当前位置：首页 > news >正文

LangGraph MCP智能体开发

news 2025/9/4 9:07:07

文章目录

说明
LangGraph与MCP技术概述
- LangGraph接入外部工具技术实现方法
- - LangChain自定义外部工具函数
  - Langchain内置工具实现
  - 遵循MCP协议接入外部工具
- MCP核心技术概念
- - MCP CS架构模式
  - MCP离线、在线运行模式
  - 离线MCP工具托管平台
  - MCP在线托管服务
LangGraph技术概述
- LangGraph
- LangGraph三层API架构
- LangGraph搭建MCP服务端
- LangGraph搭建MCP客户端
- - 创建MCP配置文件
  - 修改.env配置文件和提示词模板
  - 创建client.py主函数文件
  - 运行和测试
LangGraph接入HTTP MCP智能体
- - **MCP 热门导航网站**

说明

本文学习赋范社区公开课程，仅供学习和交流使用，最终著作权属于九天老师及其团队！

LangGraph与MCP技术概述

LangGraph接入外部工具技术实现方法

LangChain自定义外部工具函数

接入外部函数工具在智能体开发中是至关重要的一环，在LangChain&LangGraph技术生态中，可以通过@tool装饰符来定义外部函数。

from langchain_core.tools import tool
from pydantic import BaseModel, Field
import os
import requests
import jsonclass WeatherQuery(BaseModel):loc: str = Field(description="The location name of the city")@tool(args_schema=WeatherQuery)
def get_weather(loc):"""查询即时天气函数:param loc: 必要参数，字符串类型，用于表示查询天气的具体城市名，注意，中国的城市需要用对应城市的英文名称代替，例如如果需要查询北京市天气，则loc参数需要输入'Beijing'；:return: OpenWeather API查询即时天气的结果，具体URL请求地址为：https://api.openweathermap.org/data/2.5/weather返回结果对象类型为解析之后的JSON格式对象，并用字符串形式进行表示，其中包含了全部重要的天气信息"""# Step 1.构建请求url = "https://api.openweathermap.org/data/2.5/weather"# Step 2.设置查询参数params = {"q": loc,"appid": os.getenv("OPENWEATHER_API_KEY"),  # 输入API key"units": "metric",                         # 使用摄氏度而不是华氏度"lang": "zh_cn"                            # 输出语言为简体中文}# Step 3.发送GET请求response = requests.get(url, params=params)# Step 4.解析响应data = response.json()return json.dumps(data)

Langchain内置工具实现

LangChain具有丰富的、数以百计的内置工具，使用极少代码即可实现工具调用。
LangChain工具集

功能类别	工具名称	简要说明
🔍 搜索工具	TavilySearchResults	快速搜索实时网络信息
	SerpAPISearchWrapper	基于 SerpAPI 的搜索结果工具
	GoogleSearchAPIWrapper	调用 Google 可编程搜索引擎
🧮 计算工具	PythonREPLTool	执行 Python 表达式并返回结果
	LLMMathTool	结合 LLM 和数学推理能力
	wolframAlphaQueryRun	基于 Wolfram Alpha 的计算引擎
📊 数据工具	SQLDatabaseToolkit	构建 SQL 数据库查询工具集
	PandasDataFrameTool	用于在 Agent 中操作表格数据
🌐 网络/API	RequestsGetTool / RequestsPostTool	执行 HTTP 请求
	BrowserTool / PlaywrightBrowserToolkit	自动化网页浏览与抓取
📄 文件处理	ReadFileTool	读取本地文件内容
	WriteFileTool	写入文本到指定文件中
🔍 检索工具	FAISSRetriever	基于向量的文档检索工具
	ChromaRetriever	使用 ChromaDB 的检索器
	ContextualCompressionRetriever	上下文压缩检索器，适合长文档
🧠 LLM 工具	ChatOpenAI / OpenAIFunctionsTool	使用 OpenAI 模型作为工具调用
	ChatAnthropic	Anthropic Claude 模型封装工具
🔧 自定义工具	@tool 装饰器	任意函数可封装为 Agent 可调用工具
	Tool 类继承	自定义更复杂逻辑的工具实现

