当前位置：首页 > java >正文

在LangChain中无缝接入MCP服务器扩展AI智能体能力

java 2025/9/6 6:38:07

为什么需要MCP？

在构建复杂的AI智能体（Agent）时，一个核心的挑战是如何让大语言模型（LLM）与外部世界安全、高效地交互。传统上，我们需要为每一个工具（如数据库、API、文件系统）编写大量的适配代码，这个过程繁琐且难以标准化。

Model Context Protocol（MCP）的出现正是为了解决这一痛点。MCP是一个开放的协议，它定义了LLM应用程序（如LangChain）与工具、数据源（统称为“服务器”）之间通信的标准方式。这意味着：

标准化：工具提供商可以编写一个标准的MCP服务器，任何支持MCP的客户端（如LangChain、OpenAI GPTs）都能立即使用。
安全性：MCP提供了明确的权限控制，客户端可以控制智能体能访问哪些工具和数据，避免了潜在的安全风险。
开发效率：开发者无需再为每个工具重复编写集成代码，只需专注于业务逻辑。可以直接利用社区丰富的MCP服务器资源。

LangChain作为最流行的AI应用开发框架之一，自然提供了对MCP的一流支持。本文将深入浅出地带你完成在LangChain中接入MCP服务器的完整流程。

一、准备工作与环境配置

在开始编码之前，你需要确保已经安装了必要的库，并准备好一个MCP服务器。

1. 安装LangChain

首先，确保你安装了最新版本的langchain和langchain-core。MCP相关功能通常包含在核心库中。

pip install -U langchain langchain-core

2. 获取或创建一个MCP服务器

MCP服务器的本质是一个独立的进程，可以通过标准输入输出（stdio）或套接字（socket）与LangChain通信。

选项A：使用现有服务器：社区已经提供了大量实用的MCP服务器。
- 克隆仓库：git clone https://github.com/modelcontextprotocol/servers
- 进入目录：cd servers/python/filesystem
- 安装依赖：pip install -e .
- 现在，你就有了一个可用的 filesystem 服务器命令。
- 示例：文件系统服务器：一个官方示例服务器，允许LLM读写文件。
选项B：查找更多服务器：在MCP官方组织的Servers仓库中可以找到由社区维护的服务器列表，包括GitHub、SQLite、Jira等。

本文将以filesystem服务器为例进行演示。

测试开发全景图：人工智能测试、智能驱动、自动化、测试开发、左移右移与DevOps的持续交付https://ceshiren.com/t/topic/34328

二、核心实现流程与代码解析

在LangChain中接入MCP的核心步骤如下：

1. 导入关键模块

from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
# 最重要的：导入MCP工具相关的模块
from langchain.tools.mcp import create_mcp_tool, MCPClientSession, MCPServerParameters

2. 创建MCP客户端会话并配置服务器

这一步是告诉LangChain如何启动和连接到你选择的MCP服务器。

# 定义服务器参数，指定如何启动服务器进程
server_params = MCPServerParameters(# 命令名，即你在步骤一中安装的 filesystem 服务器命令command="filesystem",# 可选：传递给服务器的参数，例如指定当前工作目录args=["--directory", "/tmp/mcp-demo"]
)# 创建一个MCP客户端会话，管理客户端与服务器的连接和通信
session = MCPClientSession(server_params=server_params)

3. 从会话中创建LangChain工具

这是最关键的一步。create_mcp_tool函数会与MCP服务器握手，获取服务器提供的所有工具列表，并将它们动态地转换为LangChain智能体可以直接调用的Tool对象。

# 获取所有工具
tools = create_mcp_tool(session, name="mcp-filesystem-tools")
# 注意：`tools` 通常是一个工具列表（List[Tool]），因为一个服务器可能提供多个工具。

你可以打印一下tools来看看这个服务器具体提供了什么：

for tool in tools:print(f"工具名: {tool.name}")print(f"描述: {tool.description}")print("---")

对于filesystem服务器，你可能会看到read_file, write_file, list_directory等工具。

4. 构建智能体（Agent）并执行

现在，这些MCP工具已经和普通的LangChain Tool没有任何区别了。我们可以像使用任何其他工具一样，将它们组装进智能体。

# 1. 初始化LLM
llm = ChatOpenAI(model="gpt-4o", temperature=0)# 2. 创建Prompt模板，指引智能体使用工具
prompt = ChatPromptTemplate.from_messages([("system", "你是一个有帮助的助手，可以读写文件。请根据用户要求调用相应的工具。"),("placeholder", "{chat_history}"),("human", "{input}"),("placeholder", "{agent_scratchpad}"),
])# 3. 构建智能体
agent = create_tool_calling_agent(llm=llm, tools=tools, prompt=prompt)# 4. 创建智能体执行器
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)# 5. 执行一个任务！
asyncdef main():asyncwith session: # 确保使用异步上下文管理器来管理MCP会话result = await agent_executor.ainvoke({"input": "请在 /tmp/mcp-demo 目录下创建一个名为 'hello.txt' 的文件，并写入内容 'Hello, MCP World!'"})print(result["output"])# 运行异步主函数
import asyncio
asyncio.run(main())

三、流程解析与幕后发生了什么

当你运行上述代码时，LangChain和MCP服务器之间会发生以下交互：

启动服务器：LangChain根据MCPServerParameters的配置，作为一个父进程启动filesystem服务器子进程。
初始化握手：LangChain（客户端）与服务器通过stdio交换初始化信息，客户端获取服务器提供的工具列表和其模式（Schema）（包括名称、描述、参数等）。
工具调用：
- 用户输入提问。
- LLM根据Prompt和工具描述，决定调用write_file工具，并生成符合该工具模式的参数JSON。
- AgentExecutor捕获到这个调用请求。
- LangChain将调用请求通过MCP协议发送给服务器进程。
- filesystem服务器收到请求，在其内部执行真正的“写文件”操作。
- 服务器将操作结果（成功或失败信息）通过M协议返回给LangChain。
- LangChain将结果返回给LLM。
- LLM根据结果生成最终回答，返回给用户。