🔌 把 MCP 装进大脑！手把手带你构建能“热插拔”工具的 AI Agent

各位 AI 探索者们，大家好！👋

在上一篇文章中，我们拒绝了"手搓"工具的原始方式，成功编写了一个符合 MCP (Model Context Protocol) 标准的 Server，并在其中模拟了一个数据库查询工具。

但是！写好了 Server 只是第一步。这就好比你造出了一把削铁如泥的宝剑（Server），但如果没人（Host）能挥舞它，它也就是块废铁。🧱

今天，我们要进行一次维度升级 。我们将跳出 Server 的视角，站在上帝视角（Host）来审视整个 MCP 生态，并且我们要干一件大事：不依赖 Cursor 或 Trae，我们要自己写一个 Agent，让它通过代码动态加载并使用我们昨天写的 MCP 工具！

准备好了吗？硬核干货，发车！🚀

🧩 第一部分：MCP 的"三国演义" ------ Host, Client, Server

很多刚接触 MCP 的朋友，容易被文档里的一堆名词绕晕：MCP Host, MCP Client, MCP Server......它们到底是谁？谁又是谁的爸爸？🤔

让我们来理清这个关系。

1.1 角色大揭秘

MCP 的架构其实非常清晰：

🏰 MCP Host (东道主)
- 谁是 Host？ 你的编辑器（Cursor, Trae），或者我们今天要写的 LangChain 应用程序，它们都是 Host。
- 作用：它是发起者，是"甲方爸爸"。它负责发现工具、管理连接、向 LLM 发送 Prompt。
- 比喻：Host 就像是一个大工头，手里拿着图纸（用户需求），指挥干活。
🔌 MCP Client (客户端)
- 谁是 Client？ 这是一个存在于 Host 内部的组件。
- 作用：你可能会问，"Host 不就是客户端吗？" 严格来说，Host 是应用程序，而 Client 是 Host 内部负责和 Server 说"MCP 语言"的翻译官。Host 想要调用工具，必须通过 Client 去建立连接、发送请求。
- 比喻：Client 就像是接口转换器 或翻译官。大工头（Host）说"我要那个锤子"，翻译官（Client）把它翻译成 MCP 协议的标准指令发给工具箱。
🧰 MCP Server (服务器)
- 谁是 Server？ 就是我们昨天写的 my-mcp-server.mjs。
- 作用：它是工具和资源的容器。它不知道谁在调用它，它只管提供能力。
- 比喻：Server 就是超级工具箱。里面装着锤子（Tools）、说明书（Resources）和模版（Prompts）。

1.2 工作流程：一次握手的旅程 🤝

当我们在 Cursor 里输入"查询用户 002"时，后台发生了什么？

Initialize (初始化) : Host 启动，通过 Client 向 Server 发送握手请求："兄弟，你那都有啥宝贝？" Server 回复："我有 query-user 这个工具，还有个使用指南。"
Discovery (发现): Host 拿到了工具列表（Tools List），把它转换成 LLM 能看懂的 JSON Schema，喂给大模型。
Execution (执行) : LLM 思考后说："我要调用 query-user，参数是 userId: '002'"。 Host 收到指令，通过 Client 将这个请求通过 Stdio（标准输入输出）管道发给 Server。
Response (响应): Server 干完活，把结果扔回给 Host。Host 再把结果喂给 LLM，最终生成人类可读的回复。

📚 第二部分：不仅仅是 Tool，还有 Resource（资源）

细心的同学可能发现了，MCP 的全称是 Model Context Protocol ，而不是 Model Tool Protocol。为什么叫 Context（上下文）？

因为 AI 不仅需要做事（Tools） ，还需要看书（Resources）！

2.1 什么是 Resource？

Tool 是动态的，是函数调用（查天气、写库、发邮件）。
Resource 是静态的（或准静态的），是数据内容（API 文档、日志文件、系统配置、代码片段）。

Resource 的意义在于：它允许 Server 主动把数据"喂"给 LLM，作为上下文的一部分，而不需要 LLM 去猜或者通过 Tool 去抓取。

2.2 实战：给我们的 Server 添加"使用指南"

