AgentSUMO

Name: AgentSUMO
Author: mw-jeong

โดย mw-jeongรุ่น 0.1.2i★ –iรันบนเครื่อง

ชื่อใน registryio.github.mw-jeong/agentsumo-mcp

ติดตั้ง

ภาพรวม

คำอธิบายจากผู้ทำ (ภาษาอังกฤษตามต้นฉบับ)

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

สามเสาของ PopNx MCP

สามเรื่องนี้ไม่รวมเป็นคะแนนเดียว เพราะความเห็น การวัด และความนิยม เป็นคนละเรื่องกัน

เสียงผู้ใช้iยังไม่มีรีวิวรีวิวเปิดพร้อมระบบบัญชีในขั้นถัดไป
ผลตรวจเบื้องต้นของเราiผ่าน 1 จาก 1 ข้อตรวจจากข้อมูลที่เปิดอยู่ ยังไม่ได้สแกนโค้ด
การใช้งานiยังใหม่มาก↓ 34/สัปดาห์ · ★ –

ใช้ทำอะไรได้

ตัวนี้ยังไม่ได้เรียบเรียงเป็นภาษาไทย ด้านล่างคือข้อเท็จจริงที่เราอ่านจาก registry

การเชื่อมต่อ: รันบนเครื่อง
ช่องทาง (transport): stdio
หมวด: ออกแบบ ภาพ และเสียง
ต้องใส่ค่าเหล่านี้: SUMO_HOME

ติดตั้ง

เลือกโปรแกรม AI ที่คุณใช้ แล้วคัดลอกค่าตั้งไปวาง

ก่อนติดตั้ง

ผลตรวจเบื้องต้น: ผ่าน 1 จาก 1 ข้อ
รันในเครื่องคุณด้วยสิทธิ์ของผู้ใช้คุณ (ไฟล์ อินเทอร์เน็ต แอปต่าง ๆ)
ค่าที่คุณต้องใส่เอง: SUMO_HOME, AGENTSUMO_MCP_OUTPUT_BASE

ต้องเตรียมก่อน

PyPIติดตั้ง uv ของ Python (มีคำสั่ง uvx) ในเครื่อง

คุณใช้แอปไหน

ClaudeClaude CodeCursorVS CodeChatGPT

เลือกแอปด้านบน เราจำไว้ให้ ครั้งหน้าปุ่มจะขึ้นว่า “ติดตั้งลง …”

เปิด Claude Desktop → Settings → Developer → Edit Config แล้ววางค่านี้ในไฟล์ claude_desktop_config.json

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

พิมพ์คำสั่งนี้ใน Terminal

claude mcp add agentsumo --env SUMO_HOME='ใส่ค่าของคุณ' --env AGENTSUMO_MCP_OUTPUT_BASE='ใส่ค่าของคุณ' -- uvx agentsumo-mcp

เติมค่าที่เว้นว่างไว้ก่อนรัน

เปิดใน Cursor

หรือคัดลอกค่าตั้งเอง

วางในไฟล์ .cursor/mcp.json ของโปรเจกต์ หรือ ~/.cursor/mcp.json

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

เบราว์เซอร์จะถามก่อนเปิดแอป จากนั้นแอปแสดงค่าตั้งให้ตรวจแล้วกดยืนยัน ช่อง key เว้นว่างไว้ให้คุณใส่เอง

เปิดใน VS Code

หรือคัดลอกค่าตั้งเอง

วางในไฟล์ .vscode/mcp.json ของโปรเจกต์

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

ตัวนี้รันในเครื่องคุณ แต่ ChatGPT ต่อได้เฉพาะ server บนอินเทอร์เน็ต ลองเลือกแอปอื่น

ตัวเลือกเก็บในคุกกี้บนเครื่องนี้ ไม่ต้องมีบัญชี

ค่าที่ต้องใส่เอง

SUMO_HOME จำเป็น 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.

ค่าตั้งนี้สร้างจากข้อมูลใน registry ของผู้ทำ ถ้าไม่ตรงกับ README ให้เชื่อ README

ทำอะไรได้บ้าง

รันในเครื่องคุณ รายการเครื่องมือจะขึ้นในแอป AI หลังติดตั้ง

ผลตรวจเบื้องต้นi

เราตรวจจากข้อมูลที่ใครก็เปิดดูได้ ยังไม่ได้อ่านโค้ด ข้อที่ไม่เกี่ยวกับตัวนี้ไม่นับในตัวหาร · ตรวจเมื่อ 10 พ.ย. 2569

✓ ผ่าน
ตัวตนผู้ทำตรงกับ repo
ชื่อใน registry ยืนยันด้วยบัญชี GitHub mw-jeong ซึ่งเป็นเจ้าของ repo
… ยังไม่ตรวจ
ยังมีคนดูแล
ยังไม่ได้อ่านข้อมูล repo จาก GitHub
… ยังไม่ตรวจ
มีสัญญาอนุญาต (license)
ยังไม่ได้อ่านข้อมูล repo จาก GitHub
– ไม่เกี่ยว
endpoint ตอบ
ตัวนี้รันบนเครื่องคุณ ไม่มี endpoint บนอินเทอร์เน็ต
– ไม่เกี่ยว
ล็อกอินแบบ OAuth
ตัวนี้รันบนเครื่อง ใช้ค่าที่ตั้งในเครื่องแทน
… ยังไม่ตรวจ
คำอธิบายเครื่องมือไม่มีคำสั่งแอบแฝง
รันในเครื่องคุณ เราอ่านรายการเครื่องมือได้เฉพาะตัวที่มี endpoint บนอินเทอร์เน็ต

