如何结合LangChain与MCP使用的案例

消除自定义集成AI Agent 在获取数据时面临的挑战

图片来源：https://github.com/modelcontextprotocol/servers

消除自定义集成AI Agent 在获取数据时面临一个挑战，换句话说，就是如何将 AI Agent 或基于 LLM 的应用集成到外部数据源中。为了实现无缝集成，已经有许多尝试，例如利用 GUI、Web 浏览器和 Web 搜索等方式。这些方法各有优劣。

MCP 的潜力

MCP 有潜力成为一个通用接口，可以将其视为 AI 领域的虚拟/软件版 USB-C。它能够在 LLM/AI Agent 与外部资源之间实现无缝、安全且可扩展的数据交换。MCP 采用客户端-服务器架构，其中 MCP 主机（AI 应用）与 MCP 服务器（数据/工具提供方）进行通信。开发者可以使用 MCP 构建可复用、模块化的连接器，并利用针对主流平台的预构建服务器，从而打造一个由社区驱动的生态系统。MCP 的开源特性鼓励创新，允许开发者扩展其功能，同时通过精细化权限控制等特性确保安全性。最终，MCP 旨在将 AI Agent 从孤立的聊天机器人转变为具备上下文感知能力、可互操作且深度集成于数字环境的系统。

逐步指南

Anthropic 的 Model Context Protocol（MCP）是一个开源协议，用于将 LLM 连接到上下文、工具和提示词。它支持越来越多的服务器（server），可以用于连接各种工具或数据源。在本指南中，我们将演示如何将 MCP 服务器连接到 LangGraph agents，并使用 MCP 工具……如果你和我一样，那么无论原型多么简单，能够让它运行起来都会带来极大的清晰感和理解力——至少在我的思维方式里是这样的。

开始之前

请打开终端应用（Terminal）。下面是在 MacBook 上找到它的位置：

在终端窗口中，创建两个选项卡；我们将在一个选项卡中运行服务器，在另一个选项卡中运行客户端。

创建虚拟环境并安装依赖

推荐的最佳实践是在虚拟环境中安装和运行代码。使用以下命令创建名为 MCP_Demo 的虚拟环境：

python3 -m venv MCP_Demo

然后运行以下命令激活（进入）虚拟环境：

source MCP_Demo/bin/activate

激活后，你会看到命令行提示符更新为 (MCP_Demo)，表示已进入该虚拟环境。

安装必要的依赖按顺序运行以下命令安装所需的 Python 包：

pip install langchain-mcp-adapters
pip install langchain-mcp-adapters
export OPENAI_API_KEY=

请将

替换为你的 OpenAI API Key。

创建并运行 MCP 服务器

创建 Python 服务器文件在终端中运行以下命令创建一个文本文件：

vim server.py

粘贴以下 Python 代码

# math_server.py
from mcp.server.fastmcp import FastMCP
mcp = FastMCP("Math")
@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b
@mcp.tool()
def multiply(a: int, b: int) -> int:
    """Multiply two numbers"""
    return a * b
if __name__ == "__main__":
    mcp.run(transport="stdio")

保存并关闭文件在

vim

中，按

ESC

，输入

:wq

并回车。

运行 MCP 服务器使用以下命令启动服务器：

python3 math_server.py

运行后，终端不会有明显的输出，界面会如下所示：

创建并运行 MCP 客户端

在一个终端标签页运行 MCP 服务器的同时，打开另一个终端标签页，按照以下步骤操作：

创建客户端文件在新的终端标签页中，运行以下命令创建

client.py

文件：

vim client.py

粘贴以下 Python 代码

# 创建与 stdio 连接的服务器参数
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from langchain_mcp_adapters.tools import load_mcp_tools
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
import asyncio
# 使用 GPT-4o 作为 LLM 模型
model = ChatOpenAI(model="gpt-4o")
# 设置服务器参数
server_params = StdioServerParameters(
    command="python",
    # 请确保更新为 math_server.py 文件的完整绝对路径
    args=["math_server.py"],
)
# 定义异步任务运行 agent
async def run_agent():
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            # 初始化连接
            await session.initialize()
            # 加载工具
            tools = await load_mcp_tools(session)
            # 创建并运行 agent
            agent = create_react_agent(model, tools)
            agent_response = await agent.ainvoke({"messages": "what's (3 + 5) x 12?"})
            return agent_response
# 运行异步函数
if __name__ == "__main__":
    result = asyncio.run(run_agent())
    print(result)

运行 MCP 客户端在终端中执行以下命令运行客户端：

python3 client.py

观察运行结果客户端会运行一次，并输出类似如下的结果：

{
    "messages": [
        {
            "content": "what's (3 + 5) x 12?",
            "id": "87a8b6b6-9add-4da7-aea5-1b197c0fc0f5"
        },
        {
            "tool_calls": [
                {
                    "id": "call_1eyRzR7WpKzhMXG4ZFQAJtUD",
                    "function": {
                        "arguments": "{"a": 3, "b": 5}",
                        "name": "add"
                    },
                    "type": "function"
                },
                {
                    "id": "call_q82CX807NC3T6nHMrhoHT46E",
                    "function": {
                        "arguments": "{"a": 8, "b": 12}",
                        "name": "multiply"
                    },
                    "type": "function"
                }
            ]
        },
        {
            "content": "The result of \(3 + 5\) \times 12\ is 96."
        }
    ]
}