大模型技术 Agent添加MCP工具

MCP (Model Context Protocol) 是由 Anthropic 推出的新标准，旨在统一大模型与外部数据、工具之间的连接方式。在 LangChain 中集成 MCP 工具，可以让你轻松调用成百上千个现成的 MCP 服务（如本地文件操作、Google Search、SQLite 查询等）。

要在 LangChain Agent 中添加 MCP 工具，主要分为三步：连接 MCP 服务器 、转换工具格式 、注入 Agent。

---

一、 环境准备

你需要安装 langchain-mcp 库（这是 LangChain 专门为 MCP 开发的集成包）：

pip install langchain-mcp langchain-openai

二、 核心步骤与代码示例

假设我们要连接一个现成的 MCP 服务器（例如一个提供本地文件系统操作或简单数学运算的服务）。

1. 配置 MCP 服务器连接

MCP 通常通过 Stdio （标准输入输出，常用于本地可执行文件）或 SSE（服务器发送事件，常用于远程服务）进行通信。

from langchain_mcp import McpToolkit
from langchain_mcp.client import StdioServerParameters

# 定义如何启动 MCP 服务器
# 这里以一个名为 "my-mcp-server" 的本地命令为例
server_params = StdioServerParameters(
    command="npx",
    args=["-y", "@modelcontextprotocol/server-everything"], # 这是一个官方示例服务器
    env=None
)

2. 获取并转换 MCP 工具

使用 McpToolkit 连接服务器并将其提供的工具转换为 LangChain 可识别的 BaseTool 格式。

# 初始化 Toolkit
# 注意：这通常需要在异步环境下运行或使用 context manager
async def get_tools():
    toolkit = McpToolkit(server_parameters=server_params)
    
    # 初始化连接并获取工具列表
    await toolkit.initialize()
    return toolkit.get_tools()

3. 将工具交给 Agent

一旦拿到了 tools 列表，后续步骤与常规 LangChain Agent 开发完全一致。

import asyncio
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

async def main():
    # 1. 初始化模型（需支持 Tool Calling）
    llm = ChatOpenAI(model="gpt-4o")

    # 2. 获取 MCP 工具
    server_params = StdioServerParameters(
        command="npx",
        args=["-y", "@modelcontextprotocol/server-everything"]
    )
    toolkit = McpToolkit(server_parameters=server_params)
    await toolkit.initialize()
    tools = toolkit.get_tools()

    # 3. 创建 Prompt
    prompt = ChatPromptTemplate.from_messages([
        ("system", "你是一个拥有外部插件能力的助手。"),
        ("human", "{input}"),
        ("placeholder", "{agent_scratchpad}"),
    ])

    # 4. 构建 Agent
    agent = create_tool_calling_agent(llm, tools, prompt)
    agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

    # 5. 执行任务
    # 假设该 MCP 服务器提供了一个 echo 工具
    result = await agent_executor.ainvoke({"input": "请使用 echo 工具对我说 '你好，MCP！'"})
    print(result["output"])

# 运行异步主函数
if __name__ == "__main__":
    asyncio.run(main())

---

三、 为什么使用 MCP 协议的工具？

1. 即插即用 ：你可以直接使用社区维护的 MCP 服务器列表（如 Postgres, Slack, GitHub, Docker 等），无需自己编写工具的 Python 函数。
2. 跨语言：MCP 服务器可以用 TypeScript, Go, Python 等任何语言编写，而你的 LangChain 应用依然可以无缝调用。
3. 标准化：工具的定义（Name, Description, Schema）完全遵循协议，减少了 LLM 解析出错的概率。

四、 常见注意事项

• 异步运行 ：MCP 的底层通信通常是异步的，因此建议在异步（async/await）环境中使用 langchain-mcp。
• 资源释放 ：在生产环境中，记得在应用关闭时通过 await toolkit.close() 断开与 MCP 服务器的连接，防止僵尸进程。
• 多服务器连接 ：你可以定义多个 StdioServerParameters，将来自不同服务器的工具汇总到一个 tools 列表中交给 Agent，实现多功能组合。

总结 ：通过 McpToolkit，LangChain 将 MCP 服务器变成了一个"超级工具包"，极大地扩展了 Agent 的能力边界。