LangChain + MCP 协议：Agent 接入联网搜索（Tavily MCP）完整实践

简介

MCP（Model Context Protocol）是一款标准化工具调用协议，解决大模型Agent工具接入碎片化问题。不再需要为每个搜索工具单独写工具定义、参数解析、返回值格式化逻辑，通过MCP客户端直接对接远端MCP服务，一键获取工具描述并交由Agent调用。

本文基于 langchain-mcp-adapters，实现Agent接入 Tavily MCP联网搜索，代码可直接运行，适合RAG、智能Agent项目集成联网实时信息。

环境：Python3.10+，LangChain生态，异步架构

一、依赖安装

复制代码

pip install langchain-mcp-adapters

二、完整源码

复制代码

import asyncio
from langchain_mcp_adapters.client import MultiServerMCPClient

def tools(func):
    ts = asyncio.run(func())
    return ts

@tools
async def get_tools():
    client = MultiServerMCPClient(
        {
            "tavily_search": {
                "url": f"https://mcp.tavily.com/mcp/?tavilyApiKey={'你的TAVILY_SEARCH_KEY'}",
                "transport": "streamable_http",
            }
        },
    )
    return await client.get_tools()

if __name__ == "__main__":
    # 测试Tavily联网搜索工具
    from deepagents import create_deep_agent
    from langchain_openai import ChatOpenAI
    model = ChatOpenAI(
	    api_key = "你的api_key"
            model="你的模型",
            base_url="你的模型地址",
            temperature=0.1,
    agent = create_deep_agent(
        tools=get_tools,
        model=model,
        debug=False
    )
    import asyncio
    result = asyncio.run(agent.ainvoke({
        "messages": [{"role": "user", "content": "今天是2026年10月13日，深圳天气怎么样"}]
    }))
    print(result["messages"][-1].content)

三、代码核心解析

1. MultiServerMCPClient

MultiServerMCPClient 是langchain-mcp-adapters提供的多MCP服务客户端，支持同时挂载多个MCP服务（搜索、文件读写、数据库等）。

tavily_search：自定义服务名称，用于区分多个MCP服务
url：Tavily官方MCP HTTP端点，携带API Key鉴权
transport="streamable_http"：传输协议，Tavily MCP使用streamable http

await client.get_tools()：自动从远端MCP服务拉取工具schema、名称、描述、入参定义 ，无需手动写StructuredTool，这是MCP最大优势。

2. Agent构造逻辑

create_deep_agent 为自定义Agent工厂函数：

tools=get_tools：传入异步函数，Agent内部会异步加载MCP工具
model=get_llm()：注入大模型实例（OpenAI/通义千问/DeepSeek等均可）
debug=False：关闭调试日志，生产环境使用

3. 异步调用

agent.ainvoke 异步执行Agent推理；asyncio.run 启动异步事件循环，提交用户提问。示例问题带有时间，用来验证Agent调用联网搜索获取实时数据，而不是依赖模型静态知识库。

四、关键知识点

MCP协议价值 传统LangChain工具开发：编写工具函数 + 手写工具描述 + 定义Pydantic参数模型。 MCP模式：远端MCP服务自描述工具，客户端自动同步工具定义，新增工具只需要新增MCP服务配置，Agent代码无需改动。
transport传输方式

streamable_http：远端HTTP MCP服务（Tavily官方MCP）
stdio：本地进程MCP服务（本地脚本、本地工具）

鉴权 Tavily MCP直接在URL参数携带 tavilyApiKey，服务端校验密钥后提供搜索能力。生产环境建议把密钥放在环境变量，不要硬编码到URL字符串。

五、常见踩坑

异步坑：get_tools是async函数 不能直接 tools=get_tools() 传入，部分Agent框架支持传入callable，内部自动await加载工具。如果你的Agent不支持，需要提前await获取工具列表。
网络问题 访问 mcp.tavily.com 网络不通会导致拉取工具超时，需要检查网络连通性。
API Key额度耗尽 Tavily免费额度有限，调用报错401/403优先检查密钥正确性和剩余搜索次数。
大模型不触发工具调用提示词、Agent的prompt模板需要支持工具调用，确保模型具备Function Calling能力。

六、扩展方向

同时挂载多个MCP服务：例如Tavily搜索 + 文件MCP + 数据库查询MCP，全部交给同一个Agent。
替换transport为stdio，对接本地自建MCP服务。
增加缓存层，相同搜索query减少Tavily调用，节约API费用。
增加工具调用回调，记录搜索日志、耗时统计。

七、总结

通过 langchain-mcp-adapters + Tavily MCP，可以极简方式给LangChain Agent接入联网搜索能力。MCP标准化工具协议极大降低Agent多工具集成成本，是当前大模型Agent工程落地的主流方案之一。Agent不再绑定固定工具，工具能力由MCP服务动态提供，架构更加灵活。

八、写在最后

平台内已上线**《大模型入门精品课》+ 简历和面试指导** （对于小白和想转行小伙伴而已，如果没有简历和面试辅导是很难通过面试的），课程内容包括：

纯干货一个月学完，没有冗余的理论，项目都是大型企业项目，非demo。
覆盖 RAG、智能体、Lora微调实战项目、模型压缩（剪枝、量化、蒸馏）。
感兴趣的小伙伴可以前往主页了解！课程地址： https://edu.csdn.net/course/detail/41422