MCP协议，让大模型自己调用工具

在AI应用开发中我们经常需要让大模型与外部工具和数据源交互。过去每个开发者都在用自己的方式解决这个问题导致代码难以复用、维护成本高昂。MCPModel Context Protocol模型上下文协议的出现正是为了统一这种交互方式。MCP是一个开源协议它标准化了大语言模型与外部工具、数据源之间的通信方式。简单来说它就像是大模型世界的“USB接口”——不管你要连接什么工具只要遵循这个协议就能即插即用。从架构上看MCP采用了经典的客户端-服务器模式底层基于JSON-RPC 2.0协议进行通信。目前它支持两种主流传输方式Stdio适合本地进程间的通信而Streamable HTTP则更适合远程网络场景。值得一提的是MCP曾经支持过SSEServer-Sent Events传输方式但由于其双端点架构过于复杂且与云原生无服务器环境兼容性不佳官方已经将其弃用。动画视频在《29. MCP协议让大模型自己调用工具》。那么MCP的实际工作流程是怎样的呢举个例子当你问“北京天气怎么样”时大模型会先分析你的意图然后决定调用get_weather这个工具。但这里有个关键点大模型本身并不能直接调用工具。实际的过程是AI应用会拦截这个调用请求通过MCP客户端将它转发给对应的服务器端。服务器端执行真正的天气查询操作把结果返回给客户端客户端再将结果注入回对话中。最后大模型基于这些真实数据生成一段自然语言回答给你。整个过程对用户来说是透明的你感受到的只是一个流畅的问答体验。理解了原理接下来我们动手实现一个完整的MCP应用。首先我们需要安装两个关键包 fastmcp 和 langchain-mcp-adapters 。FastMCP 是一个用于快速构建 MCP 服务器的框架而 langchain-mcp-adapters 则让 LangChain 能够连接和使用 MCP 工具。pip install fastmcp langchain-mcp-adapters首先我们需要安装两个关键包fastmcp和langchain-mcp-adapters。前者是一个用于快速构建MCP服务器的框架后者则让LangChain能够连接和使用MCP工具。服务器端的代码相对简单。我们创建了一个FastMCP实例命名为“天气服务”。通过mcp.tool()装饰器将get_weather函数注册为一个MCP工具。这个工具接收城市名称作为参数返回对应的天气信息。最后我们使用streamable-http传输协议启动服务监听本地的8000端口。当然如果你的场景是本地进程间通信也可以切换到stdio模式。FastMCP 天气服务 from fastmcp import FastMCP mcp FastMCP(天气服务) mcp.tool() def get_weather(city: str) - str: 获取指定城市的天气信息 Args: city: 城市名称如 北京、上海、广州 # 模拟天气数据 weather_data { 北京: 晴天气温 25°C湿度 40%, 上海: 多云气温 28°C湿度 65%, 广州: 小雨气温 30°C湿度 80%, 深圳: 阴天气温 29°C湿度 75%, } if city in weather_data: return f{city}天气{weather_data[city]} else: return f{city}天气晴气温 22°C湿度 50% mcp.run(transportstreamable-http, host127.0.0.1, port8000) # mcp.run(transportstdio)接下来是客户端部分这也是整个实现的重点。我们导入MultiServerMCPClient这是langchain-mcp-adapters提供的核心类专门用于连接MCP服务器。在main函数中我们创建客户端实例配置一个名为“weather”的服务器指定它的URL和传输协议。如果你使用的是stdio模式则需要指定启动命令和参数。关键的一步在于调用await client.get_tools()。这个方法会自动发现服务器上所有可用的MCP工具并将它们转换为LangChain可以识别和使用的工具格式。这一步省去了手动定义工具schema的麻烦大大简化了开发流程。随后我们将这些MCP工具和其他自定义工具一起传递给create_agent。这样一来Agent就具备了调用MCP工具的能力。当我们再次询问“北京天气怎么样”时Agent会自动识别需要使用MCP工具向服务器发送请求获取天气数据并生成最终回答。最后通过asyncio.run(main())启动整个异步流程一个完整的MCP应用就跑起来了。回过头来看MCP的价值不仅在于技术层面的标准化更在于它降低了AI应用与外部世界交互的门槛。过去需要大量胶水代码才能实现的功能现在只需要遵循协议、注册工具就能轻松搞定。随着生态的不断完善MCP有望成为AI应用开发的基础设施之一。LangChain MCP 客户端 - 连接 FastMCP 天气服务 import os import asyncio from dotenv import load_dotenv from langchain.agents import create_agent from langchain.chat_models import init_chat_model from langchain_core.tools import tool, BaseTool from langchain_community.tools import WriteFileTool, ReadFileTool, ListDirectoryTool from langchain_mcp_adapters.client import MultiServerMCPClient load_dotenv() prefix QWEN model init_chat_model( model_provideropenai, configurable_fields[model, api_key, base_url], config_prefixprefix ).with_config({ configurable: { f{prefix}_model: os.getenv(f{prefix}_MODEL), f{prefix}_api_key: os.getenv(f{prefix}_API_KEY), f{prefix}_base_url: os.getenv(f{prefix}_BASE_URL) } }) class CalculateTool(BaseTool): name: str calculate description: str 计算数学表达式的值 def _run(self, expression: str) - str: try: return f计算结果: {eval(expression)} except Exception as e: return f计算错误: {str(e)} async def _arun(self, expression: str) - str: return self._run(expression) async def main(): client MultiServerMCPClient( {weather: {url: http://127.0.0.1:8000/mcp, transport: streamable_http}} # stdio 模式 # {weather: {command: python, args: [mcp_weather_stdio.py]}} ) mcp_tools await client.get_tools() # 初始化工具 calculate CalculateTool() write_file WriteFileTool() read_file ReadFileTool() list_dir ListDirectoryTool() agent create_agent( modelmodel, tools[calculate, write_file, read_file, list_dir] mcp_tools, system_prompt你是一个助手会用工具计算、读写文件、列出目录、查询天气。, debugTrue ) queries [ 北京天气怎么样, 计算 2024*12500然后把结果保存到 result.txt, 读取 result.txt 的内容, ] for q in queries: print(f\n问{q}) result await agent.ainvoke({messages: [{role: user, content: q}]}) print(f答{result[messages][-1].content})