张高兴的大模型开发实战：（六）在 LangGraph 中使用 MCP 协议

目录

• 什么是 MCP 协议
  
• MCP 协议与 API 调用的区别
  
• MCP 协议的连接方式
  
  
  
  • SSE（Server-Sent Events）
    
  • stdio（标准输入输出）
    
  
  
• 在 LangGraph 中使用 MCP 协议
  

什么是 MCP 协议

MCP（Model Context Protocol，模型上下文协议）是一种专为大语言模型设计的开源通信协议，使用 MCP 可以标准化模型与外部数据源、工具或服务之间的交互。也就是说通过 MCP 协议，可以使模型具备调用外部工具的能力，比如获取数据、执行外部操作等。
MCP 协议与 API 调用的区别

到这里，可能不少同学会有疑问，MCP 协议听起来和 API 调用差不多，就算不使用 MCP 协议，也可以通过 API 调用来实现模型与外部数据源、工具或服务之间的交互。MCP 协议的意义在于为不同的 API 创建了一个通用标准，就像 USB-C 让不同设备能够通过相同的接口连接一样。

与 API 调用相比，MCP 协议具有一些特性：

• 上下文感知与会话状态管理：MCP 协议允许模型在多个请求之间保持上下文感知和会话状态管理。这意味着模型可以记住之前的对话历史、用户偏好和其他相关信息，从而提供更个性化和上下文相关的响应。API 调用通常是无状态的，每个请求都是独立的，模型无法记住之前的对话历史或上下文信息。例如，用户问“我的快递到哪了？”，MCP 会自动关联历史订单信息并返回物流状态，无需用户重复提供订单号。而 API 调用需要手动提供订单号才能查询物流状态。
  
• 双向实时通信：MCP 协议支持双向实时通信，允许模型和外部服务之间进行实时交互。这使得模型能够在需要时主动请求信息或执行操作，而不仅仅是被动响应请求。API 调用通常是单向的，模型只能在接收到请求时进行响应。例如，MCP 服务在处理复杂任务时，可主动反馈中间结果（如“正在查询数据库，请稍候”）。
  
• 动态工具发现与集成：MCP 协议允许模型动态发现和集成新的工具或服务，而无需修改代码或重新部署。这使得模型能够灵活地适应新的需求和环境。API 调用通常是静态的，模型只能使用预先定义的 API 接口。例如，用户问“帮我订机票”，MCP 会自动识别可用的航班查询工具和支付接口，无需提前配置。而 API 调用需要单独开发调用机票查询和支付的接口。
  

MCP 协议的连接方式

MCP 协议通常使用两种方式建立连接。
SSE（Server-Sent Events）

SSE 是一种基于 HTTP 的通信协议，它使用单向连接，从 MCP 服务端到客户端发送数据流。SSE 适用于需要实时更新的场景，例如聊天应用、股票行情等。在通过 SSE 连接时，你会用到类似 http://localhost:8001/sse 的 URL 地址，因此 SSE 连接更像传统的网络 API 调用。
stdio（标准输入输出）

stdio 通过标准输入输出流进行通信，通常 MCP 服务端是运行在本地的，适用于本地开发和调试。
在 LangGraph 中使用 MCP 协议

下面通过一个最简单的实例来演示如何在 LangGraph 中使用 MCP 协议。项目文件结构如下：

1. .
2. ├── mcp_servers  # MCP 服务器
3. │   ├── math.py     # 数学计算
4. │   └── weather.py  # 天气查询
5. └── main.py      # 主程序

复制代码

首先安装所需要的包。

1. pip install langchain-mcp-adapters mcp

复制代码

然后在 mcp_servers 目录下创建两个 MCP 服务。math.py 使用 stdio 连接，实现了加法和乘法运算，用于解决数学计算问题。weather.py 使用 SSE 连接，实现了天气和时间查询功能。
math.py 代码如下：

1. from mcp.server.fastmcp import FastMCP
3. mcp = FastMCP("Math")
5. @mcp.tool()
6. def add(a: int, b: int) -> int:
7.     return a + b
9. @mcp.tool()
10. def multiply(a: int, b: int) -> int:
11.     return a * b
13. if __name__ == "__main__":
14.     mcp.run(transport="stdio")

