全面解析 Model Context Protocol（MCP）及其在 LangChain 中的实践：打造真正可用的本地AI助手-CSDN博客

本文链接：https://blog.csdn.net/2301_76341691/article/details/147653780

🌟 嗨，我是Lethehong！🌟

🌍 立志在坚不欲说，成功在久不在速🌍

🚀 欢迎关注：👍点赞⬆️留言收藏🚀

🍀欢迎使用：小智初学计算机网页IT深度知识智能体

🚀个人博客：Lethehong有一起互链的朋友可以私信我

✅GPT体验码：https://gitee.com/lethehong/chatgpt-share

✅GPT体验码：私信博主~免费领取体验码

Lethehong诚邀您加入社群，送您海量编程资源，DeepSeek资料包，各种线上线下活动等你来开启，快来占据你得一席之地吧！

优质专栏：

🔥 热点时事

聚焦当前全球与国内的热门科技、政治、经济等领域的重要事件，提供深度解读与技术相关分析，帮助读者把握时代脉搏。

🌌 星辰瀚海——Linux秘境之操作系统

以“星辰大海”的浪漫比喻深入浅出地讲解 Linux 操作系统的原理、命令、内核机制和发行版生态，是系统爱好者与运维开发者的理想天地。

🌐 网络

涵盖计算机网络的基本原理、OSI模型、TCP/IP 协议、路由交换、安全机制等内容，适合学习 CCNA、网络工程或运维方向的读者。

🧠 数据结构

系统讲解数组、链表、栈、队列、哈希表、树、图等数据结构及其在算法中的应用，辅以典型示例和复杂度分析，是算法学习的基础。

🐍 Python在手，bug溜走！码农的快乐，你不懂～

用幽默轻松的风格介绍 Python 编程知识，包括语法、库、实战案例和自动化脚本等，适合初学者与爱折腾的开发者。

💻 C++

涵盖 C++ 基础语法、面向对象、STL、模板、内存管理、并发等内容，是系统学习底层开发与工程化技术的重要专栏。

🌍 Web

讲解前端（HTML/CSS/JavaScript）、后端（Node.js、Flask、Django 等）、全栈开发及现代框架（如 React、Vue）等内容，适合 Web 开发爱好者。

🧭 Cisco

主要面向思科网络设备的使用与认证考试，如 CCNA、CCNP，讲解配置命令、交换路由、安全设置等核心技能。

🛰️ 华为 eNSP

聚焦华为网络模拟器 eNSP 的使用，包括路由交换、防火墙、安全等配置实践，适合准备 HCIA/HCIP 考试的网络工程师。

引言：AI 系统集成的挑战与 MCP 的诞生

一、背景与动机：大模型应用的痛点

二、什么是 MCP：重新定义大模型的“感官系统”

2.1 核心理念：统一接口，规范工具交互

2.2 技术结构图

三、MCP 的协议细节与设计要点

3.1 工具声明格式（Tool Manifest）

3.2 工具调用流程

3.3 上下文管理

四、MCP 的核心优势

五、LangChain 集成 MCP：落地实践的最佳拍档

7.2 自动代理生成（Auto Agents）

引言：AI 系统集成的挑战与 MCP 的诞生

随着大语言模型（LLM）的广泛应用，AI 系统在处理复杂任务时，常常需要与外部数据源和工具进行交互。然而，传统的集成方式存在接口碎片化、上下文封闭、安全隐患和复用性差等问题。

为了解决这些问题，Anthropic 于 2024 年提出并开源了模型上下文协议（MCP），旨在为 AI 系统与外部资源之间的交互提供统一、标准化的解决方案。

一、背景与动机：大模型应用的痛点

随着大语言模型（LLM）如 ChatGPT、Claude、Gemini、DeepSeek 等的广泛落地，我们正处于从“AI 聊天”走向“AI 工具化”的关键转折点。然而，开发者在实际集成过程中发现，大模型虽然具备强大的自然语言理解与生成能力，却在面对真实系统中的工具协同、数据访问、安全控制等方面存在诸多挑战：

模型孤岛效应：LLM 天生是“闭环”的，对外部环境毫无感知，无法主动访问数据库、文件系统、API 接口等工具。
接口碎片化严重：每个工具、服务都有自己的 API 接口风格，开发者需要手动编写冗余桥接代码，维护成本极高。
安全隐患：一旦将系统 API、密钥暴露给模型调用，存在信息泄露或滥用风险。
上下文传递混乱：多轮交互中，如何稳定、高效地管理 LLM 与工具之间的上下文成为一大难题。

为了解决这些问题，Anthropic 于 2024 年发布了一个重量级协议——Model Context Protocol（MCP）。这不仅是技术协议的创新，更是 AI 应用范式的彻底变革。

二、什么是 MCP：重新定义大模型的“感官系统”

