ReactAgent接入MCP服务工具
MCP介绍与前置准备
Langgrph接入MCP官网
模型上下文协议 （MCP） 是一种开放协议，它标准化了应用程序为语言模型提供工具和上下文的方式。LangGraph 代理可以通过 langchain-mcp-adapters 库使用 MCP 服务器上定义的工具。
1. 环境安装
需要安装2个三方库
# 自定义MCP开发服务
pip install mcp
# langchian接入mcp服务
pip install langchain-mcp-adapters
langchain-mcp-adapters 包使代理能够使用跨一个或多个 MCP 服务器定义的工具。
1. MCP通信协议
MCP协议目前为客户端-服务器定义了两种标准传输机制通信：
| 传输方式 | 使用场景 | 通信方式 | 是否需网络 | 使用 |
|---|---|---|---|---|
| stdio | 本地工具服务 | stdin/stdout | 否 | mcp.run(transport=“stdio”) |
| streamable_http | 远程或本地HTTP服务 | HTTP流式通信 | 是 | mcp.run(transport=“streamable-http”) |
自定义MCP服务
有点类似于fastapi的写法，定义函数，使用装饰器
1.自定义本地MCP服务
from mcp.server.fastmcp import FastMCP
import loggingmcp = FastMCP("Math")@mcp.tool()
def add(a: int, b: int) -> int:"""两数相加"""logging.info(f'调用了add函数,计算{a}+{b}')return a + b@mcp.tool()
def multiply(a: int, b: int) -> int:"""两数相乘"""logging.info(f'调用了multiply函数,计算{a}*{b}')return a * bif __name__ == "__main__":mcp.run(transport="stdio")官方推荐使用logging模块，替代print输出
2. 自定义Http方式的MCP服务
from mcp.server.fastmcp import FastMCP
import loggingmcp = FastMCP("Weather")@mcp.tool()
async def get_weather(location: str) -> str:"""获取城市天气信息."""logging.info(f"正在获取{location}天气信息...")return "最近成都一直阴天"if __name__ == "__main__":mcp.run(transport="streamable-http")
Agent中接入MCP工具
1. 接入本地mcp工具配置
{"math": {"command": "python","args": ["/absolute/path/to/math_server.py"],"transport": "stdio",}
}
固定写法，
command：使用python运行。
args：绝对路径
transport：运行方式。本地"stdio"
ps.本地mcp不用先运行，在agent使用过程中，会自动运行加载调用的
2. 接入http方式的mcp工具
{"weather": {"url": "http://localhost:8000/mcp","transport": "streamable_http",}
}
相当于是一个接口，获取数据。
这个方式需要提前启动运行mcp服务
url:部署地址 + /mcp
trasport: http服务 streamable_http
3. 获取工具
import asyncio
from langchain_mcp_adapters.client import MultiServerMCPClientasync def main():client = MultiServerMCPClient({"math": {"command": "python","args": ["/Users/szr/PycharmProjects/LLM_study/MCP服务/local_mcp.py"],"transport": "stdio",},"weather": {"url": "http://localhost:8000/mcp","transport": "streamable_http",}})tools = await client.get_tools()print(tools)if __name__ == '__main__':asyncio.run(main())
3. 在agent中使用
需要借助 langchain_mcp_adapters这个三方库
import os
import dotenv
import asyncio
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent
from langchain_mcp_adapters.client import MultiServerMCPClientdotenv.load_dotenv("../.env")llm = ChatOpenAI(model=os.getenv("CHAT_MODEL"),base_url=os.getenv("BASE_URL"),api_key=os.getenv("DEEPSEEK_API_KEY")
)async def main():client = MultiServerMCPClient({"math": {"command": "python","args": ["/Users/szr/PycharmProjects/LLM_study/MCP服务/local_mcp.py"],"transport": "stdio",},"weather": {"url": "http://localhost:8000/mcp","transport": "streamable_http",}})tools = await client.get_tools()agent = create_react_agent(model=llm,tools=tools,prompt='你是一个机器人助手,可以通过已有工具获取一些信息用于回答用户的问题。')math_response =await agent.ainvoke({"messages": [{"role": "user", "content": "请计算365*(12+7)的结果?"}]})print(math_response)print("====="*16)weather_response =await agent.ainvoke({"messages": [{"role": "user", "content": "成都最近的天气怎么样？"}]})print(weather_response)# 运行异步函数
tools = asyncio.run(main())
mcp服务输出日志：
输出内容不方便查看，修改了一下输出内容。只输出content
for item in math_response['messages']:print(item.content)
