MCP实战高阶：借助LangChain快速打造MCP天气助手

小敢摘葡萄

于 2025-05-10 08:45:00 发布

阅读量828

点赞数 21

文章标签： langchain 分布式开源微信机器人

本文链接：https://blog.csdn.net/xiaoganbuaiuk/article/details/147817936

版权

在之前的两篇文章《MCP实战进阶：集成DeepSeek模型与MCP的天气信息助手》和《MCP实战入门：让AI模型获取实时天气信息》中，我们探讨了如何让AI模型获取实时天气信息，以及如何将DeepSeek模型与MCP结合打造天气信息助手。本文将进一步升级我们的实战案例，介绍如何借助LangChain的新开源项目langchain-mcp-adapters，让MCP集成变得更加简单高效。

一、LangChain MCP适配器简介

最近，LangChain发布了一个新的开源项目langchain-mcp-adapters[1]，该项目为开发者提供了一种便捷的方式，将MCP (Model Control Protocol) 服务器无缝集成到LangChain生态系统中。

MCP是一种通信协议，允许大语言模型与外部工具和服务进行交互。而LangChain则是构建LLM应用的流行框架。langchain-mcp-adapters的出现，极大地简化了两者之间的集成过程，让开发者可以更专注于业务逻辑的实现，而非底层通信细节。

二、LangChain的ReAct Agent简介

在深入代码实现之前，有必要了解本案例中使用的核心技术——ReAct Agent。

ReAct Agent

ReAct (Reasoning and Acting) 是一种AI代理架构，它将大语言模型的推理能力与工具调用能力结合在一起。简单来说，ReAct允许AI模型：

\1. 思考问题 (Reasoning)
\2. 决定使用什么工具 (Planning)
\3. 执行工具调用 (Acting)
\4. 观察结果并更新思考 (Observation)

在LangChain中，create_react_agent函数提供了一种便捷方式来创建这样的代理。它接收三个关键参数：

• model：用于推理的语言模型
• tools：可供代理使用的工具列表
• prompt：引导代理行为的系统提示

这种方式构建的代理能够分析用户问题，规划并执行多步骤工具调用，最终整合信息为用户提供完整答案。

三、代码实现

下面，我们通过一个完整的天气信息助手案例，展示如何使用langchain-mcp-adapters和ReAct Agent构建智能应用。

1. 项目结构设计

本项目采用面向对象的设计思路，主要包含三个核心类：

• Configuration：负责环境变量管理和配置验证
• MCPServer：处理MCP服务器的连接与工具管理
• MCPClient：整合DeepSeek模型与MCP服务，提供用户交互接口

2. 核心代码实现

首先导入必要的库：

import asyncio
import logging
import os
from contextlib import AsyncExitStack
from typing import List, Optional

from dotenv import load_dotenv
from langchain_core.messages import SystemMessage 
from langchain_core.tools import BaseTool
from langchain_mcp_adapters.tools import load_mcp_tools
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

配置类用于管理环境变量：

class Configuration:
    """配置管理类，负责管理和验证环境变量"""
    
    def__init__(self) -> None:
        """初始化配置并加载环境变量"""
        self.load_env()
        self._validate_env()
        
    @staticmethod
    defload_env() -> None:
        """从.env文件加载环境变量"""
        load_dotenv()
        
    def_validate_env(self) -> None:
        """验证必需的环境变量是否存在"""
        required_vars = ["DEEPSEEK_API_KEY"]
        missing_vars = [var for var in required_vars ifnot os.getenv(var)]
        if missing_vars:
            raise ValueError(f"缺少必需的环境变量: {', '.join(missing_vars)}")
    
    @property
    defapi_key(self) -> str:
        """获取 DeepSeek API 密钥"""
        return os.getenv("DEEPSEEK_API_KEY", "")
    
    @property
    defbase_url(self) -> str:
        """获取 DeepSeek API 基础 URL"""
        return os.getenv("DEEPSEEK_BASE_URL", "https://api.deepseek.com")
    
    @property
    defmodel(self) -> str:
        """获取 DeepSeek 模型名称"""
        return os.getenv("DEEPSEEK_MODEL", "deepseek-chat")

MCP服务器类处理与天气服务的通信：

class MCPServer:
    """MCP 服务器管理类，处理服务器连接和工具执行"""
    def__init__(self, server_path: str) -> None:
        """
        初始化服务器管理器
        
        Args:
            server_path: 服务器脚本路径
        """
        self.server_path = server_path
        self.session: Optional[ClientSession] = None
        self.exit_stack = AsyncExitStack()
        self._cleanup_lock = asyncio.Lock()

    asyncdefinitialize(self) -> None:
        """初始化服务器连接，包含重试机制"""
        max_retries = 3
        retry_delay = 1.0
        
        for attempt inrange(max_retries):
            try:
                ifnot os.path.exists(self.server_path):
                    raise FileNotFoundError(f"找不到服务器文件: {self.server_path}")
                
                server_params = StdioServerParameters(
                    command='python',
                    args=[self.server_path],
                    env=None
                )
                
                stdio_transport = awaitself.exit_stack.enter_async_context(
                    stdio_client(server_params)
                )
                stdio, write = stdio_transport
                
