MCP 深度实践：集成 LangChain 与 Semantic Kernel，打造多工具智能体

最新推荐文章于 2025-05-01 21:42:17 发布

gs80140

最新推荐文章于 2025-05-01 21:42:17 发布

阅读量835

点赞数 6

分类专栏： AI 文章标签：人工智能 mcp

本文链接：https://blog.csdn.net/gs80140/article/details/147564725

版权

AI 专栏收录该内容

152 篇文章

订阅专栏

🚀 MCP 深度实践：集成 LangChain 与 Semantic Kernel，打造多工具智能体

✨ 为什么要集成 LangChain / Semantic Kernel？

🏗️ 整体架构图

🛠️ MCP 与 LangChain 集成实践

1. 环境准备

2. 自定义 LangChain 工具调用 MCP

3. 在 LangChain 中注册 MCP 工具

🛠️ MCP 与 Semantic Kernel 集成实践

🚀 MCP 深度实践：集成 LangChain 与 Semantic Kernel，打造多工具智能体

在上篇教程中，我们从零搭建了一个完整的 MCP Server 和 Client，并实现了 AI 模型与本地工具的调用。
今天，我们更进一步，教你如何将 MCP 与 LangChain、Semantic Kernel 等主流 AI 框架集成，构建功能丰富的智能体系统！

✨ 为什么要集成 LangChain / Semantic Kernel？

随着 AI 应用需求不断提升，仅靠单一的 MCP Server 无法满足复杂的业务逻辑。
通过集成 LangChain、Semantic Kernel，可以实现：

🌟 统一管理多工具、多数据源
🌟 支持链式调用、工作流编排
🌟 增强上下文记忆、智能规划执行
🌟 大幅提升 AI 交互智能化水平

MCP 相当于 "工具接口"，LangChain / Semantic Kernel 则是 "智能大脑"。
二者结合，才是真正的智能体（Agent）架构！

🏗️ 整体架构图

用户提问
    ↓
LangChain / Semantic Kernel
    ↓
MCP Client
    ↓
MCP Server（托管各种 Tools）
    ↓
工具实际执行任务
    ↓
执行结果反馈回 LangChain / Semantic Kernel
    ↓
生成最终回复

🛠️ MCP 与 LangChain 集成实践

1. 环境准备

安装依赖：

pip install langchain openai
pip install mcp-sdk

（假设你的 Server 端已经按照上一篇教程搭建完成）

2. 自定义 LangChain 工具调用 MCP

在 LangChain 中，每个工具（Tool）需要实现 Tool 类。
这里我们封装一个 MCPTool。

from langchain.tools import BaseTool
from mcp.client import MCPClient

class MCPTool(BaseTool):
    def __init__(self, tool_name: str, server_url: str):
        super().__init__(name=tool_name, description=f"调用 MCP 工具 {tool_name}")
        self.tool_name = tool_name
        self.client = MCPClient(server_address=server_url)
        self.client.connect()

    def _run(self, query: str) -> str:
        """同步调用 MCP 工具"""
        params = {"directory": "."}  # 示例传参，可以根据需要解析 query
        result = self.client.call_tool(self.tool_name, params)
        return str(result)

    async def _arun(self, query: str) -> str:
        raise NotImplementedError("暂不支持异步调用")

3. 在 LangChain 中注册 MCP 工具

from langchain.agents import initialize_agent
from langchain.llms import OpenAI

# 初始化 MCP 工具
mcp_tool = MCPTool(tool_name="list_txt_files", server_url="http://localhost:8000")

# 初始化 Agent
agent = initialize_agent(
    tools=[mcp_tool],
    llm=OpenAI(temperature=0),
    agent="zero-shot-react-description",
    verbose=True,
)

# 测试提问
response = agent.run("请帮我列出当前目录下所有 txt 文件。")
print(response)

如果一切顺利，LangChain 代理就可以通过 MCP 调用工具，并得到真实结果！

🛠️ MCP 与 Semantic Kernel 集成实践

Semantic Kernel 作为微软开源的智能体框架，也可以轻松集成 MCP。

1. 环境准备

安装依赖：

pip install semantic-kernel
pip install mcp-sdk

2. 封装 MCP 连接器

from semantic_kernel.orchestration.sk_function import SKFunction
from mcp.client import MCPClient

class MCP_SK_Function(SKFunction):
    def __init__(self, tool_name: str, server_url: str):
        self.tool_name = tool_name
        self.client = MCPClient(server_address=server_url)
        self.client.connect()

    def invoke(self, input):
        params = {"directory": "."}
        result = self.client.call_tool(self.tool_name, params)
        return str(result)

3. 注册到 Kernel

from semantic_kernel.kernel import Kernel

kernel = Kernel()

# 创建 MCP 工具封装
mcp_function = MCP_SK_Function(tool_name="list_txt_files", server_url="http://localhost:8000")

# 将 MCP Function 注册到 Kernel
kernel.skills.add_function("FileTools", "ListTxtFiles", mcp_function)

# 测试调用
result = kernel.skills.get_function("FileTools", "ListTxtFiles").invoke("")
print(result)

这样，Semantic Kernel 也可以通过统一的方式调用 MCP Server 上的所有工具了！