LangChain与MCP的完美结合：langchain_mcp_adapters实践指南

lingding_cn

已于 2025-04-30 08:38:52 修改

阅读量2k

点赞数 30

分类专栏： ai python mpc 文章标签： langchain 服务器 python mcp

于 2025-04-20 09:35:17 首次发布

本文链接：https://blog.csdn.net/lingding_cn/article/details/147360640

版权

python 同时被 3 个专栏收录

7 篇文章

订阅专栏

6 篇文章

订阅专栏

mpc

2 篇文章

订阅专栏

LangChain与MCP的完美结合：langchain_mcp_adapters实践指南

1. MCP简介

MCP（Model Context Protocol）是一种用于大型语言模型（LLM）与外部工具和资源进行通信的协议标准。它的设计目标是为AI模型提供一种标准化的方式来访问和操作外部世界的数据和功能。

1.1 MCP的核心特点

标准化通信接口：MCP定义了一套标准的通信格式和协议，使模型能够以一致的方式与各种外部系统交互。
工具和资源抽象：将外部功能抽象为"工具"（可执行的功能）和"资源"（可访问的数据），简化了模型与外部世界的交互。
上下文管理：维护模型与外部系统交互过程中的上下文信息，确保交互的连贯性。
安全性考虑：内置了权限控制和安全检查机制，防止未授权的访问和潜在的安全风险。
可扩展性：支持添加新的工具和资源，适应不断变化的需求。

1.2 MCP的工作原理

MCP的工作流程通常包括以下步骤：

服务注册：外部服务（如API、数据库等）注册为MCP服务器，提供工具和资源。
模型请求：AI模型通过MCP客户端发送请求，指定要使用的工具或访问的资源。
服务处理：MCP服务器接收请求，执行相应的操作，并返回结果。
结果整合：模型接收结果，并将其整合到自己的推理过程中。

2. LangChain简介

LangChain是一个用于开发基于大型语言模型（LLM）应用的框架，它提供了一系列工具和抽象，简化了LLM应用的开发过程。

2.1 LangChain的核心组件

Chains：将多个组件（如模型、提示词、工具等）链接在一起，形成复杂的处理流程。
Agents：能够根据用户输入和当前状态，动态决定使用哪些工具和执行哪些操作的智能代理。
Memory：管理对话历史和上下文信息，使模型能够记住之前的交互。
Tools：模型可以使用的外部功能，如搜索引擎、计算器、API等。
Document Loaders：从各种来源加载文档的组件。
Text Splitters：将长文本分割成适合模型处理的小块。
Embeddings：将文本转换为向量表示，用于语义搜索和相似度计算。
Vector Stores：存储和检索文本向量的数据库。

2.2 LangChain的优势

模块化设计：各组件可以独立使用，也可以组合成复杂的应用。
多模型支持：支持多种LLM，如OpenAI的GPT系列、Anthropic的Claude、Google的Gemini等。
丰富的集成：与众多外部服务和工具集成，扩展了模型的能力。
开源生态：活跃的开发者社区和丰富的文档资源。

3. langchain_mcp_adapters简介

langchain_mcp_adapters是一个连接LangChain和MCP的适配器库，它允许LangChain框架中的应用无缝地使用MCP服务提供的工具和资源。

3.1 langchain_mcp_adapters的作用

桥接LangChain和MCP：将MCP服务器提供的工具和资源转换为LangChain可用的格式。
简化集成过程：开发者无需深入了解MCP的内部实现，就能在LangChain应用中使用MCP服务。
统一接口：提供一致的接口，使得在LangChain中使用MCP服务与使用其他工具一样简单。
扩展LangChain能力：通过MCP，LangChain应用可以访问更多外部服务和资源。

3.2 langchain_mcp_adapters的核心组件

tools：将MCP工具转换为LangChain工具。
resources：将MCP资源转换为LangChain可用的数据源。
clients：管理与MCP服务器的连接和通信。
promots：专门用于处理MCP工具和资源的Chain实现。

4. langchain_mcp_adapters使用详解

下面我们将详细介绍如何在实际项目中使用langchain_mcp_adapters，包括安装、配置、基本用法和高级应用。

4.1 安装和配置

首先，我们需要安装必要的依赖：

pip install langchain langchain_mcp_adapters

如果需要使用特定的LLM，还需要安装相应的依赖：

# 使用OpenAI模型
pip install openai

# 使用Anthropic模型
pip install anthropic

# 使用本地模型
pip install langchain-community

4.2 基本用法

4.2.1 连接MCP服务器

from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain_mcp_adapters.client import MultiServerMCPClient

import asyncio



async def main():
    async with MultiServerMCPClient(
            {

                "weather": {
                    # make sure you start your weather server on port 8000
                    "url": "http://localhost:8990/sse",
                    "transport": "sse",
                }
            }
    ) as client:
        avTools = client.get_tools()


        print(avTools)

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


### 5.3 安全性考虑

- **验证输入**：始终验证用户输入，防止注入攻击。
- **限制访问**：为MCP服务器设置适当的访问控制。
- **监控使用**：记录和监控MCP工具的使用情况，及时发现异常。

### 5.4 可扩展性

- **模块化设计**：将不同功能的MCP服务器分开，便于独立扩展。
- **负载均衡**：对于高负载场景，考虑部署多个MCP服务器实例。
- **服务发现**：实现服务发现机制，动态连接可用的MCP服务器。

## 6. 总结

langchain_mcp_adapters为LangChain和MCP之间搭建了一座桥梁，使得开发者能够轻松地在LangChain应用中利用MCP服务提供的工具和资源。通过这种集成，AI应用的能力得到了极大的扩展，可以更加灵活地与外部世界交互。

本文详细介绍了MCP和LangChain的基本概念，langchain_mcp_adapters的核心功能，以及如何在实际项目中使用这个适配器库。从基本用法到高级应用，从错误处理到性能优化，我们全面探讨了langchain_mcp_adapters的各个方面。

随着AI技术的不断发展，像langchain_mcp_adapters这样的工具将变得越来越重要，它们使得开发者能够更加专注于业务逻辑，而不必过多关注底层的通信细节。通过合理利用这些工具，我们可以构建出更加智能、更加强大的AI应用。