LangGraph MCP智能体开发实战

Part 1.LangGraph接入MCP搭建智能体实战

[toc]

一、LangGraph与MCP技术概述

1. LangGraph接入外部工具技术实现方法

​ 说到智能体开发，无论使用何种框架，有一项绕不开的核心技术，那就是MCP（Model Context Protocol）技术。

​ 在智能体开发过程中，接入外部函数工具是至关重要的一环，而在LangChain&LangGraph技术生态中，我们可以非常便捷的通过@tool装饰符来自定义一个外部函数：

或者也可以借助LangChain丰富的、数以百计的内置工具，三行代码即可在智能体中进行工具调用。

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
	SerpAPIWrapper	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

LangChain工具集：https://python.langchain.com/docs/integrations/tools/

而除此之外，伴随着MCP技术爆火，给了开发者第三种选项，那就是借助MCP技术、遵照MCP协议，来调用其他开发者已经开发好的MCP工具，来快速搭建智能体应用。

2. MCP技术概述

2.1 MCP技术定位与技术价值介绍

​ 我们可以将MCP技术简单理解为智能体外部工具开发的一种通用规范（范式）。举个例子，以天气查询工具为例，在MCP技术诞生之前，要给大模型添加查询天气的功能，至少需要经历这么两个开发阶段：

• 阶段一：编写查询天气的外部函数，例如：

FENCE0

• 阶段二：将外部工具进行进一步封装，以适配不同的开发框架。例如

  • 接入OpenAI Agents SDK时：

    from agents import function_tool
    @function_tool
    def get_weather(loc):
        """
        查询即时天气函数......
        """
        # Step 1.构建请求
        url = "https://api.openweathermap.org/data/2.5/weather"
    
        # Step 2.设置查询参数
        params = {......
        return ......

  • 接入LangGraph时：

    from langchain_core.tools import tool
    from pydantic import BaseModel, Field
    
    class 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......
        """
        # Step 1.构建请求
        url = "https://api.openweathermap.org/data/2.5/weather"
    
        # Step 2.设置查询参数
        params = {......
        return ......

  • 接入谷歌ADK时

    def get_weather(city: str) -> str:
        """
        Retrieves the current weather report for a specified city.
    
        Args:
            city (str): The name of the city (e.g., "Beijing", "Shanghai").
                       Note: For cities in China, use the city's English name (e.g., "Beijing").
    
        Returns:
            dict: A dictionary containing the weather information.
                  Includes a 'status' key ('success' or 'error').
                  If 'success', includes a 'report' key with weather details.
                  If 'error', includes an 'error_message' key.
        """
        # Step 1.构建请求
        url = "https://api.openweathermap.org/data/2.5/weather"
    
        # Step 2.设置查询参数
        params = {......
        return ......

这就使得实际开发Agent的过程中，外部函数工具的开发会占用大量的开发者的时间精力。

​ 而与此同时，人们发现，很多外部工具的功能其实是通用的，例如查询时间、查询天气、网络搜索、操作本地文件夹等等等等，如果有一种规范，能够减少重复造轮子的时间，一个人开发完成后全体开发者都能共享，那么整体的研发效率都将得到大幅提高。

​ 在这一设想下，MCP技术诞生了。MCP的全称是Model Context Protocol，模型上下文协议，由Claude母公司Anthropic于去年11月正式提出。

该技术核心目标，就是创建一种统一的大模型调用外部工具的通信规范，相当于这种标准的通信规范，一项特定功能的外部函数，只需要开发一次，就能被各种不同类型的Agent开发框架所识别。例如同样是查询天气，如果我们遵循MCP技术协议开发一个查询天气的外部函数，那么接下来全体开发者就都能直接用我开发好的这个天气查询工具，带入任何智能体开发框架，快速搭建智能体应用了。

