手把手教你用LangChain + MCP 构建带可视化图表功能的ChatBI智能体，全程干货，草履虫也能学会！！

一、实现流程介绍

在本专栏的前面文章中，介绍过基于 LangChain + MCP 和 SpringAI + MCP 构建 ChatBI 智能体，但未对数据进行可视化图表的分析，而可视化图表是数据分析的重要组成部分，它能够将复杂的数据转化为直观易懂的图形表示。因此本篇文章基于 LangChain + MCP 实验构建 ChatBI + 可视化图表 综合的智能体。

使用数据说明

其中分析数据采用数据采用 COVID-19 测试案例，包括：美国 2021-01-28 号，各个县county的新冠疫情累计案例信息，包括确诊病例和死亡病例，数据格式如下所示：

date（日期）,county（县）,state（州）,fips（县编码code）,cases（累计确诊病例）,deaths（累计死亡病例）
2021-01-28,Pike,Alabama,01109,2704,35
2021-01-28,Randolph,Alabama,01111,1505,37
2021-01-28,Russell,Alabama,01113,3675,16
2021-01-28,Shelby,Alabama,01117,19878,141
2021-01-28,St. Clair,Alabama,01115,8047,147
2021-01-28,Sumter,Alabama,01119,925,28
2021-01-28,Talladega,Alabama,01121,6711,114
2021-01-28,Tallapoosa,Alabama,01123,3258,112
2021-01-28,Tuscaloosa,Alabama,01125,22083,283
2021-01-28,Walker,Alabama,01127,6105,185
2021-01-28,Washington,Alabama,01129,1454,27

下载地址如下：

https://github.com/BIXUECHAO/covid-19-tes-data/blob/main/us-covid19-counties.csv

整体实现过程如下所示：

其中可视化图表能力采用 ModelScope 上公开的 MCP-Server，地址为：

https://modelscope.cn/mcp/servers/@antvis/mcp-server-chart

连接方式：

{
  "mcpServers": {
    "mcp-server-chart": {
      "type": "sse",
      "url": "https://mcp.api-inference.modelscope.net/530c948576c248/sse"
    }
  }
}

Covid19 Query MCP Server 则是通过 FastMCP 来自定义实现。大模型端采用 OpenAI 的 GPT-4.1 模型，你也可以换成其他支持工具调通的模型。

实验最终实现的效果如下所示：

提问： 找出确诊人数前五名的州，按饼图的方式绘制给我

提问： 根据每个县的确诊人数取Top10，以柱状图的方式呈现给我

本次实验所依赖的版本如下所示：

mcp==1.9.2
openai==1.75.0
langchain==0.3.25
langchain-openai==0.3.18
langgraph==0.4.7
pymysql==1.0.3

二、搭建 数据查询 MCP Server

首先创建数据表，并导入上述数据：

CREATE TABLE `us_covid19_counties` (
  `date` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '日期',
  `county` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '县',
  `state` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '州',
  `fips` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '县编码code',
  `cases` int DEFAULT NULL COMMENT '累计确诊病例',
  `deaths` int DEFAULT NULL COMMENT '累计死亡病例'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci COMMENT='COVID-19 案例';

实现数据库操作，这里仅仅做了数据库交互，实际使用时应考虑很多性能细节的优化：

utils_db.py

import pymysql

defget_conn():
    return pymysql.connect(
        host="127.0.0.1",
        port=3306,
        database="test3",
        user="root",
        password="root",
        autocommit=True
    )

defquery(sql):
    conn = get_conn()
    cursor = conn.cursor()
    cursor.execute(sql)
    columns = [column[0] for column in cursor.description]
    res = list()
    for row in cursor.fetchall():
        res.append(dict(zip(columns, row)))
    cursor.close()
    conn.close()
    return res

创建数据查询 MCP Server，这里实现了两个 MCP Tools， 分别是获取表 Schema 和 执行SQL 两个操作：

import json

from mcp.server.fastmcp import FastMCP
import utils_db

mcp = FastMCP("COVID-19-DB-Query-Mcp-Server")

schema_sql = """
SELECT COLUMN_NAME, DATA_TYPE, COLUMN_COMMENT FROM INFORMATION_SCHEMA.COLUMNS 
WHERE TABLE_SCHEMA = 'test3' AND TABLE_NAME = '{table}'
"""

effective_tables = ["us_covid19_counties"]

@mcp.tool()
defget_table_schema() -> str:
    """获取当前有效表的 MySQL Schema, 生成SQL之前，你应该使用该工具获取完整的表结构"""
    table_schema = []
    for table in effective_tables:
        schemas = utils_db.query(schema_sql.format(table=table))
        schemas = ", ".join([f"{s['COLUMN_NAME']} {s['DATA_TYPE']} COMMENT {s['COLUMN_COMMENT']}"for s in schemas])
        table_schema.append(f"TABLE `{table}` ({schemas})")
    return"\n\n".join(table_schema)


