核心内容:
- LangChain MCP 适配器是一个轻量级的适配器，用于将 Anthropic Model Context Protocol (MCP) 工具与 LangChain 和 LangGraph 兼容。
- 适配器可以将 MCP 工具转换为 LangChain 工具，使其可以与 LangGraph 代理一起使用，并允许连接到多个 MCP 服务器并加载工具。
- 通过示例展示了如何使用该库创建一个简单的 MCP 服务器和客户端，以及如何在 LangGraph API 服务器中使用 MCP 工具。
LangChain MCP 适配器这个库提供了一个轻量级的适配器，使得 Anthropic Model Context Protocol (MCP) 工具与 LangChain 和 LangGraph 兼容。
特性
安装
1
|
pip install langchain-mcp-adapters
|
如果使用的是 uv 包管理器，可以使用以下命令安装：
1
|
uv add langchain-mcp-adapters langgraph langchain-openai
|
快速开始
下面我们来使用这个库来创建一个简单的示例。
首先，我们需要设置你的 OpenAI API 密钥：
1
2
3
|
export OPENAI_API_KEY=<your_api_key>
# 如果需要使用代理，可以设置这个变量
export OPENAI_API_BASE=<your_api_base>
|
服务端
比如让我们创建一个可以添加和乘以数字的 MCP 服务器，代码如下所示：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
# math_server.py
from fastmcp import FastMCP
mcp = FastMCP("Math Server")
@mcp.tool()
def add(a: int, b: int) -> int:
"""Add two integers"""
return a + b
@mcp.tool()
def mul(a: int, b: int) -> int:
"""Multiply two integers"""
return a * b
if __name__ == "__main__":
mcp.run(transport="stdio")
|
客户端
接下来，让我们创建一个客户端，使用 MCP 工具与 LangGraph 智能体一起工作。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
|
# client_demo.py
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
import asyncio
from langchain_mcp_adapters.tools import load_mcp_tools
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-4o")
server_params = StdioServerParameters(
command="python",
# 确保更新到 math_server.py 的完整绝对路径
args=["/your/path/to/math_server.py"],
)
async def main():
async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:
# 初始化连接
await session.initialize()
# 获取工具
tools = await load_mcp_tools(session)
print(f"tools: {tools}")
# 创建并运行代理
agent = create_react_agent(model, tools)
agent_response = await agent.ainvoke({"messages": "what's (3 + 5) x 12?"})
# 输出所有消息
print("All messages:")
for message in agent_response["messages"]:
print(f"Message type: {type(message).__name__}")
print(f"Message content: {message.content}")
if hasattr(message, 'tool_calls') and message.tool_calls:
print(f"Tool calls: {message.tool_calls}")
if hasattr(message, 'name') and message.name:
print(f"Tool name: {message.name}")
if hasattr(message, 'tool_call_id') and message.tool_call_id:
print(f"Tool call id: {message.tool_call_id}")
print("-" * 50)
if __name__ == "__main__":
asyncio.run(main())
|
在上面代码中，我们通过 langchain_mcp_adapters.tools 模块中的 load_mcp_tools 函数来加载 MCP 工具，这个会自动将 MCP 工具转换为 LangChain 工具。所以后面我们直接用 create_react_agent 就可以直接来创建一个智能体，并传入这些工具即可使用了。
我们就可以直接运行这个 MCP 客户端，你会看到类似如下的输出：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
|
$ python3 client_demo.py
[04/14/25 10:18:04] INFO Processing request of type ListToolsRequest server.py:534
tools: [StructuredTool(name='add', description='Add two integers', args_schema={'properties': {'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}, 'required': ['a', 'b'], 'title': 'addArguments', 'type': 'object'}, response_format='content_and_artifact', coroutine=<function convert_mcp_tool_to_langchain_tool.<locals>.call_tool at 0x11244aac0>), StructuredTool(name='mul', description='Multiply two integers', args_schema={'properties': {'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}, 'required': ['a', 'b'], 'title': 'mulArguments', 'type': 'object'}, response_format='content_and_artifact', coroutine=<function convert_mcp_tool_to_langchain_tool.<locals>.call_tool at 0x11244aca0>)]
[04/14/25 10:18:09] INFO Processing request of type CallToolRequest server.py:534
INFO Processing request of type CallToolRequest server.py:534
All messages:
Message type: HumanMessage
Message content: what's (3 + 5) x 12?
