我要投稿

推荐支持MCP的六大AI框架

发布日期：2025-04-28 07:22:17 浏览次数： 1538 作者：AI算法之道

点击蓝字

关注我们

引言

AI智能体工具包为开发者提供了多样化的API接口，旨在为AI解决方案配备执行任务所需的工具，并确保输出结果的准确性以满足用户需求。然而，将这些工具集成至AI应用程序并进行有效管理往往面临诸多混乱。本文将通过模型上下文协议（MCP），向大家介绍为大型语言模型和智能体提供上下文的行业标准实践。

闲话少说，我们直接开始吧！

LLM上下文规范

默认情况下，如果不为LLM（大语言模型）和AI聊天机器人提供适当的上下文，它们将无法获取实时信息、执行代码、调用外部工具和API，甚至无法代表用户使用浏览器。开发者可以采用以下方法来解决LLM和智能体的这一局限性。

Composio

Composio 提供了一套规范和工具库，用于集成AI智能体和LLM。除了现成的工具库外，Composio 近期还推出了 Composio MCP，使开发者能够连接100多个支持MCP的IDE服务器。通过下述链接，

链接：https://composio.dev/

大家可以查看 Composio MCP 工具分类，并在支持MCP的IDE（如Cursor、Claude和Windsurf）中将多个应用集成到您的项目中。

Agents.json

Agents.json 是基于OpenAI标准构建的规范，旨在优化AI智能体与API及外部工具的交互体验。尽管Agents.json是一个优秀的规范，但它的普及度远不如MCP，目前尚未被广泛采用。

链接：https://github.com/wild-card-ai/agents-json

大家可以参考其GitHub仓库了解更多信息并开始使用。

3. MCP（模型上下文协议）

MCP 为开发者提供了最佳方式，能够向LLM和AI助手提供上下文数据以解决问题。例如，我们可以搭建一个 MCP文档服务器，让IDE和智能体框架（类似于llms.txt文件的方式）完整访问我们的文档。

‍

什么是MCP?‍

可以将MCP视为大语言模型（LLM）的第三次演进。在第一次进化阶段，LLM仅能基于训练数据中的信息准确回答用户提问，若遇到训练数据之外的查询，它们便无法给出有效回应，因为此时LLM尚未具备调用外部工具的能力。到了第二次进化阶段，我们为LLM提供了额外的上下文（工具），虽然这些工具的交互方式并不直观，但已能帮助LLM更精准地预测和响应用户意图。而第三次进化依然由LLM和工具构成，但这次我们构建了完善的底层架构，使其不仅能接入外部应用程序，还能确保整个系统的可维护性。

在构建AI服务时，大家的企业数据可能存储在云端——比如用于处理客户支持工单的AI助手应用。MCP是Anthropic推出的开源协议，可帮助企业数据与AI系统建立连接。

该协议提供了一种标准化方式，能够将内容存储库（GitHub、Notion）、开发环境、网络资源及商业工具与辅助型AI技术进行对接。目前最受欢迎且持续增长的MCP应用场景当属AI辅助编程：通过与Cursor、Windsurf等数百个开发环境和工具的MCP集成，开发者可以实现与外部应用程序的交互式开发。

注：本文重点讲解如何为基于Python/TypeScript开发的AI助手和智能体系统实现MCP集成，而非IDE环境下的MCP对接方案。

MCP工作原理

在大语言模型（LLM）和智能体的应用场景中，MCP能够帮助它们对超出内置知识范围的用户查询作出有效响应。例如，当您要求ChatGPT向特定Slack频道发送消息、查看日历空闲时间并安排今日团队会议时，ChatGPT的回应往往会令人失望——因为它无法直接访问这些应用程序。而MCP的实施则能让这些智能助手输出真正可用的结果。

开发者最常提出的第一个问题是：MCP如何运作？

MCP的基本操作方式是：用户向智能体发送查询，智能体随后决定调用哪个MCP服务器和工具，以获取相关信息用于完成任务。智能体再利用来自特定工具的数据，向用户提供响应。

那么为什么需要将MCP用于AI Agent ?