2.1 核心理念：统一接口，规范工具交互

MCP 的核心目标是为语言模型与外部工具之间的通信提供一个通用、统一、安全、可组合的协议，就像 USB-C 接口之于硬件连接。

MCP 通过定义标准的工具描述格式、请求调用协议和通信机制，让语言模型可以像调用内部函数一样使用外部资源，实现模型“外部世界感知”能力的飞跃。

2.2 技术结构图

MCP 的架构借鉴了语言服务器协议（LSP）的设计，基于客户端-服务器模型进行构建：

MCP Host（宿主）：通常是运行语言模型的程序，例如 Claude、ChatGPT、DeepSeek 等。
MCP Client（客户端）：嵌入在模型交互流程中的代理模块，负责将模型的调用请求转换为 MCP 标准格式。
MCP Server（服务端）：具体实现各类工具功能的服务，例如天气查询、数据库访问、文件检索、代码执行等。

通信协议基于 JSON-RPC 2.0，支持双向通信、命名空间隔离、参数校验、调用链追踪等特性。

三、MCP 的协议细节与设计要点

3.1 工具声明格式（Tool Manifest）

每一个 MCP 工具都需要声明自己的接口格式，类似于一个 OpenAPI 文档：

{
  "name": "get_weather",
  "description": "获取指定城市的天气",
  "parameters": {
    "type": "object",
    "properties": {
      "city": { "type": "string", "description": "城市名称" }
    },
    "required": ["city"]
  }
}

这种声明方式可以被模型读取，从而推理出调用方法。

3.2 工具调用流程

一次完整的调用过程如下：

用户发起请求：“查询北京的天气”；
模型识别需要使用工具 get_weather；
MCP Client 构造 JSON-RPC 请求并发送到 MCP Server；
MCP Server 执行工具逻辑（如调用第三方 API）；
返回结构化响应供模型生成自然语言输出。

3.3 上下文管理

每次工具调用均支持附加上下文对象（如会话 ID、权限信息、前置状态），让模型具备“带记忆的工具使用能力”。

四、MCP 的核心优势

特性	描述	传统方式	MCP 优势
统一性	标准接口格式	每个工具各自为政	所有工具使用统一规范
可组合性	支持多个工具组合调用	实现复杂依赖困难	多个工具可串联调用
可移植性	脚本复用性低	工具依赖框架耦合	工具可跨系统部署
安全性	API 密钥暴露	容易泄露敏感信息	调用在沙盒中完成
智能性	模型调用工具靠模板匹配	不能推理接口含义	支持自然语言+结构调用

五、LangChain 集成 MCP：落地实践的最佳拍档

LangChain 是一个为大语言模型打造的编排框架，它天然支持：

工具封装与注册；
模型调用链构建；
LLM Agent 智能决策。

LangChain 团队在 2024 年正式推出 langchain_mcp_adapters 模块，让 MCP 工具可以无缝注册为 LangChain 的工具链成员。

这样，我们就可以使用 LangChain 创建一个本地 AI 助手，具备以下特性：

支持对话式输入；
能智能调用多个工具；
可部署在本地环境，数据私有、安全可信；
可以通过扩展自定义更多服务端能力。

六、完整实战：本地 AI 助手从零构建

6.1 环境准备

虚拟环境

python3 -m venv mcp_env
source mcp_env/bin/activate

安装依赖

pip install langchain langchain-mcp-adapters langgraph mcp openai

6.2 编写 MCP Server

新建 mcp_server.py：

from mcp.server.fastmcp import FastMCP
import requests

mcp = FastMCP("UtilityTools")

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

@mcp.tool()
def get_weather(city: str) -> str:
    api_key = "your_api_key"
    url = f"http://api.openweathermap.org/data/2.5/weather?q={city}&appid={api_key}&units=metric"
    res = requests.get(url)
    if res.status_code == 200:
        data = res.json()
        return f"{city} 当前 {data['weather'][0]['description']}，气温 {data['main']['temp']}°C"
    return "无法获取天气信息"

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

6.3 创建客户端代理

新建 client.py：

import asyncio
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from langchain.chat_models import ChatOpenAI
from langchain.agents import initialize_agent
from langchain_mcp_adapters.tools import load_mcp_tools

async def main():
    server_params = StdioServerParameters(command="python", args=["mcp_server.py"])
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            await session.initialize()
            tools = await load_mcp_tools(session)
            llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0)
            agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)

            print("AI 助手已启动（输入 exit 退出）")
            while True:
                q = input("你：")
                if q.strip().lower() in ("exit", "quit"):
                    break
                a = agent.run(q)
                print(f"助手：{a}")

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

运行：

python client.py

你现在可以问它：

“7 加 5 等于多少？”
“上海现在天气怎么样？”