​ 通过下面这组图能够非常清楚的解释MCP工具在智能体开发过程中实际带来的提效的作用。

2.2 MCP技术架构

​ 不过呢，要做到这种“车同轨、书同文”的标准化工作，不仅需要制定一套让所有人都信服的标准，而且还需要经过时间的检验，同时还需要有足够多的用户，这个标准才能真正被市场所认同。因此MCP技术也历经了一段时间的沉淀和打磨，自去年11月发布开始，到今年3月技术大爆发，再到第二季度开始越来越多的Agent框架和热门应用宣布支持MCP技术，MCP才算是逐渐成为一项智能体开发的通用协议。

​ 截止目前，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、或者说规范，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进一步的提供了MCP开发工具，借助这些SDK，我们能够非常快速完成MCP工具开发。而既然是一种标准化的协议，其核心价值就在于用的人足够多、同时分享的人也足够多，才能真正减少“重复造轮子”的时间，因此Anthropic官方和很多第三方平台，也在积极的推进MCP技术生态的构建，尤其是MCP工具平台的建设，通过鼓励开发者更多的分享自己开发的MCP工具，只有形成了更大的（分享和引用的）协作规模，MCP的技术才能更有价值。

2.3 MCP SDK与MCP技术生态

​ 而在这些MCP完整的技术架构中，开发者尤其需要关注MCP的SDK（开发工具）和MCP技术生态。所谓MCP的SDK，指的是官方提供的用于开发MCP工具的第三方库，截至目前，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。

MCP项目官网：https://github.com/modelcontextprotocol

而借助这些库，仅需几行代码，即可快速构建一个MCP工具。

反之，如果没有这些MCP开发工具，想要开发MCP工具，就必须从MCP技术协议出发，借助其他库来完成开发，其实现难度非常大。

​ 而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，也就是集成了各类目前非常流行的MCP工具的平台，借助这些平台，我们能够快速找到想要的MCP服务，然后根据指示说明快速进行接入，甚至伴随着MCP流式HTTP功能的上线，很多平台还提供了这些MCP工具后端运行服务，我们只需要输入指定的后端地址，就能调用运行在云端的MCP工具。

​ 主流的MCP集成平台如下：

• MCP官方服务器合集：https://github.com/modelcontextprotocol/servers

  

• MCP Github热门导航：https://github.com/punkpeye/awesome-mcp-servers

  

• Smithery：https://smithery.ai/

  

• MCP导航：https://mcp.so/

  

• 阿里云百炼：https://bailian.console.aliyun.com/?tab=mcp

  

• 魔搭社区MCP广场：https://www.modelscope.cn/mcp

  

• mcp.run：https://www.mcp.run/

  

3.MCP核心技术概念

​ 而在正式开始MCP智能体开发之前，我们还需要补充两个MCP技术体系中至关重要的技术概念，分别是MCP客户端与服务器、以及两大类MCP工具运行模式。

3.1 MCP客户端与服务器

​ 由于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。

​ 类似的，所谓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。二者关系如图所示：

这种服务器和客户端分离的架构的好处，就在于可以更加便捷的进行模块化开发和维护，而此前我们所说的MCP工具，其实就指的是MCP服务器，而那些MCP工具集合，其实就是MCP服务器集合网站。

​ 同时，基于这种技术划分，当我们在开发一个智能体，并希望这个智能体能够接入MCP工具时，其实从MCP技术角度来说，我们本质上是开发一个MCP的客户端（Client）。例如当我们基于LangGrpah开发一个接入MCP工具的智能体，其实我们就开发了一个基于LangGraph的MCP客户端。而现在也有很多大模型聊天工具允许接入MCP工具，例如Claude Desktop、Cherry Studio等，这些也都是MCP客户端。

3.2 标准MCP工具接入客户端流程

​ 这里以Cherry Studio为例，为大家展示一个标准的MCP客户端接入MCP服务器的基本流程，从中我们能够看出，填写对应的配置文件，是运行MCP工具的关键。