使用Langchain调用集成模型上下文协议(MCP)服务

最新推荐文章于 2025-05-29 13:55:54 发布

大模型面试宝典

最新推荐文章于 2025-05-29 13:55:54 发布

阅读量1k

点赞数 16

分类专栏：自然语言处理大模型LLMs 面试经验文章标签： langchain 人工智能深度学习语言模型 AIGC 自然语言处理

本文链接：https://blog.csdn.net/weixin_43520816/article/details/147135948

版权

大模型LLMs 同时被 3 个专栏收录

50 篇文章

订阅专栏

自然语言处理

47 篇文章

订阅专栏

面试经验

26 篇文章

订阅专栏

作者：Tableau

原文：https://zhuanlan.zhihu.com/p/31112308637

前面分享了如何使用MCP的服务，并应用于Cusor、Claude Desktop等应用上。鉴于项目需要调用各种能力完成复杂的操作，通过热插拔的形式集成各种工具，如Manus。这里我们也可以直接调用基于MCP协议的各种服务，调用其各种各样工具能力，增强我们模型或应用的外延能力。

MCP的产生源于解决大型语言模型(LLM)应用程序的一个关键限制，即它们与外部数据源和工具的隔离。

LLM应用程序的一个关键焦点领域一直是数据传递方面。将数据传递给LLM进行推理，这一直是RAG实现、微调的目标，现在也是MCP的目标。

MCP的主要目的是标准化LLM应用程序如何连接到不同系统，如下图所示：

消除自定义集成

AI代理面临的挑战是向AI代理传递数据，或者换句话说，将AI代理/基于LLM的应用程序集成到外部数据源。

人们一直在尝试通过利用GUI、网络浏览器和网络搜索来实现某种程度的无缝集成。所有这些途径都有优点和缺点。

MCP有潜力作为一个通用接口，可以将其视为AI的虚拟/软件版USB-C。它实现了LLMs/AI代理与外部资源之间无缝、安全和可扩展的数据交换。MCP使用客户端-服务器架构，其中MCP主机(AI应用程序)与MCP服务器(数据/工具提供者)进行通信。开发人员可以使用MCP构建可重用、模块化的连接器，流行平台上已经提供了预构建的服务器，从而创建了一个社区驱动的生态系统。MCP的开源特性鼓励创新，允许开发人员扩展其功能，同时通过精细权限等功能维护安全性。最终，MCP旨在将AI代理从孤立的聊天机器人转变为具有上下文感知、可互操作的系统，深度集成到数字环境中。

如何再Langchain中使用MCP

Anthropic的模型上下文协议(MCP)是一个开源协议，用于将LLM与上下文、工具和提示连接起来。它有越来越多的服务器用于连接各种工具或数据源。在这里，我们展示如何将任何MCP服务器连接到LangGraph代理并使用MCP工具…

通过本地的MCP Server 调用

按顺序运行以下代码：

pip install langchain-mcp-adapters

创建服务器

vim server.py，创建如下内容并运行：

# math_server.py
frommcp.server.fastmcpimportFastMCP

mcp=FastMCP("Math")

@mcp.tool()
defadd(a:int,b:int)->int:
    """Add two numbers"""
    returna+b

@mcp.tool()
defmultiply(a:int,b:int)->int:
    """Multiply two numbers"""
    returna*b

if__name__=="__main__":
    mcp.run(transport="stdio")

关闭文本文件，使用以下命令启动并运行服务器：

python3 math_server.py

运行客户端

vim client.py.创建如下内容，并运行：

# Create server parameters for stdio connection
frommcpimportClientSession,StdioServerParameters
frommcp.client.stdioimportstdio_client
fromlangchain_mcp_adapters.toolsimportload_mcp_tools
fromlanggraph.prebuiltimportcreate_react_agent
fromlangchain_ollamaimportChatOllama
importasyncio

model=ChatOllama(model='qwen2.5:72b')

server_params=StdioServerParameters(
    command="python",
    # Make sure to update to the full absolute path to your math_server.py file
    args=["math_server.py"],
)

asyncdefrun_agent():
    asyncwithstdio_client(server_params)as(read,write):
        asyncwithClientSession(read,write)assession:
            # Initialize the connection
            awaitsession.initialize()