                self.session = awaitself.exit_stack.enter_async_context(
                    ClientSession(stdio, write)
                )
                awaitself.session.initialize()
                logger.info("成功连接到 MCP 服务器")
                break
                
            except Exception as e:
                logger.error(f"第 {attempt + 1}/{max_retries} 次尝试失败: {str(e)}")
                if attempt < max_retries - 1:
                    await asyncio.sleep(retry_delay)
                else:
                    raise

    asyncdeflist_tools(self) -> List[BaseTool]:
        """获取服务器提供的可用工具列表"""
        ifnotself.session:
            raise RuntimeError("服务器未初始化")
        # LangChain方式获取可用工具列表
        tools = await load_mcp_tools(self.session)
        logger.info(f"成功加载工具: {[tool.name for tool in tools]}")
        return tools

    asyncdefcleanup(self) -> None:
        """清理服务器资源"""
        asyncwithself._cleanup_lock:
            try:
                awaitself.exit_stack.aclose()
                self.session = None
                logger.info("服务器资源清理完成")
            except Exception as e:
                logger.error(f"清理过程中出错: {str(e)}")

客户端类整合模型与MCP服务：

class MCPClient:
    """MCP 客户端实现，集成了 DeepSeek API"""
    
    def__init__(self, config: Configuration) -> None:
        """
        初始化 MCP 客户端
        
        Args:
            config: 配置对象
        """
        self.config = config
        self.server: Optional[MCPServer] = None
        self.llm_client = ChatOpenAI(
            api_key=config.api_key,
            base_url=config.base_url,
            model=config.model
        )
        
    asyncdefinitialize(self) -> None:
        """初始化客户端并连接到服务器"""
        server_path = os.path.join(
            os.path.dirname(os.path.dirname(os.path.abspath(__file__))),
            "server",
            "weather_server.py"
        )
        self.server = MCPServer(server_path)
        awaitself.server.initialize()
        
    asyncdefprocess_query(self, query: str):
        """
        处理用户查询，集成工具调用，支持多轮工具交互

        Args:
            query: 用户查询字符串

        Returns:
            处理后的响应结果
        """
        ifnotself.server:
            raise RuntimeError("客户端未初始化")

        # 创建提示模板
        prompt = SystemMessage(content="""你是一个专注于天气信息的助手...（详细系统提示内容）""")
        
        # 获取工具
        tools = awaitself.server.list_tools()

        # 创建ReAct Agent
        logger.info("正在创建agent...")
        agent = create_react_agent(
            model=self.llm_client,  
            tools=tools,
            prompt=prompt
        )
        logger.info("Agent创建成功")

        # 发送查询
        logger.info("正在发送天气查询...")
        agent_response = await agent.ainvoke({
            "messages": query
        })

        # 返回响应
        return agent_response

3. 核心技术要点解析

工具加载与集成

通过langchain-mcp-adapters提供的load_mcp_tools函数，我们可以将MCP服务器中的工具转换为LangChain可识别的BaseTool对象：

tools = await load_mcp_tools(self.session)

这行代码是整个集成的关键，它自动处理了MCP工具到LangChain工具的转换过程，使我们不必手动实现适配逻辑。

ReAct Agent的创建

使用create_react_agent函数创建代理：

agent = create_react_agent(
    model=self.llm_client,  
    tools=tools,
    prompt=prompt
)

这个函数接收三个关键参数：

• model：我们使用的DeepSeek模型
• tools：从MCP服务器加载的工具列表
• prompt：引导代理行为的系统提示

创建的agent对象能够接受用户查询，分析需求，规划并执行工具调用，最终返回整合后的结果。

四、运行效果展示

下面是一个实际使用案例：

用户查询：

最近一周郑州有没有高温或大风预警？周末适合户外活动吗？

系统日志：

2025-05-04 19:10:36,485 - INFO - 成功加载工具: ['get_weather_warning', 'get_daily_forecast']
2025-05-04 19:10:36,485 - INFO - 正在创建agent...
2025-05-04 19:10:36,494 - INFO - Agent创建成功
2025-05-04 19:10:36,494 - INFO - 正在发送天气查询...

Agent响应：

### 郑州近期天气情况：

1. **天气预警**：
   - **大风蓝色预警**：河南省气象台于2025年5月4日发布大风蓝色预警，预计5月5日至6日郑州及周边地区将出现大风天气，阵风可达8-9级，局部10-11级，并伴有扬沙或浮尘。请注意防范。

2. **未来一周天气预报**：
   - **5月4日（今天）**：多云，最高27°C，最低18°C。
   - **5月5日（明天）**：多云转晴，最高31°C，最低17°C，风力较大（西风1-3级）。
   - **...（其他日期天气）**
   - **5月10日（周六）**：晴转多云，最高30°C，最低17°C。

### 周末户外活动建议：
- **周六（5月10日）**：天气晴朗，最高气温30°C，风力较小（西风1-3级），适合户外活动。但请注意防晒和补水。
- **周日（5月11日）**：未提供具体预报，建议关注后续更新。

**注意**：目前有大风预警，尤其是5月5日至6日风力较大，建议避免高空或水上活动，并注意防风防尘。周末天气较为稳定，适合安排户外活动。

从上述案例可以看出，系统成功地：