【Agent.09】LangChain里面使用MCP工具

这里是慕雪的小助手

慕雪小助手的总结

DeepSeek & LongCat

欢迎阅读慕雪撰写的AI Agent专栏，本专栏目录如下

本专栏的所有代码都可以在https://gitee.com/musnows/agent-blog找到。

在上一篇文章中，我们学习了LangChain的基础用法和如何创建简单的Agent。本文将说明如何在LangChain中集成MCP（Model Context Protocol）工具。

1. 什么是MCP？

MCP的介绍请移步MCP协议博客，本文不多介绍这个协议的原理。

简而言之，MCP就是在各个Agent SDK所支持的Function Calling上抽象了一层中间层，让这些Function有了一个外部统一调用和处理的协议，从而让我们的各类Tools只需要使用MCP协议编写出一个server，就可以在各个支持MCP的client里面无缝使用，不再需要针对目标工具、SDK做单独的二次工具开发，大大节省了工具兼容的开发时间。

当然，如果你的工具是Python函数，不涉及到任何兼容逻辑，也不打算切换你的Agent框架的时候，也可以不使用MCP。MCP只是提供了方便，并不代表我们的工具能力就一定要用MCP协议来编写。

在上一个Demo里面，我们使用了LangChain成功调用了直接在python里面实现的tools，本文将介绍如何在LangChain中集成MCP工具，顺带介绍如何使用fastmcp库编写MCP的server。

2. 创建MCP服务器

2.1. 环境准备

首先需要安装MCP相关的依赖，第一个是用于编写MCP服务器的库，第二个是LangChain里面的MCP客户端实现。

bash

1	pip install fastmcp langchain-mcp-adapters

如果你使用的是uv，则使用uv add添加这些依赖。

2.2. 创建数学计算服务器

本次Demo使用一个比较简单的数学服务器作为演示。

创建一个名为01.math_server.py的文件：

python

from mcp.server.fastmcp import FastMCP

# 创建MCP服务器实例，"Math"是服务器名称
mcp = FastMCP("Math")

@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b

@mcp.tool()
def multiply(a: int, b: int) -> int:
    """Multiply two numbers"""
    return a * b

if __name__ == "__main__":
    mcp.run(transport="stdio")

就是这么短短的几行代码，我们就已经写好了一个MCP服务器了。MCP服务器的启动方式分为两种，一个是stdio（字节流），另外一个是sse（远程）。关于sse协议，在本站也有博客详解。这里为了方便，使用了stdio协议。

同理，FastMCP框架也会使用python函数的lint和docstring来作为工具的desc，方便Agent理解工具的作用。

如果你使用的是Anthopic官方提供的MCP Python SDK，则还有另外一套更加全面的MCP服务端编写方式，支持自定义的字段更多，但编写也更加复杂。如果没有特殊需要，直接使用FastMCP就可以了，直接在原本的函数上加上一个@mcp.tool()装饰器，就能把普通的函数变成MCP Server的Tools，非常方便。

2.3. 测试MCP服务器

我们可以直接运行这个服务器来测试：

bash

1	uv run mcp/01.math_server.py

服务器启动后会等待MCP客户端的连接，终端里面啥都不会输出。只要你观测到终端没有报错，阻塞运行了，那就说明server已经正常启动了。

3. 在LangChain中使用MCP工具

现在让我们在LangChain中集成我们刚创建的MCP工具。

3.1. 完整集成代码

python

import asyncio
import os
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv

# 加载环境变量
load_dotenv(override=True)


async def main():
    # 连接到 MCP 服务器
    client = MultiServerMCPClient({
        "math": {
            "transport": "stdio",  # 使用stdio传输协议
            "command": "uv",      # 启动命令
            "args": ["--directory", "mcp", "run", "01.math_server.py"],
        }
    })

    # 配置模型
    model = init_chat_model(
        model=os.getenv("OPENAI_MODEL"),
        model_provider="openai",
        api_key=os.getenv("OPENAI_API_KEY"),
        base_url=os.getenv("OPENAI_BASE_URL")
    )

    # 获取 MCP 服务器提供的工具
    tools = await client.get_tools()

    # 创建 Agent
    agent = create_agent(model=model, tools=tools)

    # 调用 Agent
    result = await agent.ainvoke(
        {"messages": [{
            "role": "user",
            "content": "3 加 5 等于多少？然后乘以 12？"
        }]}
    )

    print(result["messages"][-1].content)


