Hello， 大家好，我是程序员海军, 全栈开发 |AI爱好者 ｜ 独立开发。
最近一直在研究 MCP 方面的事情，使用的技术栈是 Python + FastAPi + FastMCP，开发了多个 MCP-Server，本地化访问没啥问题，准备部署试着玩一下，调研发现这样的一个 MCP 神器，可一键部署 MCP 服务器托管，并且它简化了很多操作，简直太方便了。
mcp-use 是连接任何 LLM 到任何 MCP 服务器并构建自定义 MCP 智能体最简单的开源方式，无需依赖闭源或特定应用客户端。 它解决了开发者在构建 AI 智能体时面临的工具集成复杂性问题，让开发者能够轻松地将 LLM 连接到各种工具，如网页浏览、文件操作等。
什么是 mcp-use
mcp-use 是一个开源 Python 库，专门用于连接LLM 和 MCP服务器。它充当了 LLM 和各种工具服务之间的桥梁，让开发者能够创建具有工具访问能力的自定义智能体。
核心价值
开放性：完全开源，不依赖任何闭源或特定应用的客户端
通用性：支持任何 LangChain 兼容的 LLM 提供商（OpenAI、Anthropic、Groq 等）
灵活性：通过简单的 JSON 配置即可连接各种 MCP 服务器
易用性：提供简洁的 Python API，几行代码即可创建功能强大的智能体
mcp-use 功能
LLM 灵活性
支持各大模型系列的模型
多种连接方式
Stdio 连接：标准输入输出连接方式
HTTP 连接：支持连接到特定端口的 MCP 服务器
SSE 连接：支持服务端事件流连接
沙盒执行：通过 E2B 云基础设施运行 MCP 服务器
高级功能
多服务器支持：同时连接多个 MCP 服务器
动态服务器选择：智能选择最合适的服务器执行任务
工具访问控制：限制智能体可使用的工具范围
流式输出：支持实时输出智能体的执行过程
调试模式：提供详细的调试信息帮助开发
配置管理
支持 JSON 配置文件
支持字典配置
环境变量管理
灵活的服务器配置选项
mcp-use 如何使用
安装
# 基础安装pip install mcp-use# 安装 LLM 提供商依赖pip install langchain-openai # OpenAIpip install langchain-anthropic # Anthropic# 安装沙盒支持（可选）pip install "mcp-use[e2b]"基本使用
import asynciofrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAIfrom mcp_use import MCPAgent, MCPClientasync def main(): load_dotenv() # 配置 MCP 服务器 config = { "mcpServers": { "playwright": { "command": "npx", "args": ["@playwright/mcp@latest"], "env": {"DISPLAY": ":1"} } } } # 创建客户端和智能体 client = MCPClient.from_dict(config) llm = ChatOpenAI(model="gpt-4o") agent = MCPAgent(llm=llm, client=client, max_steps=30) # 执行任务 result = await agent.run( "上海有哪些美食" ) print(f"结果: {result}")if __name__ == "__main__": asyncio.run(main())使用配置文件
创建 mcp-config.json 文件：
{ "mcpServers": { "playwright": { "command": "npx", "args": ["@playwright/mcp@latest"], "env": { "DISPLAY": ":1" } }, "airbnb": { "command": "npx", "args": ["-y", "@openbnb/mcp-server-airbnb"] } }}在代码中使用 mcpserver
client = MCPClient.from_config_file("mcp-config.json")流式输出
async for chunk in agent.astream("山西哪里好玩？"): print(chunk["messages"], end="", flush=True)工具访问控制
# 限制智能体可使用的工具agent = MCPAgent( llm=llm, client=client, disallowed_tools=["get_Personal",] # 禁用一些工具调用)调试模式
#在代码中设置import mcp_usemcp_use.set_debug(2) # 启用详细调试信息总结
mcp-use 为开发者提供了一个强大而灵活的解决方案，解决了 LLM 与外部工具集成的复杂性问题。
我们可以通过几行代码快速构建 AI Agent，并且还可以轻松的集成 MCP 服务器和工具了。
随着 MCP 生态系统的不断发展，我觉得不管是大模型的开发还是 Agent 开发等等，门槛都会被降低下来了，现在已经是这个趋势了。AI 的飞速发展，以往的很多知识点可能被推翻，化繁为简，变的更简单。
mcp-use:
https://mcp-use.com/