@mcp.tool()
defrun_sql(sql: str) -> str:
    """执行MySQL SQL语句查询数据，一次仅能执行一句SQL！"""
    try:
        returnstr(utils_db.query(sql))
    except Exception as e:
        returnf"执行SQL错误：{str(e)} ,请修正后重新发起。"


if __name__ == "__main__":
    mcp.settings.port = 6030
    mcp.run("sse")

启动 MCP Server：

三、LangChain MCP Client 智能体构建

LangChain 官方关于 MCP 的集成介绍文档如下：

https://langchain-ai.github.io/langgraph/agents/mcp/

关于MCP的连接，通过 MultiServerMCPClient 抽取出所有的 MCP Tools ，然后交给 create_react_agent 构建智能体。

实现过程和本地控制台测试逻辑如下：

import os, config

os.environ["OPENAI_BASE_URL"] = "https://api.openai.com/v1"## 支持openai协议的 API BASE
os.environ["OPENAI_API_KEY"] = "sk-xxxxx"## 你的API KEY
from langgraph.prebuilt import create_react_agent
from langchain_mcp_adapters.client import MultiServerMCPClient
from colorama import Fore, Style
import asyncio
from langgraph.checkpoint.memory import InMemorySaver

asyncdefmain():
    client = MultiServerMCPClient(
        {
            "chart": {
                "url": "https://mcp.api-inference.modelscope.net/530c948576c248/sse",
                "transport": "sse"
            },
            "covid19-query": {
                "url": "http://127.0.0.1:6030/sse",
                "transport": "sse"
            }
        }
    )
    tools = await client.get_tools()
    checkpointer = InMemorySaver()
    agent = create_react_agent(
        "openai:gpt-4.1",
        tools,
        checkpointer=checkpointer,
        prompt="You are an AI assistant that helps people find information."
    )
    config = {
        "configurable": {
            "thread_id": "1"
        }
    }
    whileTrue:
        question = input("请输入：")
        ifnot question:
            continue
        if question == "q":
            break
        asyncfor chunk in agent.astream({"messages": [{"role": "user", "content": question}]},
                                         stream_mode="updates",
                                         config=config):
            if"agent"in chunk:
                content = chunk["agent"]["messages"][0].content
                tool_calls = chunk["agent"]["messages"][0].tool_calls
                if tool_calls:
                    for tool in tool_calls:
                        print(Fore.YELLOW, Style.BRIGHT, f">>> Call MCP Server: {tool['name']} , args: {tool['args']}")
                else:
                    print(Fore.BLACK, Style.BRIGHT, f"LLM: {content}")
            elif"tools"in chunk:
                content = chunk["tools"]["messages"][0].content
                name = chunk["tools"]["messages"][0].name
                print(Fore.GREEN, Style.BRIGHT, f"<<< {name} : {content}")


if __name__ == '__main__':
    asyncio.run(main())

运行测试：

提问：统计的确诊数量前十名的州，以折线图的方式展示

四、封装为 OpenAI 协议接口

上述已经通过控制台实现了完整的 Agent 交互过程，下面继续改造逻辑，使用 FastAPI 封装为 OpenAI 协议接口，便于在客户端使用。

注意：这里主要为实现功能，api_key 写死在程序中为： sk-da4b6cb4a41e4cascascasc9508deb556942 （随机生成的）， 后续使用客户端连接时，需要填写该 api_key 。

import os
os.environ["OPENAI_BASE_URL"] = "https://api.openai.com/v1"## 支持openai协议的 API BASE
os.environ["OPENAI_API_KEY"] = "sk-xxxxx"## 你的API KEY

from fastapi import FastAPI, HTTPException, Header, Depends
from fastapi.responses import StreamingResponse
from pydantic import BaseModel
from typing importList, Dict, Any, Optional, Generator
from langgraph.prebuilt import create_react_agent
from langchain_mcp_adapters.client import MultiServerMCPClient
from datetime import datetime
import time, uuid

app = FastAPI(title="OpenAI Compatible Chat API")
api_key = "sk-da4b6cb4a41e4cascascasc9508deb556942"
agent = None


classChatCompletionRequest(BaseModel):
    model: str
    messages: List[Dict[str, Any]]
    temperature: Optional[float] = 1.0
    max_tokens: Optional[int] = None
    stream: Optional[bool] = False


classChatCompletionChoice(BaseModel):
    index: int
    message: List[Dict[str, Any]]
    finish_reason: str


classChatCompletionResponse(BaseModel):
    id: str
    object: str = "chat.completion"
    created: int
    model: str
    choices: List[ChatCompletionChoice]
    usage: Dict[str, int]


