LangChain 中文文档

主题

进阶用法

模型上下文协议 (MCP)

模型上下文协议 (Model Context Protocol, MCP) 是一个开放协议，它标准化了应用程序如何向大语言模型 (LLMs) 提供工具和上下文。LangChain 智能体可以使用 langchain-mcp-adapters 库来使用 MCP 服务器上定义的工具。

快速开始 ​

安装 langchain-mcp-adapters 库：

bash
pip install langchain-mcp-adapters
bash
uv add langchain-mcp-adapters

langchain-mcp-adapters 使智能体能够使用一个或多个 MCP 服务器上定义的工具。

MultiServerMCPClient 默认是无状态的。每次工具调用都会创建一个新的 MCP ClientSession，执行工具，然后进行清理。更多详情请参阅有状态会话部分。

python
from langchain_mcp_adapters.client import MultiServerMCPClient  
from langchain.agents import create_agent

client = MultiServerMCPClient(  
    {
        "math": {
            "transport": "stdio",  # 本地子进程通信
            "command": "python",
            # 你的 math_server.py 文件的绝对路径
            "args": ["/path/to/math_server.py"],
        },
        "weather": {
            "transport": "http",  # 基于 HTTP 的远程服务器
            # 确保你的天气服务器在 8000 端口启动
            "url": "http://localhost:8000/mcp",
        }
    }
)

tools = await client.get_tools()  
agent = create_agent(
    "claude-sonnet-4-5-20250929",
    tools  
)
math_response = await agent.ainvoke(
    {"messages": [{"role": "user", "content": "what's (3 + 5) x 12?"}]}
)
weather_response = await agent.ainvoke(
    {"messages": [{"role": "user", "content": "what is the weather in nyc?"}]}
)

自定义服务器 ​

要创建自定义 MCP 服务器，请使用 FastMCP 库：

bash
pip install fastmcp
bash
uv add fastmcp

要使用 MCP 工具服务器测试你的智能体，请使用以下示例：

python
from fastmcp import FastMCP

mcp = FastMCP("Math")

@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b

@mcp.tool()
def multiply(a: int, b: int) -> int:
    """Multiply two numbers"""
    return a * b

if __name__ == "__main__":
    mcp.run(transport="stdio")
python
from fastmcp import FastMCP

mcp = FastMCP("Weather")

@mcp.tool()
async def get_weather(location: str) -> str:
    """Get weather for location."""
    return "It's always sunny in New York"

if __name__ == "__main__":
    mcp.run(transport="streamable-http")

传输方式 ​

MCP 支持不同的传输机制用于客户端-服务器通信。

HTTP ​

http 传输（也称为 streamable-http）使用 HTTP 请求进行客户端-服务器通信。更多详情请参阅 MCP HTTP 传输规范。

python
client = MultiServerMCPClient(
    {
        "weather": {
            "transport": "http",
            "url": "http://localhost:8000/mcp",
        }
    }
)

传递请求头 ​

通过 HTTP 连接到 MCP 服务器时，你可以使用连接配置中的 headers 字段包含自定义请求头（例如用于身份验证或追踪）。这适用于 sse（MCP 规范已弃用）和 streamable_http 传输。

Passing headers with MultiServerMCPClient
python
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain.agents import create_agent

client = MultiServerMCPClient(
    {
        "weather": {
            "transport": "http",
            "url": "http://localhost:8000/mcp",
            "headers": {  
                "Authorization": "Bearer YOUR_TOKEN",  
                "X-Custom-Header": "custom-value"
            },  
        }
    }
)
tools = await client.get_tools()
agent = create_agent("openai:gpt-4.1", tools)
response = await agent.ainvoke({"messages": "what is the weather in nyc?"})

身份验证 ​

langchain-mcp-adapters 库底层使用了官方的 MCP SDK，它允许你通过实现 httpx.Auth 接口来提供自定义的身份验证机制。

python
from langchain_mcp_adapters.client import MultiServerMCPClient

client = MultiServerMCPClient(
    {
        "weather": {
            "transport": "http",
            "url": "http://localhost:8000/mcp",
            "auth": auth, 
        }
    }
)

stdio ​

客户端将服务器作为子进程启动，并通过标准输入/输出进行通信。适用于本地工具和简单设置。

与 HTTP 传输不同，stdio 连接本质上是有状态的——子进程在客户端连接的整个生命周期内持续存在。然而，当使用没有显式会话管理的 MultiServerMCPClient 时，每次工具调用仍然会创建一个新会话。有关管理持久连接的信息，请参阅有状态会话。

python
client = MultiServerMCPClient(
    {
        "math": {
            "transport": "stdio",
            "command": "python",
            "args": ["/path/to/math_server.py"],
        }
    }
)

有状态会话 ​

默认情况下，MultiServerMCPClient 是无状态的——每次工具调用都会创建一个新的 MCP 会话，执行工具，然后进行清理。

如果你需要控制 MCP 会话的生命周期（例如，当使用一个有状态的服务器，该服务器在多个工具调用之间维护上下文时），你可以使用 client.session() 创建一个持久的 ClientSession。

Using MCP ClientSession for stateful tool usage
python
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain_mcp_adapters.tools import load_mcp_tools
from langchain.agents import create_agent

client = MultiServerMCPClient({...})

# 显式创建一个会话
async with client.session("server_name") as session:  
    # 将会话传递给加载工具、资源或提示
    tools = await load_mcp_tools(session)  
    agent = create_agent(
        "anthropic:claude-3-7-sonnet-latest",
        tools
    )

核心功能 ​

工具 ​

工具允许 MCP 服务器公开可执行的函数，LLMs 可以调用这些函数来执行操作——例如查询数据库、调用 API 或与外部系统交互。LangChain 将 MCP 工具转换为 LangChain 工具，使它们可以直接在任何 LangChain 智能体或工作流中使用。

加载工具 ​

使用 client.get_tools() 从 MCP 服务器检索工具，并将它们传递给你的智能体：

python
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain.agents import create_agent

client = MultiServerMCPClient({...})
tools = await client.get_tools()  
agent = create_agent("claude-sonnet-4-5-20250929", tools)

:::python

结构化内容 ​

MCP 工具除了人类可读的文本响应外，还可以返回结构化内容。当工具除了需要显示给模型的文本外，还需要返回机器可解析的数据（如 JSON）时，这很有用。

当 MCP 工具返回 structuredContent 时，适配器会将其包装在 MCPToolArtifact 中，并将其作为工具的工件返回。你可以通过 ToolMessage 上的 artifact 字段访问它。你也可以使用拦截器来自动处理或转换结构化内容。

从工件中提取结构化内容

调用智能体后，你可以从响应中的工具消息访问结构化内容：

python
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain.agents import create_agent
from langchain.messages import ToolMessage

client = MultiServerMCP

LangChain 中文文档

Copyright © 王码码