遵循MCP协议接入外部工具

MCP的全称是Model Context Protocol，模型上下文协议，由Claude母公司Anthropic于2024年11月正式提出。
MCP的技术核心目标是创建一种统一的大模型调用外部工具的通信规范，特定功能的外部函数只需一次开发，就可以被到处使用。
下面有一组图能够清晰的解释MCP工具在智能体开发过程中实际带来的提效作用。
MCP的技术生态可以划分为三层，最底层是协议层，也就是“文字版”的规定、规范，而为了普及这一规范，让更多的人更加快速的完成自己的MCP工具开发，Anthropic进一步的提供MCP开发工具，SDK，快速完成MCP工具开发。
MCP项目官网

在MCP技术架构中，MCP的SDK和MCP技术生态需要重点关注。MCP SDK已支持Python、TypeScript、Java、Kotlin和C#等编程语言进行客户端和服务器创建。借助这些库，仅需几行代码，即可快速构建一个MCP工具。

# server.py
from mcp.server.fastmcp import FastMCP# Create an MCP server
mcp = FastMCP("Demo")# Add an addition tool
@mcp.tool()
def add(a: int, b: int) -> int:"""Add two numbers"""return a + b# Add a dynamic greeting resource
@mcp.resource("greeting://{name}")
def get_greeting(name: str) -> str:"""Get a personalized greeting"""return f"Hello, {name}!"

如果我们并不需要开发MCP工具，而只想要借助现成的MCP工具快速完成智能体开发，那么就需要重点关注现在的MCP集成平台。
- MCP官方服务器合集
- MCP Github热门导航
- Smithery
- MCP导航
- 阿里云百炼
- 魔搭社区MCP广场
- mcp.run

MCP核心技术概念

MCP CS架构模式

MCP是一种围绕大模型外部函数工具创建的统一范式，因此MCP工具从诞生之初就是客户端（client）与服务器（server）分离的架构。服务器与客户端的技术概念可以借助MySQL这个通用的数据库软件进行理解，在MySQL中，服务器指的是数据库实际运行环境，例如公司内部的某个统一用于数据存储的物理机，而客户端，则指的是SQL编写和运行的环境，可以是比如数据分析师用的笔记本。每次要进行查数时，数据分析师就可以在自己的笔记本上运行MySQL WorkBench（一个SQL编程的IDE），然后借助MySQL客户端，给公司的MySQL服务器发送查数的请求。
MCP Server（服务器），指的是MCP工具运行的环境，而MCP Client（客户端），则指的是能够调用MCP工具、或者说给MCP工具发送请求并接受结果的环境。

MCP离线、在线运行模式

因为MCP采用服务器和客户端分离的架构，所以MCP支持两种调用方法（本地运行和在线运行）。本地运行（离线运行），MCP服务器和MCP客户端在同一台电脑上进行运行；其在线运行（异地部署运行），MCP服务器在远程服务器或者云端运行，借助HTTP网络通信来进行响应。对应着MCP工具调用的两种核心模式，分别是stdio（本地）模式调用和SSE&streamable HTTP（在线）模式调用。

特性	Stdio	SSE	Streamable HTTP
通信方向	双向（但仅限本地）	单向（服务器到客户端）	双向（适用于复杂交互）
使用场景	本地进程间通信	实时数据推送，浏览器支持	跨服务、分布式系统、大规模并发支持
支持并发连接数	低	中等	高（适合大规模并发）
适应性	局限于本地环境	支持浏览器，但单向通信	高灵活性，支持流式数据与请求批处理
实现难度	简单，适合本地调试	简单，但浏览器兼容性和长连接限制	复杂，需处理长连接和流管理
适合的业务类型	本地命令行工具，调试环境	实时推送，新闻、股票等实时更新	高并发、分布式系统，实时交互系统

三种传输方式
stdio传输：适合本地进程之间的简单通信，适合命令行工具或调试阶段，但不支持分布式。
SSE传输：适合实时推送和客户端/浏览器的单向通知，但无法满足双向复杂交互需求。
Streamable HTTP传输：最灵活、最强大的选项，适用于大规模并发、高度交互的分布式应用系统，虽然实现较复杂，但能够处理更复杂的场景。

离线MCP工具托管平台

是调用在线MCP服务，只能了解其功能，离线的MCP服务，MCP工具是完全开源的，在调用之前，开发者都需要将其源码先下载到本地，然后再运行。
npx安装的mcp工具托管在npmjs.com，uvx安装的mcp工具托管在pypi.org，，每次运行uvx命令，其本质就是将工具源码从pypi平台上下载到本地再来进行运行。

