langchain + MCP的最简单打开方式~

最新推荐文章于 2025-04-27 17:11:28 发布

大模型老炮

最新推荐文章于 2025-04-27 17:11:28 发布

阅读量716

点赞数 9

文章标签： langchain 大模型 AI Agent 程序员人工智能 MCP

本文链接：https://blog.csdn.net/2401_85375151/article/details/147163370

版权

嘿，大家好！这里是一个专注于前沿AI和智能体的频道~

提到 MCP ，大家应该都知道是个什么东西了。

那日常做一些简单coding，怎么用起来MCP server、MCP client呢，今天用langchain做个小示例，希望能帮助到有需要的家人们~

安装依赖

先安装一下package: pip install langchain-mcp-adapters

启动mcp_server

先建一个 mcp_server.py 脚本，实现加法和乘法函数。

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("Math")

@mcp.tool()
def add(a: int, b: int) -> int:
    """2数相加"""
    return a + b

@mcp.tool()
def multiply(a: int, b: int) -> int:
    """2数相乘"""
    return a * b

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

启动python mcp_server.py，这个启动没有任何的日志，不报错，那就是成功了。

启动client

创建一个client.py脚本，调用刚刚启动的server服务。

简单起见，这里用openai的模型，可以先配置环境变量API-KEY，export OPENAI_API_KEY=<your_api_key>，大家也可以按需替换其他的模型。

from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from langchain_mcp_adapters.tools import load_mcp_tools
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
import asyncio

model = ChatOpenAI(model="gpt-4o")

server_params = StdioServerParameters(
    command="python",
    args=["mcp_server.py"],
)

async def run_agent():
    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)
            # 创建并执行agent
            agent = create_react_agent(model, tools)
            agent_response = await agent.ainvoke({"messages": "(3 + 5) * 12 等于？"})
            return agent_response

# Run the async function
if __name__ == "__main__":
    result = asyncio.run(run_agent())
    print(result)

执行一下： python client.py

然后就可以看到日志了：

{'messages': 
[HumanMessage(content="(3 + 5) * 12 等于？", 
additional_kwargs={}, response_metadata={}, 
id='87a8b6b6-9add-4da7-aea5-1b197c0fc0f5'), 
AIMessage(content='', 
additional_kwargs={'tool_calls': [{'id': 'call_1eyRzR7WpKzhMXG4ZFQAJtUD', 

'function': 
{'arguments': '{"a": 3, "b": 5}', 'name': 'add'}, 
'type': 'function'}, 
{'id': 'call_q82CX807NC3T6nHMrhoHT46E', 

'function': 
{'arguments': '{"a": 8, "b": 12}', 'name': 'multiply'}, 
'type': 'function'}], 

'refusal': None}, 
response_metadata={'token_usage': 
{'completion_tokens': 51, 
'prompt_tokens': 77, 
'total_tokens': 128, 

'completion_tokens_details': 
{'accepted_prediction_tokens': 0, 
'audio_tokens': 0, 
'reasoning_tokens': 0, 
'rejected_prediction_tokens': 0}, 

'prompt_tokens_details': 
{'audio_tokens': 0, 
'cached_tokens': 0}}, 

'model_name': 'gpt-4o-2024-08-06', 
'system_fingerprint': 'fp_eb9dce56a8', 
'finish_reason': 'tool_calls', 
'logprobs': None}, 

id='run-13c01640-f92b-48b7-9340-c2ad983eb1c8-0', 
tool_calls=[{'name': 'add', 'args': {'a': 3, 'b': 5}, 
'id': 'call_1eyRzR7WpKzhMXG4ZFQAJtUD', 
'type': 'tool_call'}, {'name': 'multiply', 
'args': {'a': 8, 'b': 12}, 
'id': 'call_q82CX807NC3T6nHMrhoHT46E', 
'type': 'tool_call'}], 

usage_metadata={'input_tokens': 77, 
'output_tokens': 51, 
'total_tokens': 128, 
'input_token_details': {'audio': 0, 
'cache_read': 0}, 

'output_token_details': {'audio': 0, 
'reasoning': 0}}), 
ToolMessage(content='8', 
name='add', 
id='f8e0aba5-7a62-44c6-92a3-5fe3b07c9bd5', 
tool_call_id='call_1eyRzR7WpKzhMXG4ZFQAJtUD'), 

ToolMessage(content='96', 
name='multiply', 
id='66b9bbd9-b99a-402f-b26c-df83f5a69fa3', 
tool_call_id='call_q82CX807NC3T6nHMrhoHT46E'), 
AIMessage(content=' \\((3 + 5) * 12\\) 的结果是 96。', 

additional_kwargs={'refusal': None}, 

response_metadata={'token_usage': {'completion_tokens': 22,
'prompt_tokens': 143,
'total_tokens': 165, 
'completion_tokens_details': {'accepted_prediction_tokens': 0, 
'audio_tokens': 0, 
'reasoning_tokens': 0, 
'rejected_prediction_tokens': 0}, 

'prompt_tokens_details': {'audio_tokens': 0, 
'cached_tokens': 0}}, 

'model_name': 'gpt-4o-2024-08-06', 
'system_fingerprint': 'fp_eb9dce56a8', 
'finish_reason': 'stop', 
'logprobs': None}, 

id='run-6c00a336-7d52-4917-9186-b282a5984b10-0', 
usage_metadata={'input_tokens': 143, 
'output_tokens': 22, 
'total_tokens': 165, 
'input_token_details': {'audio': 0, 'cache_read': 0}, 

'output_token_details': {'audio': 0, 
'reasoning': 0}})]}

MCP 采用server-clent架构，其中 MCP 主机（AI 应用）与 MCP 服务器（数据/工具提供商）进行通信，整体用起来也很简单。

好了，这就是我今天想分享的内容。如果你对构建AI智能体感兴趣，别忘了点赞、关注噢~