爆火的MCP！手把手教你用langchain打造自己的AI服务

最近MCP（Model Context Protocol）太火了，大家纷纷使用MCP来实现各种神奇功能，比如添加文件的MCP、语音合成的MCP等等。MCP的出现极大地简化了开发过程。在过去，我们通常使用Function Call来封装外部方法，而现在，MCP则提供了一种更灵活、更直观的方案。

今天，我们就借助langchain-mcp快速实现自己的MCP服务！

环境准备

我的Python开发环境是3.12版本，只要Python版本大于3.10即可。

先安装必要的依赖：

pip install langchain-mcp-adapters
pip install langchain_openai
pip install langchain langgraph

注：这里我用的是OpenAI的代理，如果你使用DeepSeek，也可以安装langchain-deepseek。

创建Math MCP Server

新建文件 math_server.py，内容如下：

from mcp.server.fastmcp import FastMCP
import logging

logging.basicConfig(level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s")
logger = logging.getLogger(__name__)

mcp = FastMCP("Math")

@mcp.tool()
def add(a: int, b: int) -> int:
    logger.info("The add method is called: a=%d, b=%d", a, b)
    return a + b

@mcp.tool()
def multiply(a: int, b: int) -> int:
    logger.info("The multiply method is called: a=%d, b=%d", a, b)
    return a * b

if __name__ == "__main__":
    logger.info("Start math server through MCP")
    mcp.run(transport="stdio")

创建Weather MCP Server

同理，创建天气服务文件 weather_server.py：

from mcp.server.fastmcp import FastMCP
import logging

logging.basicConfig(level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s")
logger = logging.getLogger(__name__)

mcp = FastMCP("Weather")

@mcp.tool()
def get_weather(city: str) -> str:
    logger.info("Getting weather for city=%s", city)
    # 模拟返回天气信息
    return f"{city}天气晴朗，25℃"

if __name__ == "__main__":
    logger.info("Start weather server through MCP")
    mcp.run(transport="stdio")

创建动态调用的MCP Client

新建文件 remote_client.py：

import asyncio
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent

llm = ChatOpenAI(model="gpt-4o-mini", api_key="sk-xxx", base_url="https://api.gptsapi.net/v1")

def print_optimized_result(agent_response):
    messages = agent_response.get("messages", [])
    for message in messages:
        if message.type == "ai":
            print("最终答案:", message.content)

async def main():
    client = MultiServerMCPClient({
        "math": {"command": "python", "args": ["./math_server.py"], "transport": "stdio"},
        "weather": {"command": "python", "args": ["./weather_server.py"], "transport": "stdio"}
    })

    tools = await client.get_tools()
    agent = create_react_agent(llm, tools)

    while True:
        user_input = input("\n请输入您的问题（或输入'exit'退出）：").strip()
        if user_input.lower() == "exit":
            print("感谢使用！再见！")
            break

        agent_response = await agent.ainvoke({"messages": user_input})
        print_optimized_result(agent_response)

    await client.aclose()

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

关键代码解读

• langgraph.prebuilt 是 LangGraph 提供的预构建模块，可快速创建ReAct风格的Agent。

• create_react_agent(llm, tools) 将工具集合到一个Agent中，实现任务的自动调度。

运行测试

分别运行 math_server.py 和 weather_server.py，再启动 remote_client.py 即可通过AI对话动态调用服务，观察日志输出效果。

至此，已经完成了AI与MCP的完美结合，你可以通过编写自己的MCP服务，集成到大模型中，构建自己的Agent了。

欢迎大家关注我，后续会分享更多有意思的文章。