MCP正逐渐成为开发者构建AI系统的行业标准，使这些系统能够高效对接各类外部应用程序。微软近期宣布在Copilot Studio中集成MCP协议，大幅简化了AI应用和智能体调用工具的过程。无独有偶，OpenAI也宣布在其全线产品（包括智能体开发套件和ChatGPT桌面应用）中支持MCP协议。

虽然直接为AI助手配备工具并无不妥，但对于包含多个子智能体、需并行处理邮件收发、网络爬取、财务分析、实时天气查询等复杂任务的AI系统而言，这种直接集成方式会显得异常笨拙。

具备工具集成的AI Agent

在上图中，有三个外部工具连接至大语言模型（LLM）。如果工具数量增加到100个以上，管理和保障其安全性将变得令人头疼。

改进方案是通过MCP注册中心统一访问这些工具（甚至超过100个），如下所示。

在这张图中，我们将智能体系统所需的工具整合起来，并通过MCP服务器统一访问，从而提供更连贯的用户体验。MCP方案通过集中化管理，使这些工具的安全维护和操作管理变得更加便捷。

使用MCP的优势

相较于传统将工具集成到AI智能体的方式，MCP具有多项关键优势。例如，没有MCP的工具集成可靠性值得怀疑，因为在对外部应用程序进行多次API调用时，可能会由于AI基础设施不兼容而导致多种错误。在引入MCP之前，每个希望添加到智能体的工具都必须使用自定义代码实现，通常需要数周时间。

架构：与为AI智能体预构建的工具规范不同，MCP具有一种清晰且灵活的架构，便于与工具和API交互。

改进的外部工具访问与管理：它通过标准化接口为AI模型提供工具访问，弥合了LLMs与第三方系统交互之间的通信差距。

解决独立工具实现的限制：MCP工具适用于单用户场景和团队合作。

社区驱动：MCP拥有许多开源服务器和开发者生态系统，在开发者社区中被广泛采用，适用于多种用例。

身份验证：它具有强大的内置认证和权限系统，用于控制工具访问。例如，使用Composio提供的MCP工具时，可以通过Google Sheets或Gmail对用户进行身份验证。

工具搜索：与传统的安装、配置和集成工具到AI聊天机器人方式不同，MCP使查找和寻找外部工具变得更加简单。

可扩展性：MCP能轻松扩展到大量用户和应用场景。

行业标准：虽然可以安装硬编码工具以为AI应用提供上下文，但MCP提供了行业标准，帮助智能体和LLMs获取所需的上下文信息。

不同的MCP服务类型

Anthropic 的 MCP 规范提供了两种服务器形式，用于向智能体和 AI 项目添加工具。这些 MCP 服务器连接类型包括以下两种：

服务器推送事件 (SSE)：通过 HTTP 连接到远程服务。

标准输入输出 (STDIO)：允许执行本地命令并通过标准输入/输出进行通信。

大家选择的 AI 应用开发框架会提供连接这些服务器所需的类。

不同的MCP工具库

一些开源的托管MCP工具库旨在增强大型语言模型（LLMs）和智能体的能力，确保它们生成的响应更可靠。这些托管的MCP工具库被称为注册中心（registries），提供经过策划的服务集合。大家可以使用它们的工具将紫霞的AI应用连接到以下注册中心。此外，还可以选择不同的服务器类型，例如uvx，它由基于Python的工具组成，无需安装。此外，还有用于运行MCP工具的Docker选项，以及需要安装Node.js的npx基础服务器。
GitHub上的MCP服务器：由社区构建的服务器集合，包含额外的MCP资源。

链接：https://github.com/modelcontextprotocol/servers

Glama Registry：面向开发者的生产就绪、开源的MCP服务器。

链接：https://glama.ai/mcp/servers

Smithery Registry：通过Smithery，开发者可以访问超过2000个MCP服务器，增强AI代理和LLMs的能力。

smithery链接： https://smithery.ai/

OpenTools：提供用于MCP工具的生成式API。你可以访问数百个现成的MCP工具，用于你的AI项目。通过OpenTools API，开发者可以扩展LLMs的网页搜索能力、实时获取位置信息和网页抓取功能。该API支持Curl、Python和TypeScript。请访问OpenTools快速指南以开始使用该API。

opentools官网：https://opentools.com/

示例如下：

PulseMCP Registry：使用PulseMCP，你可以浏览托管的MCP工具和应用案例，支持你的AI项目。还可以查看PulseMCP新闻，了解最新趋势的MCP服务器和应用。

