本文介绍了MCPModel Context Protocol协议它作为一种开放协议能够帮助开发者标准地暴露工具、资源和提示模板给模型使用避免了重复造轮子的麻烦。文章详细讲解了如何使用langchain-mcp-adapters库将MCP服务器上的能力转换为标准LangChain Tool并通过create_agent函数集成到Agent中。此外还探讨了stdio和HTTP两种传输协议的选择以及如何安全地实现自己的MCP服务。最后通过一个完整的示例展示了如何将自建的math服务与本地工具混合使用实现强大的功能。前面 我们知道了工具怎么用但是现实里还有一堆能力我们不想重复造比如查文档、读文件系统、连某家 SaaS等。每家若都发明一套「给模型挂工具」的私有协议Agent 会非常臃肿。MCPModel Context Protocol 就是这层开放协议他规定应用怎么向模型侧暴露 tools / resources / prompts。LangChain 不重新发明一套而是用langchain-mcp-adapters把 MCP 服务器上的能力转成标准 LangChain Tool塞进create_agent。环境基线Python 3.13、langchain1.3.2、langchain-mcp-adapters另需fastmcp若你自己写服务端。模型仍从common.models.get_model拿。示例以 async 为主——适配器 API 基本是异步的。一、MCP 解决什么问题没有 MCP 时接外部能力通常是读对方 SDK → 包一层tool→ 处理鉴权与错误 → 再挂到 Agent。换一家又来一遍。有了 MCP服务端按协议暴露 tools可执行动作、resources可读数据、prompts可复用提示模板。客户端这里是你的 Agent用统一方式发现并调用不绑死某一家 SDK。传输可以是本地子进程stdio也可以是远程 HTTP。它解决的是「怎么标准地插工具」不是「替你写业务」。权限、PII、HITL 仍要你在 Agent / 拦截器里做。第三方 MCP 等于在跑别人的代码或连别人的服务注意安全边界别松。MCP协议里的三块能力能力干什么适配后大致变成Tools可执行函数查库、调 APILangChainBaseTool给模型调用Resources可读数据文件、记录Blob等偏你主动拉取Prompts服务端定义的提示模板LangChain messages 列表Agent 日常最常用的是 Tools。Resources / Prompts 适合在应用层按需加载不一定每轮都塞进模型。二、MultiServerMCPClient角色先分清MCP Server外面的能力提供者数学服务、天气服务、某家 SaaS 的官方 MCP。MCP Client你的进程里连这些 server 的那一侧。Agent只认 LangChain Tool不直接讲 MCP 协议。langchain-mcp-adapters做的的就是第 2→3 步发现 server 上的工具转成tool同款对象再交给create_agent。日常用的最多的类是MultiServerMCPClient他一个客户端可以挂多个 server。pip install langchain-mcp-adapters配置是一个字典键是你起的逻辑名math/weather值是传输方式 地址。Agent 调工具时不关心名字名字主要方便你排错、开会话第六节session(math)。示例import asyncio from langchain.agents import create_agent from langchain_mcp_adapters.client import MultiServerMCPClient from common.models import get_model async def main(): client MultiServerMCPClient( { # 本地拉起子进程走标准输入输出 math: { transport: stdio, command: python, args: [rE:/path/to/math_server.py], # 用绝对路径更省事 }, # 远程HTTPstreamable HTTP weather: { transport: http, # 传输方式 url: http://localhost:8000/mcp, # 地址 }, } ) tools await client.get_tools() # 获取工具并聚合成 LangChain tools 列表 agent create_agent( modelget_model(deepseek, temperature0), toolstools, # 也可 toolstools my_local_tools ) r await agent.ainvoke( {messages: [{role: user, content: 算一下 (3 5) * 12}]} ) print(r[messages][-1].content) if __name__ __main__: asyncio.run(main())上面示例里的math_server.py第四节才写先把客户端骨架看懂下一节再补服务端。MultiServerMCPClient无状态每次工具调用新建 MCP 会话跑完清理。超时、鉴权、跨调用要保留的服务端状态后面第六节用session()。工具执行失败时默认把错误收成ToolMessage(statuserror)还给模型方便重试传输层/会话级错误仍会抛异常。若要让工具错误也抛出来设handle_tool_errorsFalse。三、传输协议MCP支持两套传输协议stdio 与 HTTP。同一套 tools既可以塞进本地子进程也可以挂到 URL 上。选型看部署不看业务函数怎么写。stdioHTTPstreamable HTTP形态客户端拉起子进程stdin/stdout 通信URL 上的远程或本机服务适合本地工具、开发调试、单机脚本共享服务、多客户端、云端托管状态直觉子进程在连接期内活着无状态请求为主有状态靠会话设计鉴权多靠本机环境/权限headers/authBearer、OAuth 等开发期常见组合自己的小工具用 stdio改完即测公司统一提供的能力用 HTTP。第二节示例两种各挂一个就是这个意思。1 HTTP 与请求头client MultiServerMCPClient( { weather: { transport: http, url: http://localhost:8000/mcp, headers: { Authorization: Bearer YOUR_TOKEN, X-Request-Id: trace-001, }, } } )也可走官方 MCP SDK 的httpx.AuthOAuth 等配置里传auth: auth。