            # Get tools
            tools=awaitload_mcp_tools(session)

            # Create and run the agent
            agent=create_react_agent(model,tools)
            agent_response=awaitagent.ainvoke({"messages":"what's (3 + 5) x 12?"})
            returnagent_response

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

使用命令运行客户端：python3 client.py

通过远程的MCP Server 服务调用

按顺序运行以下代码：

pip install langchain-mcp-tools

运行客户端

vim remote_client.py.创建如下内容，并运行：

# Standard library imports
importasyncio
importlogging
importos
importsys

# Third-party imports
try:
    fromdotenvimportload_dotenv
    fromlangchain.chat_modelsimportinit_chat_model
    fromlangchain.schemaimportHumanMessage
    fromlangchain_ollamaimportChatOllama
    fromlanggraph.prebuiltimportcreate_react_agent
exceptImportErrorase:
    print(f'\nError: Required package not found: {e}')
    print('Please ensure all required packages are installed\n')
    sys.exit(1)

# Local application imports
fromlangchain_mcp_toolsimportconvert_mcp_to_langchain_tools

# A very simple logger
definit_logger()->logging.Logger:
    logging.basicConfig(
        level=logging.INFO,# logging.DEBUG,
        format='\x1b[90m[%(levelname)s]\x1b[0m %(message)s'
    )
    returnlogging.getLogger()

asyncdefrun()->None:
    # Be sure to set ANTHROPIC_API_KEY and/or OPENAI_API_KEY as needed
    load_dotenv()

    # Check the api key early to avoid showing a confusing long trace
    ifnotos.environ.get('ANTHROPIC_API_KEY'):
        raiseException('ANTHROPIC_API_KEY env var needs to be set')
    # if not os.environ.get('OPENAI_API_KEY'):
    #     raise Exception('OPENAI_API_KEY env var needs to be set')

    try:
        mcp_configs={
            'filesystem':{
                'command':'npx',
                'args':[
                    '-y',
                    '@modelcontextprotocol/server-filesystem',
                    '.'# path to a directory to allow access to
                ]
            },
            'fetch':{
                'command':'uvx',
                'args':[
                    'mcp-server-fetch'
                ]
            },
            'weather':{
                'command':'npx',
                'args':[
                    '-y',
                    '@h1deya/mcp-server-weather'
                ]
            },
        }
        tools,cleanup=awaitconvert_mcp_to_langchain_tools(
            mcp_configs,
            init_logger()
        )
        llm=ChatOllama(model='qwen2.5:72b')
        agent=create_react_agent(
            llm,
            tools
        )
        # query = 'Read the news headlines on bbc.com'
        # query = 'Read and briefly summarize the LICENSE file'
        query="Tomorrow's weather in SF?"
        print('\x1b[33m')# color to yellow
        print(query)
        print('\x1b[0m')   # reset the color
        messages=[HumanMessage(content=query)]
        result=awaitagent.ainvoke({'messages':messages})
        # the last message should be an AIMessage
        response=result['messages'][-1].content
        print('\x1b[36m')# color to cyan
        print(response)
        print('\x1b[0m')   # reset the color
    finally:
        ifcleanupisnotNone:
            awaitcleanup()
defmain()->None:
    asyncio.run(run())

if__name__=='__main__':
    main()

如果不出意外将出现，与下面类似的输出结束：

{'messages': 
[HumanMessage(content="what's (3 + 5) x 12?", 
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='The result of \\((3 + 5) \\times 12\\) is 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是一种将AI代理与提供上下文和记忆的信息和服务集成的便捷方式。