--------------------------------------------------
Message type: AIMessage
Message content:
Tool calls: [{'name': 'add', 'args': {'a': 3, 'b': 5}, 'id': 'call_0_c350e878-14fc-4b76-9f54-8e2ad7ec0148', 'type': 'tool_call'}, {'name': 'mul', 'args': {'a': 8, 'b': 12}, 'id': 'call_1_c0d807fb-31c8-43ed-9f7c-d4775e30a256', 'type': 'tool_call'}]
--------------------------------------------------
Message type: ToolMessage
Message content: 8
Tool name: add
Tool call id: call_0_c350e878-14fc-4b76-9f54-8e2ad7ec0148
--------------------------------------------------
Message type: ToolMessage
Message content: 96
Tool name: mul
Tool call id: call_1_c0d807fb-31c8-43ed-9f7c-d4775e30a256
--------------------------------------------------
Message type: AIMessage
Message content: The result of \((3 + 5) \times 12\) is \(96\).
--------------------------------------------------
|
从最后输出也可以看到，我们的智能体成功地调用了 MCP 工具，并得到了正确的结果。
多个 MCP 服务器
同样这个 MCP 适配器还允许你连接到多个 MCP 服务器并从它们加载工具。
服务端
在上面我们已经创建了一个 MCP 服务器，接着我们再创建一个 weather_server.py 的 MCP 服务器，代码如下所示：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
# weather_server.py
from mcp.server.fastmcp import FastMCP
mcp = FastMCP("Weather")
@mcp.tool()
async def get_weather(location: str) -> str:
"""Get weather for location."""
# mock 一个天气数据
return f"It's always sunny in {location}"
if __name__ == "__main__":
mcp.run(transport="sse")
|
这里我们使用 sse 传输协议，接着我们运行这个 MCP 服务器：
1
2
3
4
5
|
$python weather_server.py
INFO: Started server process [64550]
INFO: Waiting for application startup.
INFO: Application startup complete.
INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)
|
客户端
然后我们再创建一个 client_demo_multi_server.py 的客户端，代码如下所示：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
|
# client_demo_multi_server.py
from langchain_mcp_adapters.client import MultiServerMCPClient
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
import asyncio
model = ChatOpenAI(model="deepseek-chat")
async def main():
async with MultiServerMCPClient(
{
"math": {
"command": "python",
# 确保更新到 math_server.py 的完整绝对路径
"args": ["/your/path/to/math_server.py"],
"transport": "stdio",
},
"weather": {
# 确保你从 weather_server.py 开始
"url": "http://localhost:8000/sse",
"transport": "sse",
}
}
) as client:
agent = create_react_agent(model, client.get_tools())
math_response = await agent.ainvoke({"messages": "what's (3 + 5) x 12?"})
weather_response = await agent.ainvoke({"messages": "what is the weather in chengdu?"})
for message in math_response["messages"]:
print(f"Math Message type: {type(message).__name__}")
print(f"Math Message content: {message.content}")
if hasattr(message, 'tool_calls') and message.tool_calls:
print(f"Math Tool calls: {message.tool_calls}")
if hasattr(message, 'name') and message.name:
print(f"Math Tool name: {message.name}")
if hasattr(message, 'tool_call_id') and message.tool_call_id:
print(f"Math Tool call id: {message.tool_call_id}")
print("-" * 50)
print("*" * 50)
for message in weather_response["messages"]:
print(f"Weather Message type: {type(message).__name__}")
print(f"Weather Message content: {message.content}")
if hasattr(message, 'tool_calls') and message.tool_calls:
print(f"Weather Tool calls: {message.tool_calls}")
if hasattr(message, 'name') and message.name:
print(f"Weather Tool name: {message.name}")
if hasattr(message, 'tool_call_id') and message.tool_call_id:
print(f"Weather Tool call id: {message.tool_call_id}")
print("-" * 50)
if __name__ == "__main__":
asyncio.run(main())
|
在上面代码中通过 MCP 适配器的 MultiServerMCPClient 类传入了两个不同的 MCP 服务器，它允许你连接到多个 MCP 服务器并从它们加载工具，接着我们运行这个客户端，你会看到类似如下的输出：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
|
$python3 client_demo_multi_server.py
[04/14/25 10:32:45] INFO Processing request of type ListToolsRequest server.py:534
[04/14/25 10:32:52] INFO Processing request of type CallToolRequest server.py:534
INFO Processing request of type CallToolRequest server.py:534
Math Message type: HumanMessage
Math Message content: what's (3 + 5) x 12?