公开演示可先用文档站https://docs.langchain.com/mcp不保证永远可用联调时当例子即可。旧的 SSE 传输在规范里已弃用新项目用 HTTP / streamable-http。2 stdiomath: { transport: stdio, command: python, args: [/abs/path/math_server.py], # 需要时还可加 env: {API_KEY: ...} }路径用绝对路径相对路径依赖你从哪启动进程排错很烦。四、自己写一个 MCP 服务1 服务端和 Agent 不是一回事容易混的一点你在写 MCP Server不是再写一个 LangChain Agent。Server 只负责声明工具、执行工具、按 MCP 协议把结果返回去。它不调用大模型也不知道有没有create_agent。Agent 在另一边通过 Client 发现这些工具由模型决定何时调用。所以下面的代码里看不到get_model()很正常。2 为什么用 FastMCP实现 MCP 服务可以用官方 Python SDK 手写协议细节样板代码偏多。FastMCP 是一层薄封装用装饰器注册工具再run(transport...)选传输我们可以不管协议怎么走可以直接暴露工具。它和langchain-mcp-adapters的分工包站哪一侧干什么fastmcpServer你对外提供能力langchain-mcp-adaptersClientAgent 进程内发现并调用别人或自己的能力生产里也可以不用 FastMCP、直接上官方 SDK 或别的实现也行。本篇用 FastMCP是因为它短、好演示。pip install fastmcp3 最小数学服务stdio把文件存成math_server.py路径与第二节 / 第八节客户端配置一致# math_server.py —— 独立进程被 MultiServerMCPClient 用 stdio 拉起 from fastmcp import FastMCP # 服务显示名出现在日志/部分客户端 UI 里不等于工具名 mcp FastMCP(Math) mcp.tool() def add(a: int, b: int) - int: 两数相加。 return a b mcp.tool() def multiply(a: int, b: int) - int: 两数相乘。 return a * b if __name__ __main__: # stdio不监听端口父进程通过 stdin/stdout 说话 # 被 Client 拉起时不要在这里 print 调试信息到 stdout会干扰协议 mcp.run(transportstdio)对应关系可以记成mcp.tool()≈ 第 5 篇的tool但是注册到 MCP 服务不是直接进 Agent。函数名add/multiply就是模型稍后看到的工具名除非你另行配置。docstring 类型注解会进工具 schema模型靠它们决定怎么传参和本地tool一样注意描述要准确。mcp.run(transportstdio)让进程进入「等父进程通话」模式你单独双击运行时终端可能像卡住这是在等 stdin不是死了。先单独确认服务能起来有报错立刻修python math_server.py再开另一个终端跑带MultiServerMCPClient的 Agent。Client 配置里的command/args必须能指到这个文件的绝对路径。4 改成 HTTP 服务若希望别的机器或多个 Agent 共用同一个数学服务换传输即可工具函数不用改if __name__ __main__: # streamable-http按 FastMCP / MCP 当前文档绑 host、port、path # 客户端侧 transport 填 httpurl 指向该服务的 MCP 端点 mcp.run(transportstreamable-http)HTTP 版是你先启动 server再让 Client 连 URLstdio 版是 Client 帮你把python math_server.py拉起来。开发自己玩用 stdio 省事要给团队共用再上 HTTP并加上第三节的headers鉴权。五、Tools / Resources / Prompts1 Toolsget_tools()会向已配置的每个 server 做一次发现把结果合并成列表。拿到来之后和第 5 篇本地工具没有用法差别tools await client.get_tools() agent create_agent(modelget_model(), toolstools)和本地工具混用很常见核心业务自己写通用能力走 MCPfrom langchain.tools import tool tool def ping() - str: 健康检查本地工具。 return pong tools await client.get_tools() agent create_agent(modelget_model(), tools[ping, *tools])结构化内容有的 MCP 工具除了文本还带structuredContent。适配器会放进ToolMessage.artifact如structured_content。模型默认未必看见 artifact若要让模型也读到可用拦截器把 JSON 追加进文本参考文/官方有append_structured_content模式。多模态截图类工具可能返回图片块用message.content_blocks按类型读text/image别假设永远是纯字符串。2 ResourcesResources 是可以读的数据。典型是文件、配置、某条业务记录的快照。适配器把它收成Blob你在 Python 里读而不是默认塞进tools让模型每轮自己捞。blobs await client.get_resources(server_name) # 或指定 URI避免一次拉全库 blobs await client.get_resources( server_name, uris[file:///path/to/file.txt], ) for blob in blobs: print(blob.metadata.get(uri), blob.mimetype) print(blob.as_string()) # 文本二进制用 as_bytes() 一类 API流程一般是你的代码按需get_resources→ 截一段摘要 → 再经动态提示或消息注入给模型。注意别把 resources 当免费用的 RAG 全库。3 Prompts有的 MCP 服务会自带提示模板例如「安全代码审查」「按字段总结工单」。