MCP在线托管服务

开发者可以直接使用SSE或者流式HTTP方式请求调用在线的MCP工具，从而快速完成开发工作。
国内主流MCP在线托管服务平台

蓝耘MCP广场：由蓝耘科技推出的集成化MCP服务平台，提供千余款热门MCP服务，覆盖知识管理、天气查询、安全审计等场景，支持云托管和本地部署，开发者可通过自然语言搜索快速匹配服务并生成SSE连接地址。
AIbase MCP集合平台：收录全球超12万项MCP服务，提供一站式资源整合，包含热门推荐、最近更新服务及开发效率工具，支持浏览器自动化、动态指纹伪装等高级功能，并配套详细教程和安全管理指南。
阿里云百炼MCP服务：业内首个全生命周期托管平台，支持预置服务（如高德地图、无影云电脑）和自定义服务部署，基于函数计算实现弹性资源调度，5分钟即可完成智能体搭建，兼容工作流调用。
魔搭MCP广场：中文社区最大MCP资源库，独家首发支付宝支付、MiniMax多模态生成等服务，提供MCPBench评估工具和实验场调试环境，支持云托管与第三方集成，已上线1500余种服务。
Smithery：标准化MCP托管枢纽，支持开发者快速集成外部数据源和工具，提供统一接口和灵活配置选项，加速Agent型AI开发，适用于智能客服、个性化推荐等场景。
MCPmarket.cn：专注云托管部署的"智能体App Store"，提供高德地图、Playwright网页抓取等即用型服务，支持SSE协议一键连接，即将推出Playground对话测试功能。
腾讯云AI开发套件：内置MCP插件协议和托管环境，提供天气查询、网页搜索等模板服务，开发者可自定义插件并免运维部署，支持小程序/H5多端接入。
七牛云Agent托管服务：新推出的MCP兼容平台，支持企业级服务托管和动态资源分配，具体功能尚在扩展中。[26]

LangGraph技术概述

LangGraph

LangGraph和LangChain同宗同源，底层架构完全相同、接口完全相通。从开发者角度来说，LangGraph也是使用LangChain底层API来接入各类大模型、LangGraph也完全兼容LangChain内置的一系列工具。换而言之，LangGraph的核心功能都是依托LangChain来完成。但是和LangChain的链式工作流哲学完全不同的是，LangGraph的基础哲学是构建图结构的工作流，并引入“状态”这一核心概念来描绘任务执行情况，从而拓展了LangChain LCEL链式语法的功能灵活程度。
LangGraph是基于LangChain进行的构建，无论图结构多复杂，单独每个任务执行链路仍然是现行的，其背后仍然是靠着LangChain的Chain来实现的。因此我们可以这么来描述LangChain和LangGraph之间的关系，LangGraph是LangChain工作流的高级编排工具，其中“高级”之处就是LangGraph能按照图结构来编排工作流。

LangGraph三层API架构

尽管图结构看起来比链式结构灵活很多，但在实际开发过程中，要创建一个图结构却绝非易事。要在代码环境中描述清楚一个图，至少需要清晰的说明图中有哪些节点，不同节点之间是什么关系（边如何连接），同时还需要设置各节点功能，然后才能测试上线，这个流程其实是非常复杂的。

# 1. 定义结构化状态模型 
class CalcState(BaseModel): x: int # 2. 定义节点函数，接收并返回 CalcState 
def addition(state: CalcState) -> CalcState: print(f"[addition] 初始状态: {state}") return CalcState(x=state.x + 1) def subtraction(state: CalcState) -> CalcState: print(f"[subtraction] 接收到状态: {state}") return CalcState(x=state.x - 2) # 3. 构建图 
builder = StateGraph(CalcState) builder.add_node("addition",  addition) 
builder.add_node("subtraction",  subtraction) builder.add_edge(START,  "addition") 
builder.add_edge("addition",  "subtraction") 
builder.add_edge("subtraction",  END) graph = builder.compile()  # 4. 执行图：传入结构化状态对象 
initial_state = CalcState(x=10) 
final_state = graph.invoke(initial_state)

