在AI应用开发中，我们经常需要让大模型与外部工具和数据源交互。过去，每个开发者都在用自己的方式解决这个问题，导致代码难以复用、维护成本高昂。MCP（Model Context Protocol，模型上下文协议）的出现，正是为了统一这种交互方式。
MCP是一个开源协议，它标准化了大语言模型与外部工具、数据源之间的通信方式。简单来说，它就像是大模型世界的"USB接口"------不管你要连接什么工具，只要遵循这个协议，就能即插即用。
从架构上看，MCP采用了经典的客户端-服务器模式，底层基于JSON-RPC 2.0协议进行通信。目前它支持两种主流传输方式：Stdio适合本地进程间的通信，而Streamable HTTP则更适合远程网络场景。值得一提的是，MCP曾经支持过SSE（Server-Sent Events）传输方式，但由于其双端点架构过于复杂，且与云原生无服务器环境兼容性不佳，官方已经将其弃用。
动画视频在《29. MCP协议，让大模型自己调用工具》。
那么，MCP的实际工作流程是怎样的呢？
举个例子，当你问"北京天气怎么样"时，大模型会先分析你的意图，然后决定调用get_weather这个工具。但这里有个关键点：大模型本身并不能直接调用工具。实际的过程是，AI应用会拦截这个调用请求，通过MCP客户端将它转发给对应的服务器端。服务器端执行真正的天气查询操作，把结果返回给客户端，客户端再将结果注入回对话中。最后，大模型基于这些真实数据，生成一段自然语言回答给你。整个过程对用户来说是透明的，你感受到的只是一个流畅的问答体验。
理解了原理，接下来我们动手实现一个完整的MCP应用。
首先，我们需要安装两个关键包： fastmcp 和 langchain-mcp-adapters 。FastMCP 是一个用于快速构建 MCP 服务器的框架，而 langchain-mcp-adapters 则让 LangChain 能够连接和使用 MCP 工具。
pip install fastmcp langchain-mcp-adapters首先，我们需要安装两个关键包：fastmcp和langchain-mcp-adapters。前者是一个用于快速构建MCP服务器的框架，后者则让LangChain能够连接和使用MCP工具。
服务器端的代码相对简单。我们创建了一个FastMCP实例，命名为"天气服务"。通过@mcp.tool()装饰器，将get_weather函数注册为一个MCP工具。这个工具接收城市名称作为参数，返回对应的天气信息。最后，我们使用streamable-http传输协议启动服务，监听本地的8000端口。当然，如果你的场景是本地进程间通信，也可以切换到stdio模式。
"""FastMCP 天气服务"""
from fastmcp import FastMCP
mcp = FastMCP("天气服务")
@mcp.tool()
def get_weather(city: str) -> str:
"""获取指定城市的天气信息
Args:
city: 城市名称，如 "北京"、"上海"、"广州"
"""
# 模拟天气数据
weather_data = {
"北京": "晴天，气温 25°C，湿度 40%",
"上海": "多云，气温 28°C，湿度 65%",
"广州": "小雨，气温 30°C，湿度 80%",
"深圳": "阴天，气温 29°C，湿度 75%",
}
if city in weather_data:
return f"{city}天气：{weather_data[city]}"
else:
return f"{city}天气：晴，气温 22°C，湿度 50%"
mcp.run(transport="streamable-http", host="127.0.0.1", port=8000)
# mcp.run(transport="stdio")接下来是客户端部分，这也是整个实现的重点。
我们导入MultiServerMCPClient，这是langchain-mcp-adapters提供的核心类，专门用于连接MCP服务器。在main函数中，我们创建客户端实例，配置一个名为"weather"的服务器，指定它的URL和传输协议。如果你使用的是stdio模式，则需要指定启动命令和参数。
关键的一步在于调用await client.get_tools()。这个方法会自动发现服务器上所有可用的MCP工具，并将它们转换为LangChain可以识别和使用的工具格式。这一步省去了手动定义工具schema的麻烦，大大简化了开发流程。
随后，我们将这些MCP工具和其他自定义工具一起传递给create_agent。这样一来，Agent就具备了调用MCP工具的能力。当我们再次询问"北京天气怎么样"时，Agent会自动识别需要使用MCP工具，向服务器发送请求，获取天气数据，并生成最终回答。
最后，通过asyncio.run(main())启动整个异步流程，一个完整的MCP应用就跑起来了。
回过头来看，MCP的价值不仅在于技术层面的标准化，更在于它降低了AI应用与外部世界交互的门槛。过去需要大量胶水代码才能实现的功能，现在只需要遵循协议、注册工具，就能轻松搞定。随着生态的不断完善，MCP有望成为AI应用开发的基础设施之一。
"""LangChain MCP 客户端 - 连接 FastMCP 天气服务"""
import os
import asyncio
from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain_core.tools import tool, BaseTool
from langchain_community.tools import WriteFileTool, ReadFileTool, ListDirectoryTool
from langchain_mcp_adapters.client import MultiServerMCPClient
load_dotenv()
prefix = "QWEN"
model = init_chat_model(
model_provider="openai",
configurable_fields=["model", "api_key", "base_url"],
config_prefix=prefix
).with_config({
"configurable": {
f"{prefix}_model": os.getenv(f"{prefix}_MODEL"),
f"{prefix}_api_key": os.getenv(f"{prefix}_API_KEY"),
f"{prefix}_base_url": os.getenv(f"{prefix}_BASE_URL")
}
})
class CalculateTool(BaseTool):
name: str = "calculate"
description: str = "计算数学表达式的值"
def _run(self, expression: str) -> str:
try:
return f"计算结果: {eval(expression)}"
except Exception as e:
return f"计算错误: {str(e)}"
async def _arun(self, expression: str) -> str:
return self._run(expression)
async def main():
client = MultiServerMCPClient(
{"weather": {"url": "http://127.0.0.1:8000/mcp", "transport": "streamable_http"}}
# stdio 模式：
# {"weather": {"command": "python", "args": ["mcp_weather_stdio.py"]}}
)
mcp_tools = await client.get_tools()
# ========== 初始化工具 ==========
calculate = CalculateTool()
write_file = WriteFileTool()
read_file = ReadFileTool()
list_dir = ListDirectoryTool()
agent = create_agent(
model=model,
tools=[calculate, write_file, read_file, list_dir] + mcp_tools,
system_prompt="你是一个助手，会用工具计算、读写文件、列出目录、查询天气。",
debug=True
)
queries = [
"北京天气怎么样？",
"计算 2024*12+500，然后把结果保存到 result.txt",
"读取 result.txt 的内容",
]
for q in queries:
print(f"\n问：{q}")
result = await agent.ainvoke({"messages": [{"role": "user", "content": q}]})
print(f"答：{result['messages'][-1].content}")
asyncio.run(main())