为什么需要MCP？
在构建复杂的AI智能体（Agent）时，一个核心的挑战是如何让大语言模型（LLM）与外部世界安全、高效地交互。传统上，我们需要为每一个工具（如数据库、API、文件系统）编写大量的适配代码，这个过程繁琐且难以标准化。
Model Context Protocol（MCP）的出现正是为了解决这一痛点。MCP是一个开放的协议，它定义了LLM应用程序（如LangChain）与工具、数据源（统称为“服务器”）之间通信的标准方式。这意味着：
- 标准化：工具提供商可以编写一个标准的MCP服务器，任何支持MCP的客户端（如LangChain、OpenAI GPTs）都能立即使用。
- 安全性：MCP提供了明确的权限控制，客户端可以控制智能体能访问哪些工具和数据，避免了潜在的安全风险。
- 开发效率：开发者无需再为每个工具重复编写集成代码，只需专注于业务逻辑。可以直接利用社区丰富的MCP服务器资源。
LangChain作为最流行的AI应用开发框架之一，自然提供了对MCP的一流支持。本文将深入浅出地带你完成在LangChain中接入MCP服务器的完整流程。
一、准备工作与环境配置
在开始编码之前，你需要确保已经安装了必要的库，并准备好一个MCP服务器。
1. 安装LangChain
首先，确保你安装了最新版本的langchain和langchain-core。MCP相关功能通常包含在核心库中。
pip install -U langchain langchain-core
2. 获取或创建一个MCP服务器
MCP服务器的本质是一个独立的进程，可以通过标准输入输出（stdio）或套接字（socket）与LangChain通信。
- 选项A：使用现有服务器：社区已经提供了大量实用的MCP服务器。
- 克隆仓库：
git clone https://github.com/modelcontextprotocol/servers - 进入目录：
cd servers/python/filesystem - 安装依赖：
pip install -e . - 现在，你就有了一个可用的
filesystem服务器命令。 - 示例：文件系统服务器：一个官方示例服务器，允许LLM读写文件。
- 选项B：查找更多服务器：在MCP官方组织的Servers仓库中可以找到由社区维护的服务器列表，包括GitHub、SQLite、Jira等。
本文将以filesystem服务器为例进行演示。
二、核心实现流程与代码解析
在LangChain中接入MCP的核心步骤如下：
1. 导入关键模块
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
# 最重要的：导入MCP工具相关的模块
from langchain.tools.mcp import create_mcp_tool, MCPClientSession, MCPServerParameters
2. 创建MCP客户端会话并配置服务器
这一步是告诉LangChain如何启动和连接到你选择的MCP服务器。
# 定义服务器参数，指定如何启动服务器进程
server_params = MCPServerParameters(
# 命令名，即你在步骤一中安装的 filesystem 服务器命令
command="filesystem",
# 可选：传递给服务器的参数，例如指定当前工作目录
args=["--directory", "/tmp/mcp-demo"]
)
# 创建一个MCP客户端会话，管理客户端与服务器的连接和通信
session = MCPClientSession(server_params=server_params)
3. 从会话中创建LangChain工具
这是最关键的一步。create_mcp_tool函数会与MCP服务器握手，获取服务器提供的所有工具列表，并将它们动态地转换为LangChain智能体可以直接调用的Tool对象。
# 获取所有工具
tools = create_mcp_tool(session, name="mcp-filesystem-tools")
# 注意：`tools` 通常是一个工具列表（List[Tool]），因为一个服务器可能提供多个工具。
你可以打印一下tools来看看这个服务器具体提供了什么：
for tool in tools:
print(f"工具名: {tool.name}")
print(f"描述: {tool.description}")
print("---")
对于filesystem服务器，你可能会看到read_file, write_file, list_directory等工具。
4. 构建智能体（Agent）并执行
现在，这些MCP工具已经和普通的LangChain Tool没有任何区别了。我们可以像使用任何其他工具一样，将它们组装进智能体。
# 1. 初始化LLM
llm = ChatOpenAI(model="gpt-4o", temperature=0)
# 2. 创建Prompt模板，指引智能体使用工具
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个有帮助的助手，可以读写文件。请根据用户要求调用相应的工具。"),
("placeholder", "{chat_history}"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
])
# 3. 构建智能体
agent = create_tool_calling_agent(llm=llm, tools=tools, prompt=prompt)
# 4. 创建智能体执行器
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 5. 执行一个任务！
asyncdef main():
asyncwith session: # 确保使用异步上下文管理器来管理MCP会话
result = await agent_executor.ainvoke({
"input": "请在 /tmp/mcp-demo 目录下创建一个名为 'hello.txt' 的文件，并写入内容 'Hello, MCP World!'"
})
print(result["output"])
# 运行异步主函数
import asyncio
asyncio.run(main())
三、流程解析与幕后发生了什么
当你运行上述代码时，LangChain和MCP服务器之间会发生以下交互：
- 启动服务器：LangChain根据
MCPServerParameters的配置，作为一个父进程启动filesystem服务器子进程。 - 初始化握手：LangChain（客户端）与服务器通过stdio交换初始化信息，客户端获取服务器提供的工具列表和其模式（Schema）（包括名称、描述、参数等）。
- 工具调用：
- 用户输入提问。
- LLM根据Prompt和工具描述，决定调用
write_file工具，并生成符合该工具模式的参数JSON。 AgentExecutor捕获到这个调用请求。- LangChain将调用请求通过MCP协议发送给服务器进程。
filesystem服务器收到请求，在其内部执行真正的“写文件”操作。- 服务器将操作结果（成功或失败信息）通过M协议返回给LangChain。
- LangChain将结果返回给LLM。
- LLM根据结果生成最终回答，返回给用户。
整个过程中，LangChain并不需要知道write_file这个工具内部是如何实现的，它只负责按照MCP协议进行转发。这种关注点分离的设计极大地提升了系统的可维护性和扩展性。
四、总结与展望
通过MCP协议，LangChain智能体获得了一种标准化、模块化的方式来扩展其能力。开发者不再被束缚于有限的内置工具，可以自由地“即插即用”任何遵循MCP协议的工具服务器，从操作本地文件到管理云上资源，几乎无所不能。
下一步尝试：
- 探索更多的MCP服务器，如
sqlite（操作数据库）、github（管理PR、Issue）。 - 尝试使用Socket模式连接服务器，而不是Stdio模式，这更适合于生产环境中将服务器作为独立服务部署的场景。
- 关注MCP协议的快速发展，它正在成为连接LLM与外部工具生态的重要桥梁。
通过本文的实践步骤，相信你已经掌握了如何将 MCP 服务的能力集成到 LangChain 框架中。下一步，不妨尝试将其应用到真实的业务场景中，让 AI 系统真正具备调用后端服务、执行复杂逻辑的能力。