不过这对于LangChain来说并不难解决。LangChain生态各框架的核心思路都是“既要有底层API来定义基础功能，同时也要有高层API来加快开发效率”，就好比LangChain中既有LCEL语法、同时也有Agent API一样，LangGraph也提供了基于图结构基础语法的高层API。LangGraph的高层API主要分为两层，其一是Agent API，用于将大模型、提示词模板、外部工具等关键元素快速封装为图中的一些节点，而更高一层的封装，则是进一步创建一些预构建的Agent、也就是预构建好的图，开发者只需要带入设置好要带入的工具和模型，三行代码就能借助这些预构建好的图，创建一个完整的Agent。

tools =[search_tool,python_inter,fig_inter]
model=ChatDeepSeek(model="deepseek-chat")
graph=create_react_agent(model=model,tools=tools)

依托LangChain完善的生态、拥有丰富稳定的API架构、以及便捷上手等特性，使得LangGraph成为目前超越LangChain的新一代Agent开发框架。

LangGraph搭建MCP服务端

创建项目

uv init mcp-get-weather
cd mcp-get-weather

创建、激活虚拟环境
```
uv venv
.venv\Scripts\activate
```

添加依赖

uv add mcp httpx dotenv langgraph langchain-deepseek langchain-mcp-adapters

编写MCP服务器

weather_server.py

import os
import json
import httpx
from typing import Any
from dotenv import load_dotenv
from fastmcp import FastMCP# 加载环境变量
load_dotenv(override=True)
API_KEY = os.getenv('OPENWEATHER_API_KEY')# 初始化mcp服务器
mcp=FastMCP("Weather Server")#OpenWeather API 配置
OPENWEATHER_API_BASE = "https://api.openweathermap.org/data/2.5/weather"USER_AGENT = "weather-app/1.0"async def fetch_weather(city: str) -> dict[str, Any]|None:"""获取天气信息:param city: 城市名称（需使用英文，如 Beijing）:return: 天气数据字典；若出错返回包含 error 信息的字典"""params={"q": city,"appid": API_KEY,"units": "metric","lang": "zh_cn"}headers={"User-Agent": USER_AGENT}async with httpx.AsyncClient() as client:response = await client.get(OPENWEATHER_API_BASE, params=params, headers=headers,timeout=1000)if response.status_code == 200:return response.json()else:print(f"Error fetching weather data: {response.status_code}, {response.text}")  # 增加日志输return Nonedef format_weather(data: dict[str,Any] | str)->str:"""解析天气数据字典，提取关键信息并格式化输出。功能：对可能缺失的嵌套数据字段进行容错处理，确保返回内容完整。参数：data: 天气API返回的原始数据字典返回：格式化后的天气信息字符串"""# 基础位置信息（城市、国家）- 缺失时显示"未知"city = data.get("name", "未知")  # 城市名称（顶层字段）country = data.get("sys", {}).get("country", "未知")  # 国家代码（嵌套在sys字段中）# 天气核心指标 - 缺失时显示"N/A"（Not Available）main_data = data.get("main", {})  # 提取main字段（包含温度、湿度等）temperature = main_data.get("temp", "N/A")  # 温度humidity = main_data.get("humidity", "N/A")  # 湿度wind_data = data.get("wind", {})  # 提取wind字段（包含风速等）wind_speed = wind_data.get("speed", "N/A")  # 风速# 天气描述 - weather字段可能为空列表，默认返回第一个元素的描述weather_list = data.get("weather", [{}])  # 提取weather数组（默认空字典避免索引错误）weather_description = weather_list[0].get("description", "未知")  # 天气状况描述# 格式化输出字符串（使用f-string拼接，添加emoji直观展示）weather_info = (f"🌍 {city}, {country}\n"f"🌡️ 温度：{temperature}℃\n"f"💧 湿度：{humidity}%\n"f"💨 风速：{wind_speed} m/s\n"f"☁️ 天气：{weather_description}\n")return weather_info@mcp.tool()
async def query_weather(city: str) -> str:"""查询天气信息并返回结果注意：当大模型调用此工具时，必须使用参数名 'city' 来传递城市名称。city 参数只支持英文城市名或中文城市的拼音形式，不支持中文城市名直接输入。Args:city (str): 要查询天气的城市名称，仅支持英文或中文拼音例如：Beijing, Shanghai, london, tokyoReturns:str: 格式化的天气信息字符串，包含温度、湿度、风速和天气描述等信息Example:query_weather(city="Beijing")query_weather(city="Shanghai")query_weather(city="london")"""weather_data = await fetch_weather(city)if weather_data:return format_weather(weather_data)else:return "无法获取天气信息。请检查城市名称是否正确，确保使用英文或拼音格式。"if __name__=="__main__":mcp.run(transport="streamable-http", host="0.0.0.0", port=8000, path="/mcp/get_weather")

