【AI大模型】 LangChain + 模型上下文协议（MCP）：AI 智能体 Demo

LangChain + 模型上下文协议（MCP）：AI 智能体 Demo

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。

✅ MCP 的愿景

• 提供标准协议：简化 LLM 与外部系统的通信
• 安全可扩展：支持权限管理、细粒度访问控制
• 模块化生态：建立社区驱动的“AI工具市场”

可以将 MCP 看作 AI 世界的“软件版 USB-C”。

MCP 架构图

官方资源：

• MCP 协议简介：https://modelcontext.org/
• GitHub 示例项目：https://github.com/modelcontextprotocol/servers

---

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

1. 用户输入阶段

2. • 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

3. AI推理阶段

4. • 第一步调用add工具计算3+5
   • 第二步调用multiply工具计算8x12
5. • 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

6. 工具执行阶段

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

9. 最终响应阶段

10. • 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）

Token 使用情况示例：

阶段	输入 令牌	输出令牌	总计
初始请求	77	51	128
最终响应	143	22	165
总计	220	73	293

8. 小结：MCP + LangChain 的价值

• ✅ 标准化接入：无需为每种数据源编写专属适配器
• ✅ 模块化复用：工具作为可组合单元，多智能体可复用
• ✅ 提升智能体能力：突破“模型只能聊天”的边界
• ✅ 安全可控：客户端-服务端通信可附带权限控制

最后的最后

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】