在 LangChain 中无缝接入 MCP 服务器扩展 AI 智能体能力

开篇：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：

1. 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。

2. 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。

3. 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。

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

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。

• 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。

• 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。

• 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。

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_agentfrom langchain_core.messages import HumanMessage, SystemMessagefrom langchain_core.prompts import ChatPromptTemplatefrom 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LLMllm = 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！async def main():    async with 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 asyncioasyncio.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：

1. 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。

2. 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）。

3. 工具调用：

4. 用户输入提问。

5. 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。

6. AgentExecutor捕获到这个调用请求。

7. LangChain 将调用请求通过 MCP 协议发送给服务器进程。

8. filesystem服务器收到请求，在其内部执行真正的“写文件”操作。

9. 服务器将操作结果（成功或失败信息）通过 M 协议返回给 LangChain。

10. LangChain 将结果返回给 LLM。

11. LLM 根据结果生成最终回答，返回给用户。

整个过程中，LangChain 并不需要知道write_file这个工具内部是如何实现的，它只负责按照 MCP 协议进行转发。这种关注点分离的设计极大地提升了系统的可维护性和扩展性。

四、总结与展望

通过 MCP 协议，LangChain 智能体获得了一种标准化、模块化的方式来扩展其能力。开发者不再被束缚于有限的内置工具，可以自由地“即插即用”任何遵循 MCP 协议的工具服务器，从操作本地文件到管理云上资源，几乎无所不能。

下一步尝试：

• 探索更多的 MCP 服务器，如sqlite（操作数据库）、github（管理 PR、Issue）。

• 尝试使用 Socket 模式连接服务器，而不是 Stdio 模式，这更适合于生产环境中将服务器作为独立服务部署的场景。

• 关注 MCP 协议的快速发展，它正在成为连接 LLM 与外部工具生态的重要桥梁。

通过本文的指南，希望你已经掌握了将 MCP 强大能力融入你的 LangChain 智能体的钥匙，快去构建更强大、更智能的 AI 应用吧！

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