write_server.py

import os
from datetime import datetime
from fastmcp  import FastMCP# 初始化 MCP 服务器
mcp = FastMCP("WriteServer")# 文件保存目录
OUTPUT_DIR = "./output"# 确保目录存在
os.makedirs(OUTPUT_DIR, exist_ok=True)@mcp.tool() 
async def write_file(content: str) -> str:"""将指定内容写入本地文件。:param content: 必要参数，字符串类型，用于表示需要写入文档的具体内容:return：字符串，表示是否成功写入"""# 创建带时间戳的文件名timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")file_name = f"note_{timestamp}.md"file_path = os.path.join(OUTPUT_DIR, file_name)try:with open(file_path, "w", encoding="utf-8") as file:file.write(content)return f"已成功写入本地文件{file_name}，内容长度：{len(content)} 字符"except Exception as e:return f"写入文件失败: {str(e)}"if __name__ == "__main__":# 以标准 I/O 方式运行 MCP 服务器mcp.run(transport="streamable-http", host="0.0.0.0", port=8001, path="/mcp/write_file")

运行和测试

uv run weather_server.py
uv run write_server.py
npx -y @modelcontextprotocol/inspector

在这里插入图片描述

LangGraph搭建MCP客户端

使用LangGraph接入MCP工具，核心需要使用langchain_mcp_adapters库，该库可以将MCP工具信息进行解析，并让LangGraph顺利识别。识别后即可像任意其他工具一样接入LangGraph中并搭建智能体。
LangGraph接入MCP 的核心原理为：weather_server.py → 启动为子进程 → 流式http通信 → MCP 协议→转化为langchain工具→LangGraph Agent执行读写，核心转换过程为：：

@mcp.tool() → 标准LangChain Tool
stdio_client() → 自动处理read/write 流，其中read表示从MCP服务器读取响应的流，write表示向MCP服务器发送请求的流，对于
stdio weather_server.py，他们就是子进程的stdout和stdin。
MultiServerMCPClient → 一键转换所有工具。

创建MCP配置文件

为实现一个标准的MCP调用流程、即通过配置文件灵活说明MCP工具信息然后再进行调用，这里同样先创建一个servers_config.json 文件，用于记录MCP工具信息。

{"mcpServers": {"weather": {"transport": "streamable_http","url": "http://127.0.0.1:8000/mcp/get_weather"},"write": {"transport": "streamable_http","url": "http://127.0.0.1:8001/mcp/write_file"}}
}

修改.env配置文件和提示词模板

根项目下创建.env文件

OPENAI_API_BASE=https://dashscope.aliyuncs.com/compatible-mode/v1
OPENAI_API_KEY=sk-xx
MODEL=deepseek-r1-0528
OPENWEATHER_API_KEY ="xxx"

创建提示词模板agent_prompts.txt

你是一个智能体，具备以下两种能力：
1.查询天气：调用query_weather(city: str)，返回指定城市的实时天气。
2.写入文件：调用write_file(content: str)，将文本内容写入本地文件并返回结果。
当用户提出请求时，你需要理解意图并选择相应的工具。如果请求缺少必要信息，先与用户确认后再调用工具。
返回结果时以简洁、友好的方式回复。
如果用户提出的问题与你的功能无关，请礼貌告知无法处理。