复制代码

weather.py 代码如下：

1. from datetime import datetime
2. from mcp.server.fastmcp import FastMCP
4. mcp = FastMCP("Weather", port=8001)
6. @mcp.tool()
7. def get_weather(location: str) -> str:
8.     return "晴天"
10. @mcp.tool()
11. def get_time() -> str:
12.     return datetime.now().strftime('%Y-%m-%d %H:%M:%S')
14. if __name__ == "__main__":
15.     mcp.run(transport="sse")

复制代码

接着在 main.py 中引用相关的包。

1. import asyncio
2. from contextlib import asynccontextmanager
3. from typing import Annotated, TypedDict
5. from langchain.prompts import ChatPromptTemplate
6. from langchain_mcp_adapters.client import MultiServerMCPClient
7. from langgraph.graph import END, START, StateGraph
8. from langgraph.graph.message import add_messages
9. from langgraph.prebuilt import ToolNode, tools_condition
10. from langchain_ollama import ChatOllama

复制代码

编写 load_mcp_tools() 方法，将 MCP 服务转换成 LangChain 中的工具（langchain_core.tools）。

1. @asynccontextmanager
2. async def load_mcp_tools():
3.     """加载 MCP 工具"""
4.     async with MultiServerMCPClient(
5.         {
6.             "math": {
7.                 "command": "python",
8.                 "args": ["mcp_servers/math.py"],
9.                 "transport": "stdio",
10.             },
11.             "weather": {
12.                 "url": f"http://localhost:8001/sse",
13.                 "transport": "sse",
14.             }
15.         }
16.     ) as client:
17.         yield client.get_tools()

复制代码

加载模型、设置提示词以及定义 LangGraph 图的状态。

1. model = ChatOllama(model="qwen2.5:7b")
2. prompt = ChatPromptTemplate.from_template("You are an assistant for question-answering tasks. If necessary, external tools can also be called to answer. If you don't know the answer, just say that you don't know. Answer in Chinese.\n\nQuestion: {question}")
4. class State(TypedDict):
5.     messages: Annotated[list, add_messages]

复制代码

编写 create_graph() 方法，创建一个最简单的图，仅包含一个对话节点和一个工具节点。在 LangGraph 中调用工具，需要将工具转换成工具节点 ToolNode，工具节点会自动处理工具的调用和结果的返回。

1. @asynccontextmanager
2. async def create_graph():
3.     """创建图"""
4.     def agent(state: State):
5.         messages = state["messages"]
6.         state["messages"] = llm_with_tool.invoke(messages)
7.         return state
9.     async with load_mcp_tools() as tools:   # 获取 MCP 工具
10.         print(f"可用的 MCP 工具：{[tool.name for tool in tools]}")
11.         llm_with_tool = prompt | model.bind_tools(tools)    # 绑定工具并创建模型调用链
13.         graph_builder = StateGraph(State)
14.         graph_builder.add_node(agent)
15.         # 添加工具节点
16.         graph_builder.add_node("tool", ToolNode(tools))
17.         graph_builder.add_edge(START, "agent")
18.         graph_builder.add_conditional_edges(
19.             "agent",
20.             tools_condition,    # LangGraph 中预定义的方法，用于判断是否需要调用工具
21.             {
22.                 "tools": "tool",
23.                 END: END,
24.             },
25.         )
26.         graph_builder.add_edge("tool", "agent")
28.         yield graph_builder.compile()

复制代码

最后编写主程序，运行观察一下结果。

1. async def main():
2.     async with create_graph() as graph:
3.         result = await graph.ainvoke({"messages": "徐州天气怎么样"})
4.         print(result["messages"][-1].content)
5.         result = await graph.ainvoke({"messages": "现在几点了"})
6.         print(result["messages"][-1].content)
7.         result = await graph.ainvoke({"messages": "(3+5)x12等于多少"})
8.         print(result["messages"][-1].content)
10. if __name__ == "__main__":
11.     asyncio.run(main())

复制代码

可以看到输出结果如下：

1. 可用的 MCP 工具：['add', 'multiply', 'get_weather', 'get_time']
2. 徐州现在的天气是晴天。
3. 现在的时刻是17:22:15。
4. (3+5)×12等于96。

复制代码

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！