classChatCompletionChunk(BaseModel):
    id: str
    object: str = "chat.completion.chunk"
    created: int
    model: str
    choices: List[Dict[str, Any]]


asyncdefcreate_agent():
    '''创建MCP Agent'''
    client = MultiServerMCPClient(
        {
            "chart": {
                "url": "https://mcp.api-inference.modelscope.net/530c948576c248/sse",
                "transport": "sse"
            },
            "covid19-query": {
                "url": "http://127.0.0.1:6030/sse",
                "transport": "sse"
            }
        }
    )
    tools = await client.get_tools()
    return create_react_agent(
        "openai:gpt-4.1",,
        tools,
        prompt="You are an AI assistant that helps people find information.\n针对用户的问题，你的执行流程是1.获取表结构。2.生成SQL查询数据。3.生成可视化图表。4.总结结果回复用户"
    )


asyncdefinvoke_agent(messages: []):
    global agent
    ifnot agent:
        agent = await create_agent()
    asyncfor chunk in agent.astream({"messages": messages}, stream_mode="updates"):
        if"agent"in chunk:
            content = chunk["agent"]["messages"][0].content
            tool_calls = chunk["agent"]["messages"][0].tool_calls
            if tool_calls:
                for tool in tool_calls:
                    yieldf"> ```Call MCP Server: {tool['name']}```\n\n"
            else:
                yield content


asyncdefhandle_stream_response(messages: [],
                                 model: str, request_id: str) -> Generator[str, None, None]:
    # 执行 agent
    asyncfor msg in invoke_agent(messages):
        chunk_data = ChatCompletionChunk(
            id=request_id,
            created=int(time.time()),
            model=model,
            choices=[{
                "index": 0,
                "delta": {
                    "content": msg
                },
                "finish_reason": None
            }]
        )
        yieldf"data: {chunk_data.model_dump_json()}\n\n"

    final_chunk = ChatCompletionChunk(
        id=request_id,
        created=int(time.time()),
        model=model,
        choices=[{
            "index": 0,
            "delta": {},
            "finish_reason": "stop"
        }]
    )
    yieldf"data: {final_chunk.model_dump_json()}\n\n"
    yield"data: [DONE]\n\n"


asyncdefverify_auth(authorization: Optional[str] = Header(None)) -> bool:
    '''验证token'''
    ifnot authorization:
        returnFalse
    if authorization.startswith("Bearer "):
        token = authorization[7:]
    else:
        token = authorization
    return token == api_key


@app.post("/v1/chat/completions")
asyncdefchat_completions(request: ChatCompletionRequest, auth_result: bool = Depends(verify_auth)):
    # 检查身份验证结果
    ifnot auth_result:
        raise HTTPException(
            status_code=401,
            detail={
                "error": {
                    "message": "Invalid authentication credentials",
                    "type": "invalid_request_error",
                    "param": None,
                    "code": "invalid_api_key"
                }
            },
            headers={"WWW-Authenticate": "Bearer"}
        )
    ## 暂不支持非流式返回
    ifnot request.stream:
        raise HTTPException(
            status_code=400,
            detail={
                "error": {
                    "message": "Streaming responses are not implemented in this mock API",
                    "type": "invalid_request_error",
                    "param": "stream",
                    "code": "invalid_parameter"
                }
            }
        )
    try:
        # 触发 agent 并流式返回
        request_id = f"chatcmpl-{uuid.uuid4().hex[:8]}"
        return StreamingResponse(
            handle_stream_response(request.messages, request.model, request_id),
            media_type="text/plain",
            headers={
                "Cache-Control": "no-cache",
                "Connection": "keep-alive",
                "Content-Type": "text/event-stream"
            }
        )
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))


@app.get("/v1/models")
asyncdeflist_models():
    """列出可用模型"""
    return {
        "object": "list",
        "data": [
            {
                "id": "agent_model",
                "object": "model",
                "created": int(time.time()),
                "owned_by": "agent"
            }
        ]
    }


@app.get("/health")
asyncdefhealth_check():
    """健康检查"""
    return {"status": "healthy", "timestamp": datetime.now().isoformat()}


if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)

启动服务：

五、使用 OpenAI 协议客户端进行测试

这里以 Cherry Studio 为例，你也可以换成 OpenWebUI 或者其他支持 OpenAI协议的客户端：

配置连接：

对话测试：

提问：统计的确诊数量前十名的州，以折线图的方式展示

提问： 找出确诊人数前五名的州，按饼图的方式绘制给我

提问： 根据每个县的确诊人数取Top10，以柱状图的方式呈现给我

提问： 统计确诊数量最多的州占整体的百分比，以液体展示

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，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。

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】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

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。

海量AI大模型必读的经典书籍（PDF）

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。

600+AI大模型报告（实时更新）

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。

AI大模型面试真题+答案解析

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

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】