创建client.py主函数文件

"""
多服务器 MCP + LangChain Agent 示例
1. 读取 .env 中的 DS_BASE_URL / DS_API_KEY / DS_MODEL2. 读取 servers_config.json 中的 MCP 服务器信息
3. 启动 MCP 服务器（支持多个）
4. 将所有工具注入 LangGraph Agent，由大模型自动选择并调用
"""import asyncio
import json
import logging
import os
from typing import Any, Dict, List
from dotenv import load_dotenv
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain_mcp_adapters.client import MultiServerMCPClient
from langgraph.checkpoint.memory import InMemorySaver# 设置记忆存储
checkpointer = InMemorySaver()# 读取提示词
with open("agent_prompts.txt", "r", encoding="utf-8") as f:prompt = f.read()# 设置对话配置
config = {"configurable": {"thread_id": "1"  }}# ────────────────────────────
# 环境配置
# ────────────────────────────
class Configuration:"""读取 .env 与 servers_config.json"""def __init__(self) -> None:load_dotenv()self.api_key: str = os.getenv("OPENAI_API_KEY") or ""self.base_url: str | None = os.getenv("OPENAI_API_BASE") self.model: str = os.getenv("MODEL")if not self.api_key:raise ValueError("❌未找到 DS_API_KEY，请在 .env 中配置")@staticmethoddef load_servers(file_path: str = "servers_config.json") -> Dict[str, Any]:with open(file_path, "r", encoding="utf-8") as f:return json.load(f).get("mcpServers", {})# ────────────────────────────
# 主逻辑
# ────────────────────────────
async def run_chat_loop() -> None:"""启动 MCP-Agent 聊天循环"""cfg = Configuration()servers_cfg = Configuration.load_servers()# 1 连接多台 MCP 服务器mcp_client = MultiServerMCPClient(servers_cfg)tools = await mcp_client.get_tools()         # LangChain Tool 对象列表logging.info(f"✅已加载 {len(tools)} 个 MCP 工具： {[t.name for t in tools]}")# 2  初始化大模型（DeepSeek / OpenAI / 任意兼容 OpenAI 协议的模型）model = ChatOpenAI(model=cfg.model)# 3 构造 LangGraph Agentagent = create_react_agent(model=model, tools=tools,prompt=prompt,checkpointer=checkpointer)# 4 CLI 聊天print("\n🤖MCP Agent 已启动，输入 'quit' 退出")while True:user_input = input("\n你: ").strip()if user_input.lower() == "quit":breaktry:result = await agent.ainvoke({"messages": [{"role": "user", "content": user_input}]},config)print(f"\nAI: {result['messages'][-1].content}")except Exception as exc:print(f"\n⚠出错: {exc}")# 5 清理资源 print("\n🧹开始清理 MCP 客户端资源...")await mcp_client.cleanup()print("✅资源已清理，Bye!")if __name__ == "__main__":logging.basicConfig(level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s")asyncio.run(run_chat_loop())

代码解释如下：
✅ 从 .env 文件读取模型配置
✅ 从 servers_config.json 读取 MCP 服务器配置（支持多个服务器）
✅ 启动 MCP 客户端加载所有工具
✅ 用 LangGraph 创建 Agent，把所有工具挂载
✅ 在命令行与用户进行对话，模型自动选择工具
✅ 清理资源

MultiServerMCPClient
LangChain 模型上下文协议 (MCP) 适配器 MultiServerMCPClient 类

运行和测试

运行天气查询mcp服务器和写文件服务器。
```
uv run weather_server.py
uv run write_server.py
```
运行客户端
```
uv run client.py
```