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

3.2. 代码解析

下面对这段代码比较关键的部分单独解释：

第一步：创建MCP客户端

python

client = MultiServerMCPClient({
    "math": {
        "transport": "stdio",
        "command": "uv",
        "args": ["--directory", "mcp", "run", "01.math_server.py"],
    }
})

这里我们创建了一个多服务器MCP客户端，它可以同时连接多个MCP服务器。配置说明：

“math”：服务器的针对Agent暴露的名称，可以自定义。注意在prompt中也需要使用对应的名字，方便Agent确认需要使用的工具是谁。
transport：传输协议，可选为"stdio"或"streamable_http"（对应sse）
command：启动MCP服务器的命令（只有stdio模式下需要）
args：启动命令的参数列表（只有stdio模式下需要）
url：MCP服务器的链接地址（只有streamable_http模式下需要）

MCP其中一个优势就在于，MCP客户端的链接配置基本上是所有支持MCP的客户端工具通用的，只要把这个json拷贝出去，就可以给其他工具（如claude-code）使用了。

这里需要注意两点：

如果配置的stdio的工具，一定要确定配置的命令能够正常执行。可以先执行一下这个命令确认是否能无报错正常启动MCP服务器。
如果配置的是sse（streamable_http）的工具，要确认这个远程的http服务器地址能够正常在客户端的主机上访问到。

另外，部分Agent工具在MCP服务器无法链接的时候是不会报错提示的（比如claude-code）一定要确认好Agent工具或SDK真的链接上了你提供的MCP工具，否则在缺少工具的时候Agent只会胡乱编造数据！

第二步：获取工具

python

1	tools = await client.get_tools()

这行代码会启动MCP服务器进程，并获取服务器提供的所有工具，tools是一个包含所有可用工具的列表。

同时，这些工具里面也会包含FastMCP库从docstring里面解析出来的简介、参数、返回值，这些信息都会提供给Agent进行Function Calling。

plaintext

[StructuredTool(name='add', description='Add two numbers', args_schema={'properties': {'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}, 'required': ['a', 'b'], 'title': 'addArguments', 'type': 'object'}, response_format='content_and_artifact', coroutine=<function convert_mcp_tool_to_langchain_tool.<locals>.call_tool at 0x110448e00>), StructuredTool(name='multiply', description='Multiply two numbers', args_schema={'properties': {'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}, 'required': ['a', 'b'], 'title': 'multiplyArguments', 'type': 'object'}, response_format='content_and_artifact', coroutine=<function convert_mcp_tool_to_langchain_tool.<locals>.call_tool at 0x11244e980>)]

第三步：创建Agent

python

1	agent = create_agent(model=model, tools=tools)

和之前的LangChain示例一样，我们将模型和工具传递给create_agent函数。不同的是，这里的工具来自MCP服务器。

第四步：异步调用

python

result = await agent.ainvoke(
    {"messages": [{
        "role": "user",
        "content": "3 加 5 等于多少？然后乘以 12？"
    }]}
)

由于MCP客户端使用异步方式与服务器通信，我们需要使用ainvoke方法而不是invoke方法。

3.3. 运行结果

运行这个程序，你会看到类似这样的输出：

plaintext

1	3 加 5 等于 8，然后 8 乘以 12 等于 96。

Agent成功地：

理解了用户的数学问题
调用了add工具计算 3 + 5 = 8
调用了multiply工具计算 8 × 12 = 96
给出了完整的答案

从日志中可以看到，日志里面打印出来了CallToolRequest，也就是我们的MCP客户端去请求调用了MCP服务端的服务，这些信息是Agent根据工具调用结果返回的，而不是根据自己的理解“算”出来的。

4. The end

本文简单介绍了如何在LangChain里面使用MCP工具。

在实际项目中，你可以：

将现有的Python功能函数封装成MCP工具，方便不同的Agent使用
使用第三方提供的MCP工具，有非常多开源的牛逼MCP工具，比如serena
构建自己的工具生态系统，比如对接公司内网系统OpenAPI的各类MCP工具

本文到这里就结束啦！

1. 什么是MCP？

2. 创建MCP服务器

2.1. 环境准备

2.2. 创建数学计算服务器

2.3. 测试MCP服务器

3. 在LangChain中使用MCP工具

3.1. 完整集成代码

3.2. 代码解析

第一步：创建MCP客户端

第二步：获取工具

第三步：创建Agent

第四步：异步调用

3.3. 运行结果

4. The end

微信扫一扫：分享