让我们回到 my-mcp-server.mjs，给它增加一个 Resource 能力。

javascript 复制代码

// 注册资源：使用指南
// URI: 统一资源定位符，这是资源的唯一身份证
server.registerResource(
    '使用指南',          // 资源名称
    'docs://guide',      // 资源 URI，类似于网页的 URL
    {
        description: 'MCP Server 使用文档', // 描述，LLM 会看这个
        mimeType: 'text/plain',            // 告诉 LLM 这是纯文本
    }, 
    async () => {
        // 当 Client 请求读取这个资源时，返回的内容
        return {
            contents: [
                {
                    uri: 'docs://guide',
                    mimeType: 'text/plain',
                    text: `MCP Server 使用指南
                    功能：提供用户查询等工具。
                    使用：在 Cursor 等 MCP Client 中通过自然语言对话，Cursor 会自动调用相应工具。`,
                }
            ]
        }
    }
)

🔍 代码深度解析：

server.registerResource: 这是注册资源的入口。
docs://guide : 自定义协议头。你可以随便定，比如 mysql://table/users 或者 log://app/error。这让 LLM 可以通过 URI 引用特定的上下文。
mimeType : 既然是传输内容，就得告诉对方格式。是文本（text/plain）？是图片（image/png）？还是 JSON？
Prompt Templates : 虽然代码里没写，但 MCP 还支持 Prompt。你可以把写好的优质 Prompt 模板预置在 Server 里，让小白用户也能直接调出高质量的回答。

总结： Context (上下文) = Tool (工具) + Resource (资源) + Prompt (提示词模板)。这就是 MCP 强大的原因，它打包了一切 LLM 需要的东西。

🤖 第三部分：自制 Agent ------ 将 MCP 接入 LangChain

好了，理论知识储备完毕，Server 也升级了。现在我们来做一个真正的 Host！

我们将使用 Node.js + LangChain 来构建一个 Agent，让它连接我们本地运行的 my-mcp-server.mjs。

3.1 引入适配器：LangChain 的 MCP 魔法 🪄

首先，你需要安装一个关键的包：@langchain/mcp-adapters。

javascript 复制代码

// adapters mcp 适配器
import {
    MultiServerMCPClient
} from '@langchain/mcp-adapters';

这个 MultiServerMCPClient 非常强大，它帮我们屏蔽了底层协议的复杂性，支持同时连接多个 MCP Server（就像 Cursor 的配置列表一样）。

3.2 配置 Client：复刻 Cursor 的配置

记得我们在 Cursor 的 config.json 里是怎么配的吗？我们需要指定 command (node) 和 args (脚本路径)。在代码里，也是一样的：

javascript 复制代码

// client 初始化
const mcpClient = new MultiServerMCPClient({
    mcpServers: {
        'my-mcp-server': { // 给这个 Server 起个 ID
            command: 'node', // 运行命令
            // ⚠️ 注意：这里必须是绝对路径！
            args: ['C:\\Users\\MR\\Desktop\\workspace\\lesson_jp\\ai\\agent\\mini-cursor\\mcp\\mcp-tool\\my-mcp-server.mjs'],
        },
    },
});

💡 核心点 ：这里实例化了一个 mcpClient。此时，连接还没有建立，它只是记住了配置。这和你在 IDE 里填好配置但还没点击"Retry"是一样的状态。

3.3 动态获取工具：从 Server 到 Model

接下来是见证奇迹的时刻。我们要让 Client 去连接 Server，把工具"吸"过来，然后绑在 LLM 身上。

javascript 复制代码

// 1. 获取工具列表
// 这一步会触发 initialize 流程，自动启动子进程并握手
const tools = await mcpClient.getTools(); 

console.log(tools, '////'); // 打印看看，你应该能看到 query-user 的详细 Schema

// 2. 绑定工具到模型
// 这里假设 model 是一个 ChatOpenAI 实例
const modelWithTools = model.bindTools(tools);

逻辑解析：

mcpClient.getTools()：这行代码背后发生了巨大的工作量。它启动了 Node 子进程，建立了 Stdio 管道，发送了 tools/list 请求，接收了响应，并把 MCP 格式的 Tool 定义转换成了 LangChain/OpenAI 兼容的 Tool 定义。
model.bindTools(tools)：这是 LangChain 的标准操作，把工具描述告诉 LLM，让 LLM 知道它有了外挂。