(mcp-get-weather) D:\Code\mcp-get-weather>uv run client.py
2025-09-03 21:33:17,951 - INFO - HTTP Request: POST http://127.0.0.1:8001/mcp/write_file "HTTP/1.1 200 OK"
2025-09-03 21:33:17,951 - INFO - Received session ID: ae8f8dc5178643049d862dfe525023b8
2025-09-03 21:33:17,952 - INFO - HTTP Request: POST http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 200 OK"
2025-09-03 21:33:17,953 - INFO - Received session ID: 4a9b7b411cbb43dfa37cea46cfaf27ba
2025-09-03 21:33:17,954 - INFO - Negotiated protocol version: 2025-06-18
2025-09-03 21:33:17,955 - INFO - Negotiated protocol version: 2025-06-18
2025-09-03 21:33:17,965 - INFO - HTTP Request: POST http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 202 Accepted"
2025-09-03 21:33:17,966 - INFO - HTTP Request: POST http://127.0.0.1:8001/mcp/write_file "HTTP/1.1 202 Accepted"
2025-09-03 21:33:17,967 - INFO - HTTP Request: GET http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 200 OK"
2025-09-03 21:33:17,968 - INFO - HTTP Request: GET http://127.0.0.1:8001/mcp/write_file "HTTP/1.1 200 OK"
2025-09-03 21:33:17,972 - INFO - HTTP Request: POST http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 200 OK"
2025-09-03 21:33:17,973 - INFO - HTTP Request: POST http://127.0.0.1:8001/mcp/write_file "HTTP/1.1 200 OK"
2025-09-03 21:33:17,981 - INFO - HTTP Request: DELETE http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 200 OK"
2025-09-03 21:33:17,983 - INFO - HTTP Request: DELETE http://127.0.0.1:8001/mcp/write_file "HTTP/1.1 200 OK"
2025-09-03 21:33:17,984 - INFO - ✅已加载 2 个 MCP 工具： ['query_weather', 'write_file']🤖MCP Agent 已启动，输入 'quit' 退出你: 请查询北京今天的天气，并保存到本地文件中。
2025-09-03 21:33:54,586 - INFO - HTTP Request: POST https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions "HTTP/1.1 200 OK"
2025-09-03 21:33:55,202 - INFO - HTTP Request: POST http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 200 OK"
2025-09-03 21:33:55,203 - INFO - Received session ID: 62e16bbc6a5c4c84b8c2f71de459b7e8
2025-09-03 21:33:55,203 - INFO - Negotiated protocol version: 2025-06-18
2025-09-03 21:33:55,210 - INFO - HTTP Request: POST http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 202 Accepted"
2025-09-03 21:33:55,211 - INFO - HTTP Request: GET http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 200 OK"
2025-09-03 21:33:55,214 - INFO - HTTP Request: POST http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 200 OK"
2025-09-03 21:35:18,146 - INFO - HTTP Request: DELETE http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 200 OK"
2025-09-03 21:35:38,390 - INFO - HTTP Request: POST https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions "HTTP/1.1 200 OK"
2025-09-03 21:35:38,988 - INFO - HTTP Request: POST http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 200 OK"
2025-09-03 21:35:38,988 - INFO - Received session ID: 0b94ec07ea22493dbd87e617e05e9464
2025-09-03 21:35:38,989 - INFO - Negotiated protocol version: 2025-06-18
2025-09-03 21:35:38,996 - INFO - HTTP Request: POST http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 202 Accepted"
2025-09-03 21:35:38,998 - INFO - HTTP Request: GET http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 200 OK"
2025-09-03 21:35:39,000 - INFO - HTTP Request: POST http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 200 OK"
2025-09-03 21:35:51,629 - INFO - HTTP Request: POST http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 200 OK"
2025-09-03 21:35:51,637 - INFO - HTTP Request: DELETE http://127.0.0.1:8000/mcp/get_weather "HTTP/1.1 200 OK"
2025-09-03 21:35:58,674 - INFO - HTTP Request: POST https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions "HTTP/1.1 200 OK"
2025-09-03 21:35:59,308 - INFO - HTTP Request: POST http://127.0.0.1:8001/mcp/write_file "HTTP/1.1 200 OK"
2025-09-03 21:35:59,309 - INFO - Received session ID: 334483d5a4044d61886a9a0b1f068d56
2025-09-03 21:35:59,309 - INFO - Negotiated protocol version: 2025-06-18
2025-09-03 21:35:59,315 - INFO - HTTP Request: POST http://127.0.0.1:8001/mcp/write_file "HTTP/1.1 202 Accepted"
2025-09-03 21:35:59,317 - INFO - HTTP Request: GET http://127.0.0.1:8001/mcp/write_file "HTTP/1.1 200 OK"
2025-09-03 21:35:59,320 - INFO - HTTP Request: POST http://127.0.0.1:8001/mcp/write_file "HTTP/1.1 200 OK"
2025-09-03 21:35:59,329 - INFO - HTTP Request: POST http://127.0.0.1:8001/mcp/write_file "HTTP/1.1 200 OK"
2025-09-03 21:35:59,335 - INFO - HTTP Request: DELETE http://127.0.0.1:8001/mcp/write_file "HTTP/1.1 200 OK"
2025-09-03 21:36:08,265 - INFO - HTTP Request: POST https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions "HTTP/1.1 200 OK"AI: 北京的天气信息已成功保存到本地文件！以下是文件详情：
📄 文件名：`note_20250903_213559.md`
📝 内容长度：58 字符需要查看文件内容或进一步操作请随时告诉我！ 😊