--------------------------------------------------
Math Message type: AIMessage
Math Message content:
Math Tool calls: [{'name': 'add', 'args': {'a': 3, 'b': 5}, 'id': 'call_0_e6994441-0520-4840-a711-552f78f82e57', 'type': 'tool_call'}, {'name': 'mul', 'args': {'a': 12, 'b': 8}, 'id': 'call_1_d7e9a0d9-ba99-4f07-b583-6f554ee6fecc', 'type': 'tool_call'}]
--------------------------------------------------
Math Message type: ToolMessage
Math Message content: 8
Math Tool name: add
Math Tool call id: call_0_e6994441-0520-4840-a711-552f78f82e57
--------------------------------------------------
Math Message type: ToolMessage
Math Message content: 96
Math Tool name: mul
Math Tool call id: call_1_d7e9a0d9-ba99-4f07-b583-6f554ee6fecc
--------------------------------------------------
Math Message type: AIMessage
Math Message content: The result of \((3 + 5) \times 12\) is \(96\).
--------------------------------------------------
**************************************************
Weather Message type: HumanMessage
Weather Message content: what is the weather in chengdu?
--------------------------------------------------
Weather Message type: AIMessage
Weather Message content:
Weather Tool calls: [{'name': 'get_weather', 'args': {'location': 'chengdu'}, 'id': 'call_0_dbabcd6c-39a6-4d39-8509-8763e7792f77', 'type': 'tool_call'}]
--------------------------------------------------
Weather Message type: ToolMessage
Weather Message content: It's always sunny in chengdu
Weather Tool name: get_weather
Weather Tool call id: call_0_dbabcd6c-39a6-4d39-8509-8763e7792f77
--------------------------------------------------
Weather Message type: AIMessage
Weather Message content: The weather in Chengdu is
|
从上面输出可以看到，我们的智能体成功地调用了两个不同的 MCP 服务器，并得到了正确的结果。
在 LangGraph API 服务器中使用
[!TIP]
查看 这个指南 开始使用 LangGraph API 服务器。
同样如果你想在 LangGraph API 服务器中运行一个使用 MCP 工具的 LangGraph 智能体，可以使用以下设置：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
# graph.py
from contextlib import asynccontextmanager
from langchain_mcp_adapters.client import MultiServerMCPClient
from langgraph.prebuilt import create_react_agent
from langchain_anthropic import ChatAnthropic
model = ChatAnthropic(model="claude-3-5-sonnet-latest")
@asynccontextmanager
async def make_graph():
async with MultiServerMCPClient(
{
"math": {
"command": "python",
# 确保更新到 math_server.py 的完整绝对路径
"args": ["/path/to/math_server.py"],
"transport": "stdio",
},
"weather": {
# 确保你从 weather_server.py 开始
"url": "http://localhost:8000/sse",
"transport": "sse",
}
}
) as client:
agent = create_react_agent(model, client.get_tools())
yield agent
|
记住要在你的 langgraph.json 中，确保指定 make_graph 作为你的图表入口点：
1
2
3
4
5
6
|
{
"dependencies": ["."],
"graphs": {
"agent": "./graph.py:make_graph"
}
}
|
总结
LangChain MCP 适配器是一个用于 MCP 工具与 LangChain 和 LangGraph 兼容的轻量级适配器。它允许你连接到多个 MCP 服务器并从它们加载工具，并使用这些工具与 LangGraph 智能体一起工作，从而实现更复杂的任务。这也大大降低了在 LangChain 和 LangGraph 中使用 MCP 工具的门槛，让你可以更方便地使用 MCP 工具。
参考资料