官网链接：https://www.pulsemcp.com/

mcp.run：该注册中心为开发者提供数百个MCP应用，用于商业用途。

官网链接：https://www.mcp.run/

Composio Registry：Composio的基于SSE的MCP服务器，便于将工具与不同的AI框架集成，构建应用。

官网链接：https://mcp.composio.dev/

guMCP：Gumloop的guMCP提供免费、开源、全托管的MCP服务器，便于与任何AI应用无缝集成。

官网链接：https://www.gumloop.com/mcp

使用OpenAI Agents SDK构建MCP智能体

虽然MCP已经成为一个热词，且所有开发者社区近期都在讨论它，但要知道使用哪些MCP客户端框架以实现与AI应用和代理的集成并不容易。我们进行了调研，发现以下在Python和TypeScript基础上用于智能体工作流和AI助手的领先MCP客户端平台。
注意：以下内容展示了在构建AI解决方案的框架中实现MCP的方法。

构建Git MCP智能体

使用OpenAI Agents SDK构建智能体时，大家可以通过SDK的MCPServerStdio和MCPServerSse类连接到这些由社区开发的MCP服务器。以下的MCP智能体示例实现会访问你本地Git仓库的根目录，并对用户关于该仓库的查询作出响应。

import asyncioimport shutilimport streamlit as stfrom agents import Agent, Runner, tracefrom agents.mcp import MCPServer, MCPServerStdioasync def query_git_repo(mcp_server: MCPServer, directory_path: str, query: str):    agent = Agent(        name="Assistant",        instructions=f"Answer questions about the localgit repository at {directory_path}, use that for repo_path",        mcp_servers=[mcp_server],    )    with st.spinner(f"Running query: {query}"):        result = await Runner.run(starting_agent=agent, input=query)        return result.final_outputasync def run_streamlit_app():    st.title("Local Git Repo Explorer")    st.write("This app allows you to query information about a local git repository.")    directory_path = st.text_input("Enter the path to the git repository:")    if directory_path:        # Common queries as buttons        col1, col2 = st.columns(2)        with col1:            if st.button("Most frequent contributor"):                query = "Who's the most frequent contributor?"                run_query(directory_path, query)        with col2:            if st.button("Last change summary"):                query = "Summarize the last change in the repository."                run_query(directory_path, query)        # Custom query        custom_query = st.text_input("Or enter your own query:")        if st.button("Run Custom Query") and custom_query:            run_query(directory_path, custom_query)def run_query(directory_path, query):    if not shutil.which("uvx"):        st.error("uvx is not installed. Please install it with `pip install uvx`.")        return    async def execute_query():        async with MCPServerStdio(            cache_tools_list=True,            params={                "command": "python",                 "args": [                    "-m",                     "mcp_server_git",                     "--repository",                     directory_path                ]            },        ) as server:            with trace(workflow_name="MCP Git Query"):                result = await query_git_repo(server, directory_path, query)                st.markdown("### Result")                st.write(result)    asyncio.run(execute_query())if __name__ == "__main__":    st.set_page_config(        page_title="Local Git Repo Explorer",        page_icon="?",        layout="centered"    )    # Change from async to synchronous implementation    # Since Streamlit doesn't work well with asyncio in the main thread    # Define a synchronous version of our app    def main_streamlit_app():        st.title("Local Git Repo Explorer")        st.write("This app allows you to query information about a Git repository.")        directory_path = st.text_input("Enter the path to the git repository:")        if directory_path:            # Common queries as buttons            col1, col2 = st.columns(2)            with col1:                if st.button("Most frequent contributor"):                    query = "Who's the most frequent contributor?"                    run_query(directory_path, query)            with col2:                if st.button("Last change summary"):                    query = "Summarize the last change in the repository."                    run_query(directory_path, query)            # Custom query            custom_query = st.text_input("Or enter your own query:")            if st.button("Run Custom Query") and custom_query:                run_query(directory_path, custom_query)    # Run the synchronous app    main_streamlit_app()

上述代码将Streamlit与OpenAI MCP代理集成，允许你通过Git MCP服务器与本地Git仓库进行聊天。要运行此示例，你需要安装以下软件包：

pip install streamlit openai-agents mcp-server-git

然后，使用以下命令导出你的OpenAI API密钥：

exportOPENAI_API_KEY=sk-...