文件内容：

🌍 Beijing, CN
🌡️ 温度：25.81℃
💧 湿度：84%
💨 风速：1.98 m/s
☁️ 天气：小雨

LangGraph接入HTTP MCP智能体

在 SSE (Server-Sent Events) 模式下，我们可以把「工具 API」，用 URL 建立事件流、再用 MCP 服务器当成一个已经在网络上跑着的POST /messages 发指令。当前主流的使用形式可以归纳为两大类：自托管启动与平台托管直连。
自托管启动（Self-hosted）：主要应用 MCP 官方的 Python / TypeScript MCP SDK 把 Server 代码跑起来（FastAPI / Express 集成），程序启动后会打印或返回一个本地或内网 SSE URL，然后便可以用这个 URL 建立事件流接入到 openAI Agents SDK 框架中。如果需要使用 MCP 官方的 Python SDK 构建 SSE 模式的 MCP 服务器。
平台托管直连（Platform-hosted）：诸如 ModelScope 的 MCP 广场、mcp.run 等社区维护大量 MPC 服务并支持一键启动 MCP 的 SSE 模式。使用的方法非常简单，只需在平台首页选好 MCP Server → 生成一个 API-Key，一键生成 SSE URL，即可直接接入使用。
对于国内开发者，通过“一键复制 URL + API-Key”就能拿到 SSE 端点的热门网站大致可以分为四类：

专门的 MCP 服务市场/目录（如 MCP Market、Albase、MCP Server Hub）；
云厂商推出的官方托管平台（阿里云“百炼”与 Higress Marketplace）；
行业 API 已内置 MCP & SSE（百度地图、腾讯位置服务等）；
IDE / 客户端集市把第三方 SSE URL 聚合到本地（Cherry Studio、Cursor）。

MCP 热门导航网站

平台	规模与特点	访问链接
ModelScope MCP 广场	超过 3000+ 个中文托管 MCP；详情页右侧直接复制 SSE URL，部分服务需在“API Key”栏目填 Token	点击进入
MCP Market	标榜“国内首个 MCP 服务市场”，已收录 1W+ SSE Server，并提供云托管与 Playground，一键生成专属 URL	点击进入
Albase MCP 资源站	整理 GitHub 上的热门 MCP Server 并直接给出 SSE 地址与使用教程	点击进入
MCP Server Hub	国际化，标签筛选 + “Copy URL”操作流畅，站内统计数千条 SSE Server	点击进入
阿里云“百炼”	官方托管“全周期 MCP 服务”，控制台能生成已鉴权的 SSE URL	点击进入

在这里插入图片描述

{"mcpServers": {"weather": {"transport": "streamable_http","url": "http://127.0.0.1:8000/mcp/get_weather"},"write": {"transport": "streamable_http","url": "http://127.0.0.1:8001/mcp/write_file"},"12306-mcp": {"type": "streamable_http","url": "https://mcp.api-inference.modelscope.net/76e13034af0942/mcp"}}
}

你: 查询明天从北京到郑州的车票
AI: 我为您查询了明天（2025年9月4日）从北京到郑州的车票信息，以下是部分主要车次：🚄 **高铁/动车推荐**：
1. **G559次** 北京西→郑州东- 06:15发车 → 09:05到达（2小时50分）- 二等座：309元（有票）- 商务座：1072元（剩余6张）2. **G51次** 北京西→郑州东- 06:55发车 → 09:16到达（2小时21分）- 二等座：371元（有票）- 商务座：1165元（剩余13张）3. **G89次** 北京西→郑州东- 15:00发车 → 17:20到达（2小时20分）- 二等座：371元（有票）- 商务座：1165元（剩余12张）🛏️ **普速列车推荐**：
1. **Z149次** 北京西→郑州- 07:56发车 → 13:52到达（5小时56分）- 硬卧：163元（有票）- 软卧：251元（有票）2. **K599次** 北京丰台→郑州- 05:19发车 → 14:12到达（8小时53分）- 硬卧：163元（剩余2张）💡 **温馨提示**：
- 共查询到100+趟车次，高铁/动车最快约2小时，普速列车约5-9小时
- 如需特定时间或席别（如早班车/商务座），可进一步告知我为您筛选
- 以上票价和余票实时变动，请尽快购票需要我帮您预订或查询具体车次经停信息吗？

查看全文

http://www.dtcms.com/a/365420.html