks/EclipseSUMO.framework/Versions/ /EclipseSUMO # e.g. 1.24.0; use the directory name installed under Versions/

Windows

SUMO_HOME=C:\Program Files (x86)\Eclipse\Sumo

Linux

SUMO_HOME=/usr/share/sumo

`AGENTSUMO_MCP_OUTPUT_BASE` (optional) — override the base directory where the MCP server writes simulation outputs (networks, trips, results). Defaults to the current working directory.

AGENTSUMO_MCP_OUTPUT_BASE=/path/to/your/output/dir

4. Run

# Web interface (opens at http://localhost:8000)

python web.py

CLI mode

python chat.py

Clean up simulation outputs

python clean.py

Project Structure

AgentSUMO/

├── agentsumo/ │ ├── agent/ # Planner Agent (Claude orchestrator + prompts) │ ├── client/ # MCP clients (AgentSUMO, SQLite, Filesystem) │ └── core/ # Configuration ├── agentsumo_mcp/ # AgentSUMO MCP Server source (also published to PyPI) │ └── defaults/ # Packaged fixtures (e.g., vehicle_types.add.xml) ├── packaging/mcp/ # PyPI build configuration for agentsumo-mcp ├── web/ # Web interface (FastAPI + Jinja2 templates) ├── docs/ # Sphinx documentation source ├── tests/ # Unit tests ├── assets/ # README images ├── output/ # Runtime artifacts (auto-populated; 8 categories tracked │ # via .gitkeep — simulations/, networks/, trips/, │ # analysis/, reports/, uploads/, visualizations/, additional/) ├── chat.py # CLI entry point ├── web.py # Web server entry point └── .env.example # Environment variable template

Use the MCP Server Standalone

The AgentSUMO MCP Server can be used independently from this framework with any MCP-compatible LLM client (Claude Desktop, OpenAI tool clients, Gemini, local LLMs):

pip install agentsumo-mcp

Or via uvx without installing:

uvx agentsumo-mcp

The server is registered in the official MCP Registry under io.github.mw-jeong/agentsumo-mcp.

Troubleshooting

SUMO path error — Verify SUMO_HOME in your .env. The directory must contain bin/sumo (or bin/sumo.exe on Windows).

API key error — Verify ANTHROPIC_API_KEY in your .env is set to a valid Claude API key. The Planner Agent will refuse to start without it.

Dependency error — Re-resolve dependencies:

uv pip install -e . --upgrade

Legacy token files (deprecated, scheduled for removal in 0.2.0) — AgentSUMO still falls back to claude_api.txt and mapbox_token.txt at the project root when the corresponding environment variables are missing, but those code paths now emit a DeprecationWarning at import time. Use the .env workflow for new installations.

Documentation

Full documentation lives at [agentsumo.readthedocs.io](https://agentsumo.readthedocs.io).

Installation — SUMO, Python 3.10+, environment setup
Tools — reference for all MCP tools
Schema — simulations.db ER diagram and column reference
Tutorials — walkthroughs of the paper case studies

Citation

If you use AgentSUMO in academic work, please cite:

@article{jeong2025agentsumo,

title = {AgentSUMO: An Agentic Framework for Interactive Simulation Scenario Generation in SUMO via Large Language Models}, author = {Jeong, Minwoo and Chang, Jeeyun and Yoon, Yoonjin}, journal = {arXiv preprint arXiv:2511.06804}, year = {2025}, url = {https://arxiv.org/abs/2511.06804} }

License

MIT. See LICENSE.

Developed at

AgentSUMO

Überblick

Die drei Säulen von PopNx MCP

Was du damit machen kannst

Installation

Bevor du installierst

Werte, die du selbst einträgst

Was er kann

Basischecksi

Entwickler passt zum Repo

Wird noch gepflegt

Hat eine Lizenz

Endpunkt antwortet

Anmeldung mit OAuth

Keine versteckten Anweisungen in Tool-Beschreibungen

Im Vergleich mit anderen in Design, Bilder & Audioi

Häufige Fragen

Alternativen

Figma Context MCP

Claude Real Video

Figma MCP Server

README vom Entwickler

AgentSUMO

Overview

Demo

Architecture

Tool Layer

Installation

Requirements

1. Install SUMO

2. Set up the Python environment

Windows (PowerShell)

Create a Python 3.12 venv

Activate the venv

.venv\Scripts\activate # Windows

Install AgentSUMO and all dependencies

(this also pulls agentsumo-mcp from PyPI as a dependency)

3. Configure environment variables

macOS (Eclipse SUMO installer)

Windows

Linux

4. Run

CLI mode

Clean up simulation outputs

Project Structure

Use the MCP Server Standalone

Troubleshooting

Documentation

Citation

License