3.4 编写 Agent 循环：让 AI 动起来 🔄

如果只是绑定了工具，LLM 只会返回一个"我想要调用工具"的信号（Tool Call）。真正执行工具并把结果喂回去，需要我们写一个循环。这其实就是 ReAct Agent 的雏形。

javascript 复制代码

async function runAgentWithTools(query, maxIterations=30) {
    const messages = [
        new HumanMessage(query) // 初始问题
    ];

    // 开启思考-执行循环
    for (let i = 0; i < maxIterations; i++) {
        console.log(chalk.bgGreen('⏳正在等待AI思考...'));
        
        // 1. 调用模型
        const response = await modelWithTools.invoke(messages);
        
        // 把 AI 的回复（可能包含工具调用请求）加入历史记录
        messages.push(response); 

        // 2. 判断是否结束
        // 如果 AI 没有想调用的工具，说明它已经生成了最终答案
        if (!response.tool_calls || response.tool_calls.length === 0) {
            console.log(`\n AI 最终回复：\n ${response.content}\n`);
            return response.content;
        }

        // 3. 处理工具调用
        console.log(chalk.bgBlue(`🔍 检测到 ${response.tool_calls.length} 个工具调用`));

        // 遍历所有工具调用请求（AI 可能一次想调多个工具）
        for (const toolCall of response.tool_calls) {
            // 在我们从 MCP 拉取回来的 tools 数组里找到对应的工具
            const foundTool = tools.find(t => t.name === toolCall.name);
            
            if (foundTool) {
                // 4. 执行工具！
                // 这里 foundTool.invoke 实际上会通过 MCP 协议
                // 把参数发给 my-mcp-server.mjs，拿到结果
                const toolResult = await foundTool.invoke(toolCall.args);
                
                // 5. 将工具结果封装为 ToolMessage
                messages.push(new ToolMessage({
                    content: toolResult,
                    tool_call_id: toolCall.id // 必须带上 ID，让 AI 知道这是哪个调用的结果
                }));
            }
        }
        // 循环继续，下一轮 invoke 会带上最新的 ToolMessage
    }
    return messages[messages.length - 1].content;
}

🧪 实验结果：

当我们运行 await runAgentWithTools("查一下用户 002 的信息") 时：

第一轮 ：
- LLM 收到问题。
- LLM 思考："我要用 query-user，参数 userId='002'"。
- 代码捕获到 tool_calls。
- 代码调用 mcpClient -> 发送请求给 my-mcp-server.mjs。
- Server 返回："姓名：李四，邮箱..."。
- 代码把这个结果存入 ToolMessage。

注意第一轮有tool_calls,这个时候context为空，llm不会返回context只会返回需要调用哪些工具，与从用户提问中解析出的参数。

第二轮 ：
- LLM 收到历史记录（问题 + 工具调用请求 + 工具返回结果）。
- LLM 思考："我有信息了，组织语言回答"。
- LLM 输出："用户 002 是李四，邮箱是..."。
- 代码检测到没有 tool_calls，循环结束，输出最终答案。

🎉 总结

今天我们不仅搞懂了 Host-Client-Server 的三角关系，还解锁了 Resource 这个新技能，最重要的是，我们亲手实现了一个 MCP Host！

现在，你不再只是 MCP 的使用者，你是 MCP 的掌控者。

想象一下未来的可能性：

你可以写一个 Python 的 MCP Server 处理数据分析。
写一个 Go 的 MCP Server 处理高并发任务。
然后用今天的这段 Node.js 代码（或者直接用 Cursor），把它们全部串联起来。

这就是 Agent 的未来，这就是 MCP 的魅力。

觉得文章有用？点个赞再走吧！👍 咱们下期见！👋

附：运行环境检查

确保安装了 @langchain/mcp-adapters, @langchain/openai, @modelcontextprotocol/sdk。

确保 my-mcp-server.mjs 路径正确。

配置好 .env 里的 OPENAI_API_KEY。