Datawhale分享
案例：MCP+LangChain，编译：PyTorch研习社
具体关于MCP是什么可以看这篇文章：《最近爆火的MCP(Model Context Protocol)，读这一篇就够了》，下面简单描述一下：
Model Context Protocol（MCP）是由 Anthropic 开发的开源协议，专注于构建安全且可解释的生成式 AI 系统。
MCP 的诞生源于解决 LLM 应用的一个关键限制，即它们与外部数据源和工具的隔离问题。
LLM 应用的一个核心关注点是数据传输，即如何将数据提供给 LLM 进行推理。这一直是 RAG 和微调的目标，同时也是 MCP 的目标。
MCP 的主要目的是标准化 LLM 应用如何连接到不同的系统，如下图所示：
图片来源：
https://github.com/modelcontextprotocol/servers消除自定义集成
AI Agent 在获取数据时面临一个挑战，换句话说，就是如何将 AI Agent 或基于 LLM 的应用集成到外部数据源中。
为了实现无缝集成，已经有许多尝试，例如利用 GUI、Web 浏览器和 Web 搜索等方式。
这些方法各有优劣。
MCP 有潜力成为一个通用接口，可以将其视为 AI 领域的虚拟/软件版 USB-C。
它能够在 LLM/AI Agent 与外部资源之间实现无缝、安全且可扩展的数据交换。
MCP 采用客户端-服务器架构，其中 MCP 主机（AI 应用）与 MCP 服务器（数据/工具提供方）进行通信。
开发者可以使用 MCP 构建可复用、模块化的连接器，并利用针对主流平台的预构建服务器，从而打造一个由社区驱动的生态系统。
MCP 的开源特性鼓励创新，允许开发者扩展其功能，同时通过精细化权限控制等特性确保安全性。
最终，MCP 旨在将 AI Agent 从孤立的聊天机器人转变为具备上下文感知能力、可互操作且深度集成于数字环境的系统。
逐步指南
Anthropic 的 Model Context Protocol（MCP）是一个开源协议，用于将 LLM 连接到上下文、工具和提示词。它支持越来越多的服务器（server），可以用于连接各种工具或数据源。在本指南中，我们将演示如何将 MCP 服务器连接到 LangGraph agents，并使用 MCP 工具……
如果你和我一样，那么无论原型多么简单，能够让它运行起来都会带来极大的清晰感和理解力——至少在我的思维方式里是这样的。
开始之前，请打开终端应用（Terminal）。下面是在 MacBook 上找到它的位置：
创建虚拟环境并安装依赖
推荐的最佳实践是在虚拟环境中安装和运行代码。使用以下命令创建名为 MCP_Demo 的虚拟环境：
python3 -m venv MCP_Demo
然后运行以下命令激活（进入）虚拟环境：
source MCP_Demo/bin/activate激活后，你会看到命令行提示符更新为 (MCP_Demo)，表示已进入该虚拟环境。
安装必要的依赖
按顺序运行以下命令安装所需的 Python 包：
pip install langchain-mcp-adapterspip install langchain-mcp-adaptersexport OPENAI_API_KEY=<your_api_key>请将 <your_api_key> 替换为你的 OpenAI API Key。
创建并运行 MCP 服务器
创建 Python 服务器文件
在终端中运行以下命令创建一个文本文件：
vim server.py粘贴以下 Python 代码
# math_server.pyfrom mcp.server.fastmcp import FastMCPmcp = FastMCP("Math")@mcp.tool()def add(a: int, b: int) -> int: """Add two numbers""" return a + b@mcp.tool()def multiply(a: int, b: int) -> int: """Multiply two numbers""" return a * bif __name__ == "__main__": mcp.run(transport="stdio")保存并关闭文件
在 vim 中，按 ESC，输入 :wq 并回车
运行 MCP 服务器
使用以下命令启动服务器：
python3 math_server.py运行后，终端不会有明显的输出，界面会如下所示：
创建并运行 MCP 客户端
在一个终端标签页运行 MCP 服务器的同时，打开另一个终端标签页，按照以下步骤操作：
创建客户端文件
在新的终端标签页中，运行以下命令创建 client.py 文件：
vim client.py粘贴以下 Python 代码
# 创建与 stdio 连接的服务器参数from mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_clientfrom langchain_mcp_adapters.tools import load_mcp_toolsfrom langgraph.prebuilt import create_react_agentfrom langchain_openai import ChatOpenAIimport asyncio# 使用 GPT-4o 作为 LLM 模型model = ChatOpenAI(model="gpt-4o")# 设置服务器参数server_params = StdioServerParameters( command="python", # 请确保更新为 `math_server.py` 文件的完整绝对路径 args=["math_server.py"],)# 定义异步任务运行 agentasync def run_agent(): async with stdio_client(server_params) as (read, write): async with ClientSession(read, write) as session: # 初始化连接 await session.initialize() # 加载工具 tools = await load_mcp_tools(session) # 创建并运行 agent agent = create_react_agent(model, tools) agent_response = await agent.ainvoke({"messages": "what's (3 + 5) x 12?"}) return agent_response# 运行异步函数if __name__ == "__main__": result = asyncio.run(run_agent()) print(result)运行 MCP 客户端
在终端中执行以下命令运行客户端：
python3 client.py观察运行结果
客户端会运行一次，并输出类似如下的结果：
{ "messages": [ { "content": "what's (3 + 5) x 12?", "id": "87a8b6b6-9add-4da7-aea5-1b197c0fc0f5" }, { "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" } ] }, { "content": "The result of \\((3 + 5) \\times 12\\) is 96." } ]}总结
MCP 是一个强大且便捷的方式，可以将 AI Agent 与外部信息和服务集成，从而提供更丰富的上下文和记忆能力。
原文链接：https://medium.com/@cobusgreyling/using-langchain-with-model-context-protocol-mcp-e89b87ee3c4c
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