在你运行Python文件时，应该会看到类似如下的结果。

大家可以在GitHub上探索其他关于OpenAI MCP的示例。

链接：https://github.com/openai/openai-agents-python/tree/main/examples/mcp

使用Agents SDK的MCP集成的一个优点是它在OpenAI的控制面板中内置的MCP智能体监控系统。该功能会自动捕捉你的智能体的MCP操作，例如工具列表、POST响应以及获取有关函数调用的数据。下图展示了运行上述代码后，本节中Git MCP示例的追踪信息。你可以从OpenAI的控制面板中访问所有已记录的信息。

使用PraisonAI构建MCP智能体

Praison AI是一个基于Python的人工智能框架，用于构建智能体。它提供了最简单的方法，将MCP服务器工具加入智能体工作流，仅需一行代码，就像为智能体配备传统工具一样。下面的示例将Airbnb的MCP服务器与Praison AI智能体集成，使用Streamlit界面帮助用户在指定地点寻找公寓。

要使用Praison AI创建你的第一个MCP代理，大家应当安装以下软件包：

pip install streamlit mcp praisonaiagents

然后，使用以下命令导出你的OpenAI API密钥：

exportOPENAI_API_KEY=sk-...

样例代码如下：

import streamlit as stfrom praisonaiagents import Agent, MCP
st.title("? Airbnb Booking Assistant")
# Create the agent@st.cache_resourcedef get_agent():    return Agent(        instructions="""You help book apartments on Airbnb.""",        llm="gpt-4o-mini",        tools=MCP("npx -y @openbnb/mcp-server-airbnb --ignore-robots-txt")    )
# Initialize chat historyif "messages" not in st.session_state:    st.session_state.messages = []
# Display chat historyfor message in st.session_state.messages:    with st.chat_message(message["role"]):        st.markdown(message["content"])
# User input formwith st.form("booking_form"):    st.subheader("Enter your booking details")
    destination = st.text_input("Destination:", "Paris")
    col1, col2 = st.columns(2)    with col1:        check_in = st.date_input("Check-in date")    with col2:        check_out = st.date_input("Check-out date")
    adults = st.number_input("Number of adults:", min_value=1, max_value=10, value=2)
    submitted = st.form_submit_button("Search for accommodations")
    if submitted:        search_agent = get_agent()
        # Format the query        query = f"I want to book an apartment in {destination} from {check_in.strftime('%m/%d/%Y')} to {check_out.strftime('%m/%d/%Y')} for {adults} adults"
        # Add user message to chat history        st.session_state.messages.append({"role": "user", "content": query})
        # Display user message        with st.chat_message("user"):            st.markdown(query)
        # Get response from the agent        with st.chat_message("assistant"):            with st.spinner("Searching for accommodations..."):                response = search_agent.start(query)                st.markdown(response)
        # Add assistant response to chat history        st.session_state.messages.append({"role": "assistant", "content": response})
# Allow for follow-up questionsif st.session_state.messages:    prompt = st.chat_input("Ask a follow-up question about the accommodations")    if prompt:        search_agent = get_agent()
        # Add user message to chat history        st.session_state.messages.append({"role": "user", "content": prompt})
        # Display user message        with st.chat_message("user"):            st.markdown(prompt)
        # Get response from the agent        with st.chat_message("assistant"):            with st.spinner("Thinking..."):                response = search_agent.start(prompt)                st.markdown(response)
        # Add assistant response to chat history        st.session_state.messages.append({"role": "assistant", "content": response})

运行示例代码将调用所需的 Airbnb MCP 工具，为大家查找特定位置的公寓，如下所示。

你已经注意到，只需一行代码

 tools=MCP("npx -y @openbnb/mcp-server-airbnb --ignore-robots-txt")

我们就可以为代理添加MCP支持，其中npx代表运行启动MCP服务器的命令，-y是传递给该命令的命令行参数。有关更多信息，请参考OpenAI Agents SDK文档。

使用LangChain AI构建MCP智能体

LangChain支持使用工具调用（tool-calling）与MCP集成。这种支持允许你设置Python函数，以访问不同的MCP服务器并获取工具，从而在AI项目中执行各种任务。以下示例代码连接到一个安全的MCP文件系统服务器，使大型语言模型（LLM）能够准确回答你提供的任何文件相关的问题。