เทียบกับตัวอื่นในหมวด ออกแบบ ภาพ และเสียงi

ดาวมากกว่า 0% ของอีก 2837 ตัวในหมวดนี้
ส่งรุ่นใหม่เข้า registry ล่าสุดกว่า 10% ของอีก 2837 ตัวในหมวดนี้
ผลตรวจเบื้องต้นดีกว่าหรือเท่ากับ 100% ของอีก 2837 ตัวในหมวดนี้

เทียบกับทุก server ที่ยังใช้งานในหมวดนี้ทั้งทะเบียน ดาวนับเฉพาะเมื่อผู้ลงทะเบียนเป็นเจ้าของ repo

คำถามที่พบบ่อย

AgentSUMO ปลอดภัยไหม?

จากการตรวจเบื้องต้นของเรา ผ่าน 1 จาก 1 ข้อที่ตรวจได้ เรายังไม่ได้อ่านโค้ด ก่อนใส่กุญแจหรือ token ให้ดูว่า server ขอสิทธิ์อะไร และเลือกกุญแจที่ทำได้เท่าที่จำเป็น

ต้องใช้กุญแจหรือรหัสอะไรบ้าง?

ต้องใส่ค่าเหล่านี้: SUMO_HOME

ตัวนี้รันบนเครื่องหรือบนคลาวด์?

รันบนเครื่องของคุณ โปรแกรม AI จะเปิด server ขึ้นมาเองเมื่อใช้ ข้อมูลไม่ต้องผ่านเซิร์ฟเวอร์ของผู้ทำ (ยกเว้นตัวที่ไปเรียกบริการออนไลน์ต่อ)

ยังมีคนดูแลอยู่ไหม?

repo บน GitHub มีการแก้โค้ดล่าสุด – และส่งรุ่นล่าสุด (0.1.2) เข้า registry 5 เดือนที่ผ่านมา

ใช้กับโปรแกรมไหนได้บ้าง?

โปรแกรมที่รองรับ MCP เช่น Claude Desktop, Claude Code, Cursor และ VS Code ตัวนี้ต้องมี Python (uv) ในเครื่องด้วย

มีตัวไหนใช้แทนได้บ้าง?

ในหมวดเดียวกันมี Figma Context MCP, Claude Real Video, Figma MCP Server

ตัวที่ใช้แทนได้

server หมวดเดียวกันจากผู้ทำคนอื่น เรียงตามดาว

อ่านการ์ด:↓ ดาวน์โหลดต่อสัปดาห์i★ ดาว GitHubiสามเสา: รีวิว · ผลตรวจ · การใช้งานiอัปเดต = วันที่ส่งรุ่นล่าสุดเข้า registryi

Figma Context MCP

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

โดย GLipsใช้กันมาก↓ 161.2K/สัปดาห์★ 16.2Kอัปเดต 5 เดือนที่ผ่านมา

รันบนเครื่อง

ติดตั้ง

Claude Real Video

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

โดย HUANGCHIHHUNGLeoใช้กันมาก↓ 1.1K/สัปดาห์★ 2.3Kอัปเดต 2 เดือนที่ผ่านมา

รันบนเครื่อง

ติดตั้ง

Figma MCP Server

server ทางการของ Figma ส่งข้อมูลงานออกแบบให้ AI อ่าน เพื่อเปลี่ยนแบบเป็นโค้ดหรืออธิบายแบบได้ตรงขึ้น ต่อผ่านคลาวด์ของ Figma

โดย figmaใช้กันมาก★ 2.2Kอัปเดต 13 เดือนที่ผ่านมา

รันบนคลาวด์✓ mcp.figma.com

ติดตั้ง

README จากผู้ทำ

เปิดอ่าน README

ส่วนนี้คัดจาก repo ของผู้ทำตามต้นฉบับ PopNx MCP ไม่ได้ตรวจหรือรับรองเนื้อหา ตัด HTML รูปภาพ และสคริปต์ออกแล้ว ลิงก์จะพาออกนอกเว็บ

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

ภาพรวม

สามเสาของ PopNx MCP

ใช้ทำอะไรได้

ติดตั้ง

ก่อนติดตั้ง

ค่าที่ต้องใส่เอง

ทำอะไรได้บ้าง

ผลตรวจเบื้องต้นi

ตัวตนผู้ทำตรงกับ repo

ยังมีคนดูแล

มีสัญญาอนุญาต (license)

endpoint ตอบ

ล็อกอินแบบ OAuth

คำอธิบายเครื่องมือไม่มีคำสั่งแอบแฝง

เทียบกับตัวอื่นในหมวด ออกแบบ ภาพ และเสียงi

คำถามที่พบบ่อย

ตัวที่ใช้แทนได้

Figma Context MCP

Claude Real Video

Figma MCP Server

README จากผู้ทำ

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