大模型开发框架LangChain之集成MCP工具
1.前言
今年以来 mcp实在太火了，有个比喻挺贴切的，当大模型有了 mcp就相当于有了手和脚，真正可以替用户干活了。甚至，有预言 mcp会是未来专属大模型的 app。
故接函数调用后，接着用 langchain实现 mcp调用，环境信息如下：
python-3.13、langchain-0.3.26
2.创建MCP Server
通过对比，最终选取比较轻量化的框架 fastmcp来构建 mcp server。
requirements.txt内容如下：
fastmcp==2.8.0
首先，创建 mcp实例，并定义工具函数：
mcp = FastMCP("MCP-Server-Demo", port=9698)@mcp.tool()
def get_weather(location: str):"""获取指定城市的天气信息"""return f"{location} 的天气是晴天，22°C"@mcp.tool()
def get_time(location: str):"""获取指定城市的时间"""return f"{location} 的当前时间是 9:00 PM"
@mcp.tool()注解会把普通 python函数包装成一个 mcp工具。
mcp server常见的通讯方式有三种：stdio, streamable-http, sse。这里选择以 sse的方式启动：
if __name__ == "__main__":# 使用SSE传输方式启动服务器mcp.run(transport="sse", host="0.0.0.0")
3.创建MCP 客户端
另外新建一个使用 langchain的项目。
requirements.txt内容如下：
requests==2.32.4
langchain==0.3.26
openai==1.93.0
langchain-community==0.3.26
langchain-openai==0.3.27
langgraph==0.5.0
langchain-mcp-adapters==0.1.7
在 langchain里面创建 mcp客户端比较简单，把第 2步的 mcp地址填一下：
mcp_client = MultiServerMCPClient({"task": {"url": "http://127.0.0.1:9698/sse","transport": "sse",}}
)
最后，定义获取 mcp服务端工具列表的方法：
async def get_mcp_tools():return await mcp_client.get_tools()mcp_tools = asyncio.run(get_mcp_tools())
get_tools是一个异步函数，可以获取在第2步中使用 @mcp.tool()定义的函数，并获取函数的注释作为工具的的描述信息。比如 get_weather: 获取指定城市的天气信息，模型就会根据这个描述信息来选择适合用户问题的工具。
4.构建Agent
首先，初始化大模型：
llm_cfg = {"base_url": "https://api.siliconflow.cn/v1","api_key": "sk-xx",
}model = init_chat_model(model="Qwen/Qwen2.5-72B-Instruct", model_provider="openai", **llm_cfg
)
这里的模型只要兼容 openai协议即可。
其次，编写 system prompt，这个很有必要，可以给模型划定行业、确定领域、执行步骤和回答格式等，如下：
SYS_PROMPT = """你是一个气象领域的专家，擅长分析城市天气，并给予出行建议。
分析思路：1.先分析用户的问题，获取城市信息2.根据用户问题选择要调用的工具
回答格式如下：1.输出要调用的工具2.根据工具调用情况总结，并回复用户
"""
然后，构建 agent执行器：
memory = MemorySaver()agent_executor = create_react_agent(model, mcp_tools, prompt=SYS_PROMPT, checkpointer=memory
)
最后，执行 agent：
config = {"configurable": {"thread_id": "abc123"}}input_message = {"role": "user","content": "成都的天气怎么样，现在几点了",
}async def main():async for step, metadata in agent_executor.astream({"messages": [input_message]}, config, stream_mode="messages"):if isinstance(step, ToolMessage):print("\n--------------------------------------------")print(f"Tool: {step.name}, result: {step.content}")print("--------------------------------------------")else:print(step.text(), end="", flush=True)if __name__ == "__main__":asyncio.run(main())
实现效果如下：
首先，需要查询天气查询工具获取成都的天气信息
Tool: get_weather, result: 成都的天气是晴天，22°C
其次，通过时间工具获取成都的时间
Tool: get_time, result: 成都的当前时间是 9:00 PM
成都现在是9:00 PM，天气是晴天，温度为22°C，适合外出，进行各项室外活动。
5.总结
mcp确实会是未来增强大模型能力的一种极佳选择，后续不同团队开发的服务预计会有两种形态，一种是给传统应用提供的 restful服务，另外一种则是给 agent进行调用的 mcp服务。另外，项目落地过程中，system prompt会对工具调用的准确性和稳定性具有决定性作用，要特别关注。还有，就是 agent这种方式会进行多轮调用，每轮还会带上之前的内容，对 token的消耗速度堪称恐怖。