# Copyright (C) 2024 Andrew Wason# SPDX-License-Identifier: MIT
import asyncioimport pathlibimport sysimport typing as t
from langchain_core.messages import AIMessage, BaseMessage, HumanMessagefrom langchain_core.output_parsers import StrOutputParserfrom langchain_core.tools import BaseToolfrom langchain_groq import ChatGroqfrom mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_client
from langchain_mcp import MCPToolkit
asyncdefrun(tools: list[BaseTool], prompt: str) -> str:    model = ChatGroq(model_name="llama-3.1-8b-instant", stop_sequences=None)  # requires GROQ_API_KEY    tools_map = {tool.name: tool for tool in tools}    tools_model = model.bind_tools(tools)    messages: list[BaseMessage] = [HumanMessage(prompt)]    ai_message = t.cast(AIMessage, await tools_model.ainvoke(messages))    messages.append(ai_message)for tool_call in ai_message.tool_calls:        selected_tool = tools_map[tool_call["name"].lower()]        tool_msg = await selected_tool.ainvoke(tool_call)        messages.append(tool_msg)returnawait (tools_model | StrOutputParser()).ainvoke(messages)
asyncdefmain(prompt: str) -> None:    server_params = StdioServerParameters(        command="npx",        args=["-y", "@modelcontextprotocol/server-filesystem", str(pathlib.Path(__file__).parent.parent)],    )asyncwith stdio_client(server_params) as (read, write):asyncwith ClientSession(read, write) as session:            toolkit = MCPToolkit(session=session)await toolkit.initialize()            response = await run(toolkit.get_tools(), prompt)print(response)
if __name__ == "__main__":    prompt = sys.argv[1] iflen(sys.argv) > 1else"Read and summarize the file ./readme.md"    asyncio.run(main(prompt))

在运行上述代码前，我们需要安装依赖包：

pip install streamlit mcp praisonaiagents

pm install -g @modelcontextprotocol/server-filesystem

所有必需的包安装完毕后，如果你向项目中添加了一个文件，并在 Python 脚本中按照示例代码（如上所示的 ./readme.md）引用它，你应该会看到类似如下的输出。

使用Chinlit AI构建MCP智能体

Chainlit 是一个用于用 Python 构建 AI 应用的平台。它内置支持 MCP 服务器，因此你可以配置你的应用程序以发现可用的 MCP 工具，并将工具调用集成到应用流程中，以实现更优的效果。你还可以将 Chainlit 应用与服务器推送事件（SSE）和命令行（stdio）等服务进行集成。在以下示例中，我们将把一个 Chainlit 应用连接到 Linear MCP 服务器，以便应用可以管理 Linear 的问题、项目和团队。你可以使用本示例中的 Linear 工具创建、更新、搜索或获取用户问题，或在问题中添加评论。

首先，我们需要注册 MCP 连接：在此步骤中，你应当实现 Chainlit异步函数on_mcp_connect，以建立成功的连接。你还可以实现函数on_mcp_disconnect来进行清理工作。

# pip install chainlit
import chainlit as clfrom mcp import ClientSession
@cl.on_mcp_connectasyncdefon_mcp_connect(connection, session: ClientSession):"""Called when an MCP connection is established"""# Your connection initialization code here# This handler is required for MCP to work
@cl.on_mcp_disconnectasyncdefon_mcp_disconnect(name: str, session: ClientSession):"""Called when an MCP connection is terminated"""# Optional handler: Cleanup your code here

其次，需要配置 MCP 客户端（Chainlit、LangChain、Mastra）：为了让 MCP 服务器与 Chainlit 应用正常工作，客户端应通过 Chainlit 的界面提供连接信息。

该配置包括以下内容：

代表连接名称的唯一标识符。
客户端类型：你应当指定是使用 SSE 还是 stdio。使用 SSE 时，需要添加 URL 端点；而使用 stdio 时，则需要一个完整的命令（例如：npx your-tool-package）。下面是完整命令的示例：

npx -y linear-mcp-server --tools=all --api-key=lin_api_your_linear_API_Key

建立 MCP 服务器连接后，大家可以在 MCP 会话中执行工具。最终，你可以通过工具调用，将 MCP 工具无缝集成到你的 Chainlit 应用的模型或代理（agents）中。你可以在 GitHub 上的 Chainlit 示例应用中找到此 Linear MCP 集成的完整源代码。

代码链接：https://github.com/Chainlit/cookbook/tree/main/mcp-linear

使用Agno AI构建MCP智能体

Agno 是一个用于构建复杂代理工作流的 Python 框架。它因其简洁、易用以及与 MCP 服务器的无缝集成而受到欢迎。本节的示例 MCP 实现与由四个不同的贡献代理组成的多智能体团队协作，包括 Airbnb、Google Maps、网络搜索和天气 MCP 代理。这些 Agno 多智能体协作，旨在提供关于特定地点旅行的信息。