我要投稿

LangChain + 模型上下文协议（MCP）：AI 智能体 Demo

发布日期：2025-04-13 15:04:08 浏览次数： 1582 作者：原力注入

MCP（Model Context Protocol） 是由 Anthropic 推出的开源协议，旨在为大型语言模型（LLM）提供安全、可解释、可扩展的外部数据与工具集成方案。

1. 背景与动机：MCP 的意义何在？

在基于大语言模型构建应用时，一个核心痛点是 数据与工具的接入困难。模型虽然能力强大，但通常处于“沙盒”状态，无法直接访问外部环境。

为此，RAG（检索增强生成）、微调、插件等方案陆续诞生。而 MCP 的目标正是统一接口协议，以便标准化集成上下文、工具、服务与数据源。

2. 如何用 LangChain 集成 MCP？

本节将通过实操演示，介绍如何将 LangChain 与 MCP 工具集成，打造一个拥有算术能力的 AI 智能体。
注意：示例来自 https://github.com/langchain-ai/langchain-mcp-adapters。

准备步骤概览：

步骤	内容
1	创建并激活 `Python` 虚拟环境
2	安装必要依赖
3	编写 `MCP Server`（数学工具）
4	编写客户端接入 `LangChain` 智能体
5	分析输出流程

3. 环境准备与依赖安装

创建虚拟环境

python3 -m venv MCP_Demosource MCP_Demo/bin/activate

安装依赖:

pip install langchain-mcp-adapters langgraph langchain-openaiexport OPENAI_API_KEY=<your_api_key>

请将文本<your_api_key> 替换为您的OpenAI API密钥。

4. 编写 MCP Server（数学计算工具）

创建 math_server.py 文件：

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

运行服务器：

python3 math_server.py

5. 编写客户端（集成 LangGraph 智能体）

创建 client.py：

from mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_clientfrom langchain_mcp_adapters.tools import load_mcp_toolsfrom langgraph.prebuilt import create_react_agentfrom langchain_openai import ChatOpenAIimport asyncio
model = ChatOpenAI(model="gpt-4o")
server_params = StdioServerParameters(    command="python",    args=["math_server.py"],  # 替换为绝对路径)
async def run_agent():    async with stdio_client(server_params) as (read, write):        async with ClientSession(read, write) as session:            await session.initialize()            tools = await load_mcp_tools(session)            agent = create_react_agent(model, tools)            result = await agent.ainvoke({"messages": "what's (3 + 5) x 12?"})            return result
if __name__ == "__main__":    print(asyncio.run(run_agent()))

运行客户端：

python3 client.py

6. 消息交互流程解析

完整消息

客户端输出如下：

{    'messages': [        # 1. 用户原始提问        HumanMessage(            content="what's (3 + 5) x 12?",            id='87a8b6b6-...',  # 消息唯一标识            metadata={...}        ),
        # 2. AI首次响应（工具调用）        AIMessage(            content='',            tool_calls=[                {                    'name': 'add',          # 第一个工具调用：加法                    'args': {'a':3, 'b':5},  # 参数                    'id': 'call_1eyRzR...'   # 工具调用ID                },                {                    'name': 'multiply',      # 第二个工具调用：乘法                    'args': {'a':8, 'b':12},                    'id': 'call_q82CX...'                }            ],            token_usage={...},             # 本次调用的Token消耗            finish_reason='tool_calls'      # 终止原因：触发了工具调用        ),
        # 3. 工具执行结果返回        ToolMessage(            content='8',                   # add工具的执行结果            name='add',                     # 对应工具名称            tool_call_id='call_1eyRzR...'   # 关联的工具调用ID        ),        ToolMessage(            content='96',                   # multiply工具的执行结果            name='multiply',            tool_call_id='call_q82CX...'        ),
        # 4. AI最终响应        AIMessage(            content='content=‘The result of (3 + 5) × 12 is 96.',  # 最终自然语言答案            finish_reason='stop',          # 正常终止            token_usage={                  # 总Token消耗                'input_tokens': 143,                'output_tokens': 22,                'total_tokens': 165            }        )    ]}

执行流程说明

用户输入阶段

HumanMessage 记录原始问题："3加5乘12等于多少？"
包含元数据：消息ID、响应元数据等

AI推理阶段

第一步调用add工具计算3+5
第二步调用multiply工具计算8x12

AIMessage 显示分步思考过程：
finish_reason: tool_calls 表示需要等待工具执行结果

工具执行阶段

add工具返回8（对应3+5）
multiply工具返回96（对应8x12）

ToolMessage 包含工具执行结果：
每个结果都通过tool_call_id关联到对应的工具调用请求

最终响应阶段

新的AIMessage生成自然语言答案
使用LaTeX格式展示数学表达式：
finish_reason: stop 表示正常结束

7. 元数据与性能指标分析

关键字段说明

字段	说明
`token_usage`	记录各阶段的令牌消耗情况
`system_fingerprint`	模型版本指纹（fp_eb9dce56a8）
`tool_call_id`	工具调用的唯一关联标识
`finish_reason`	终止类型（tool_calls/stop）