在LangChain中无缝接入MCP服务器扩展AI智能体本事

搭复杂 AI 智能体（Agent）时，一个绕不开的难题是怎么让大语言模型（LLM）和外部世界安全、高效地打交道。过去每接一个工具（数据库、API、文件系统）就得写一堆适配代码，繁琐还不好标准化。Model Context Protocol（MCP）就是冲着这个痛点来的：它规定了 LLM 应用（比如 LangChain）与工具、数据源（统称"服务器"）之间的通信标准。下面用 LangChain 接 MCP 服务器走一遍完整流程，从装库、起进程到工具调用逐段拆。

一、为什么需要 MCP

MCP 是个开放协议，带来三件事：

• 标准化：工具方写一个标准 MCP 服务器，任何支持 MCP 的客户端（如 LangChain、OpenAI GPTs）都能直接用上。
  
• 安全性：权限控制是明确的，客户端能决定智能体访问哪些工具和数据，把潜在风险挡在外面。
  
• 开发效率：开发者不用给每个工具重复写集成代码，专心做业务逻辑就行，社区里现成的 MCP 服务器资源可以直接拿。
  

LangChain 是最主流的 AI 应用开发框架之一，天生对 MCP 有一流支持。

二、准备工作与环境设置

测试开发全景图：人工智能测试、智能驱动、自动化、测试开发、左移右移与DevOps的连续交付

https://ceshiren.com/t/topic/34328

1. 安装 LangChain

确保装了最新版本的 langchain 和 langchain-core，MCP 相关功能通常包含在核心库里：

1. pip install -U langchain langchain-core

复制代码

2. 获取或创建一个 MCP 服务器

MCP 服务器的本质是一个独立进程，可以通过标准输入输出（stdio）或套接字（socket）跟 LangChain 通信。

• 选项 A：直接用现成的服务器：
  
  
  
  • 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，你就有一个可用的 filesystem 服务器命令。
    
  
  
  
  
  • 示例：文件系统服务器：官方示例服务器，允许 LLM 读写文件。
    
  
  
• 选项 B：找更多服务器：在 MCP 官方组织的 Servers 仓库里能看到社区维护的服务器清单，包括 GitHub、SQLite、Jira 等。
  

本文以 filesystem 服务器为例演示。

三、核心实现流程与代码分析

1. 导入关键模块

1. from langchain.agents import AgentExecutor, create_tool_calling_agent
2. from langchain_core.messages import HumanMessage, SystemMessage
3. from langchain_core.prompts import ChatPromptTemplate
4. from langchain_openai import ChatOpenAI
5. # 最重要的：导入MCP工具相关的模块
6. from langchain.tools.mcp import create_mcp_tool, MCPClientSession, MCPServerParameters

复制代码

2. 创建 MCP 客户端会话并设置服务器

这一步是告诉 LangChain 怎么启动并连接你选中的 MCP 服务器：

1. # 定义服务器参数，指定如何启动服务器进程
2. server_params = MCPServerParameters(
3.     # 命令名，即你在步骤一中安装的 filesystem 服务器命令
4.     command="filesystem",
5.     # 可选：传递给服务器的参数，例如指定当前工作目录
6.     args=["--directory", "/tmp/mcp-demo"]
7. )
9. # 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
10. session = MCPClientSession(server_params=server_params)

复制代码

3. 从会话中创建 LangChain 工具

这是最关键的一步。create_mcp_tool 会跟 MCP 服务器握手，拿到服务器提供的全部工具列表，再动态转换成 LangChain 智能体可以直接调用的 Tool 对象：

1. # 获取所有工具
2. tools = create_mcp_tool(session, name="mcp-filesystem-tools")
3. # 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。

复制代码

可以打印一下 tools，看看这个服务器到底提供了什么：

1. for tool in tools:
2.     print(f"工具名: {tool.name}")
3.     print(f"描述: {tool.description}")
4.     print("---")

复制代码

对 filesystem 服务器来说，你大概会看到 read_file、write_file、list_directory 这些工具。

4. 构建智能体（Agent）并执行

现在这些 MCP 工具和普通 LangChain Tool 已经没什么区别了，可以像用别的工具一样把它们组装进智能体：

1. # 1. 初始化LLM
2. llm = ChatOpenAI(model="gpt-4o", temperature=0)
4. # 2. 创建Prompt模板，指引智能体使用工具
5. prompt = ChatPromptTemplate.from_messages([
6.     ("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。"),
7.     ("placeholder", "{chat_history}"),
8.     ("human", "{input}"),
9.     ("placeholder", "{agent_scratchpad}"),
10. ])
12. # 3. 构建智能体
13. agent = create_tool_calling_agent(llm=llm, tools=tools, prompt=prompt)
15. # 4. 创建智能体执行器
16. agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
18. # 5. 执行一个任务！
19. asyncdef main():
20.     asyncwith session: # 确保使用异步上下文管理器来管理MCP会话
21.         result = await agent_executor.ainvoke({
22.             "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!'"
23.         })
24.         print(result["output"])
26. # 运行异步主函数
27. import asyncio
28. asyncio.run(main())

复制代码

四、跑起来之后，背后发生了什么

运行时 LangChain 和 MCP 服务器之间会走这样一轮交互：

• 启动服务器：LangChain 按 MCPServerParameters 的设置，作为父进程启动 filesystem 服务器子进程。
  
• 初始化握手：客户端与服务器通过 stdio 交换初始化信息，客户端拿到服务器提供的工具列表和它的模式（Schema）（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，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 通过 MCP 协议把请求发给服务器进程
    
  • filesystem 服务器收到请求，在执行层完成真正的"写文件"
    
  • 服务器把结果（成功或失败信息）通过 MCP 协议返回给 LangChain
    
  • LangChain 把结果回给 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 内部是怎么实现的，它只负责按 MCP 协议转发。这种关注点分离的设计把可维护性和扩展性都拉高了。

五、总结与下一步

借 MCP 协议，LangChain 智能体拿到了一种标准化、模块化的方式扩展能力：开发者不再被有限的内置工具绑住，可以"即插即用"任何遵循 MCP 的工具服务器，从操作本地文件到管云上资源，几乎都能覆盖。

下一步可以试试：

• 多逛几个 MCP 服务器，比如 sqlite（操作数据库）、github（管理 PR、Issue）。
  
• 试着用Socket模式连接服务器而不是 Stdio 模式，后者更适合生产环境把服务器当独立服务部署的场景。
  
• 盯一下 MCP 协议的迭代速度，它正在成为连接 LLM 和外部工具生态的重要桥梁。
  

通过上面这套流程，希望你已经掌握了把 MCP 能力接进 LangChain 智能体的路子，可以动手去做更顺手的 AI 应用了。

测试开发全景图：人工智能测试、智能驱动、自动化、测试开发、左移右移与DevOps的连续交付

编辑提示：本地先跑通 stdio 模式再换 Socket，注意 demo 目录 /tmp/mcp-demo 要给进程读写的权限，否则 write_file 会在第一次调用就失败。