LLM之Agent| 使用Langchain实现模型上下文协议（MCP）

最新推荐文章于 2025-05-29 13:55:54 发布

大模型老炮

最新推荐文章于 2025-05-29 13:55:54 发布

阅读量975

点赞数 26

文章标签： langchain 人工智能 Agent AI产品经理大模型 LangChain MCP

本文链接：https://blog.youkuaiyun.com/2401_85375151/article/details/146888323

版权

模型上下文协议（MCP）是由 Anthropic 开发的开源协议，专注于安全且可解释的生成式 AI 系统。

MCP 的出现是为了解决大型语言模型（LLM）应用程序的一个关键限制，即它们与外部数据源和工具的隔离。

MCP 的主要目的是标准化基于 LLM 的应用程序如何连接到不同的系统，如下图所示：

AI Agent的挑战在于传输给Agent数据，换句话说，基于AI Agent/LLM 的应用程序集成到外部数据源。

MCP 可以用作通用接口，将其视为 AI 的 USB-C，在LLMs/AI Agent和外部资源之间实现无缝、安全和可扩展的数据交换。

MCP 使用客户端-服务器架构，其中 MCP 主机（AI 应用程序）与 MCP 服务器（数据/工具提供商）。

开发人员也可以使用 MCP 构建可重用的模块化连接器，并为流行的平台提供预定义的服务器，从而创建一个社区驱动的生态系统。

MCP 的开源性质鼓励创新，允许开发人员扩展其功能，同时通过精细权限等功能维护安全性。

最终，MCP 旨在将 AI Agent从孤立的聊天机器人转变为深度集成到数字环境中的上下文感知、可互作的系统。

下面演示一下如何使用Langchain完成MCP全流程：

在终端开两个窗口，一个用于运行服务器，另一个用于运行客户端。并且最好创建一个python虚拟环境来运行。

首先，创建一个名为MCP_Demo虚拟环境

python3 -m venv MCP_Demo

然后，激活该虚拟环境

source MCP_Demo/bin/activate

再安装相关包和Openai API Key

pip install langchain-mcp-adapters
export OPENAI_API_KEY=<your_api_key>

最后，在其中一个终端创建一个文本文件：vim server.py，并把下面代码粘贴到该文件中。

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")

关闭文本文件，使用以下命令启动并运行服务器：

python3 math_server.py

此时，终端不显示任何内容

在另一个终端创建一个文本文件client.py用于客户端

# Create server parameters for stdio connectionfrom 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",        # Make sure to update to the full absolute path to your math_server.py file        args=["math_server.py"],)
async def run_agent():    async with stdio_client(server_params) as (read, write):        async with ClientSession(read, write) as session:                   # Initialize the connection                        await session.initialize()                                    # Get tools                        tools = await load_mcp_tools(session)                                    # Create and run the agent                        agent = create_react_agent(model, tools)                        agent_response = await agent.ainvoke({"messages": "what's (3 + 5) x 12?"})                        return agent_response            # Run the async functionif __name__ == "__main__":    result = asyncio.run(run_agent())        print(result)

使用运行客户端：python client.py

{'messages':[HumanMessage(content="what's (3 + 5) x 12?", additional_kwargs={}, response_metadata={}, id='87a8b6b6-9add-4da7-aea5-1b197c0fc0f5'), AIMessage(content='', additional_kwargs={'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'}], 
'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 51, 'prompt_tokens': 77, 'total_tokens': 128, 
'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 
'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}}, 
'model_name': 'gpt-4o-2024-08-06', 'system_fingerprint': 'fp_eb9dce56a8', 'finish_reason': 'tool_calls', 'logprobs': None}, 
id='run-13c01640-f92b-48b7-9340-c2ad983eb1c8-0', tool_calls=[{'name': 'add', 'args': {'a': 3, 'b': 5}, 'id': 'call_1eyRzR7WpKzhMXG4ZFQAJtUD', 'type': 'tool_call'}, {'name': 'multiply', 'args': {'a': 8, 'b': 12}, 'id': 'call_q82CX807NC3T6nHMrhoHT46E', 'type': 'tool_call'}], 
usage_metadata={'input_tokens': 77, 'output_tokens': 51, 'total_tokens': 128, 'input_token_details': {'audio': 0, 'cache_read': 0}, 
'output_token_details': {'audio': 0, 'reasoning': 0}}), ToolMessage(content='8', name='add', id='f8e0aba5-7a62-44c6-92a3-5fe3b07c9bd5', tool_call_id='call_1eyRzR7WpKzhMXG4ZFQAJtUD'), 
ToolMessage(content='96', name='multiply', id='66b9bbd9-b99a-402f-b26c-df83f5a69fa3', tool_call_id='call_q82CX807NC3T6nHMrhoHT46E'), AIMessage(content='The result of \\((3 + 5) \\times 12\\) is 96.', 
additional_kwargs={'refusal': None}, 
response_metadata={'token_usage': {'completion_tokens': 22,'prompt_tokens': 143,'total_tokens': 165, 'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 
'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}}, 
'model_name': 'gpt-4o-2024-08-06', 'system_fingerprint': 'fp_eb9dce56a8', 'finish_reason': 'stop', 'logprobs': None}, 
id='run-6c00a336-7d52-4917-9186-b282a5984b10-0', usage_metadata={'input_tokens': 143, 'output_tokens': 22, 'total_tokens': 165, 'input_token_details': {'audio': 0, 'cache_read': 0}, 
'output_token_details': {'audio': 0, 'reasoning': 0}})]}