get_prompt取回来的是已经拼好的 LangChain messages可直接当对话素材messages await client.get_prompt( server_name, code_review, arguments{language: python, focus: security}, ) # 可拼进 ainvoke 的 messages或抽其中 system 段使用和dynamic_prompt怎么分工MCP prompt 适合「服务提供方定义的标准话术」和你产品身份、VIP 文案相关的仍放在自己的中间件里。两边可以同时使用别两处各写一套互相打架的系统提示。六、有状态会话session默认模型可以记成Client 无状态 每次工具调用都是「新建会话 → 调一次 → 拆掉」。对add(3,5)这种纯函数完全够用还能避免会话泄漏。但有些 MCP 服务会在服务端记住「当前页」「向导走到哪一步」「浏览器已登录」等这样第二次工具调用必须落在同一个 MCP 会话里默认短会话会把上下文弄丢。这时不要再用裸的get_tools()改用client.session(...)拿到持久ClientSession再load_mcp_tools(session)from langchain.agents import create_agent from langchain_mcp_adapters.client import MultiServerMCPClient from langchain_mcp_adapters.tools import load_mcp_tools from common.models import get_model async def run_stateful(): client MultiServerMCPClient({...}) async with client.session(math) as session: tools await load_mcp_tools(session) # 绑在这个 session 上 agent create_agent(modelget_model(), toolstools) return await agent.ainvoke( {messages: [{role: user, content: 先 35再把结果乘 12}]} )Resources / Prompts 也有load_mcp_resources/load_mcp_prompt同样可挂在 session 上。注意stdio 子进程生命周期和「每次工具新会话」不是一回事——进程可能还在MCP 会话仍可能每次新建。要跨调用状态用session()。七、拦截器前面学习过context/state/store但是一旦接 MCP 这些上下文和记忆会失效工具拿不到的。以为工具实际跑在别人的进程里协议里也没有类似 LangGraph Runtime 这种字段。这样在create_agent(..., context_schemaContext)里传的user_idMCP 服务默认拿不到服务端若要求user_id参数模型还可能瞎编一个。工具拦截器tool interceptor 卡在「Agent 已决定调某个 MCP 工具」和「请求真正打出去」之间。这里你能读到与本地工具类似的runtime于是可以把user_id/ 权限写进参数或 HTTP 头未登录直接返回错误ToolMessage根本不打到远端做重试、打日志、改Command更新 state。它和中间件很像但作用点更靠外专管 MCP 出站。多个拦截器同样是洋葱序列表里第一个最外层。1 注入用户身份from dataclasses import dataclass from langchain_mcp_adapters.interceptors import MCPToolCallRequest dataclass class Context: user_id: str api_key: str async def inject_user_context(request: MCPToolCallRequest, handler): MCP 服务本身不知道 user_id由客户端拦截器注入。 runtime request.runtime if runtime is None: return await handler(request) modified request.override( args{request.args, user_id: runtime.context.user_id} ) return await handler(modified)client MultiServerMCPClient( {...}, tool_interceptors[inject_user_context], )2 按 state 短路危险工具from langchain.messages import ToolMessage async def require_auth(request: MCPToolCallRequest, handler): runtime request.runtime sensitive {delete_file, export_data} if request.name in sensitive and not runtime.state.get(authenticated, False): return ToolMessage( content需要先登录才能执行该操作。, tool_call_idruntime.tool_call_id, ) return await handler(request)这和第 11 篇防护栏是同一类事只是卡在「出站打 MCP 之前」。3 改 header、重试async def auth_header(request: MCPToolCallRequest, handler): token get_token() # 你的取票逻辑 return await handler( request.override(headers{Authorization: fBearer {token}}) )重试时注意默认工具业务错误不抛异常要靠except抓传输失败或设handle_tool_errorsFalse再统一处理。进度与日志可用Callbacks(on_progress..., on_logging_message...)服务端elicit中途向用户要字段则要配on_elicitation回调。长任务 UI、人机补参可以后做知道有钩子即可。八、安全、混挂与完整示例1 安全清单接第三方前先过一遍最小权限能只读就别给写token 用窄 scope。别把密钥写进 messages放context或拦截器加 header。工具结果当不可信输入可能含注入文案输出侧仍要防护。超时与隔离一个慢 MCP 别拖死整次 invoke按服务拆客户端或加超时。stdio 跑本地代码路径、环境变量、命令注入都要当心。和本地工具混挂时看清名字避免模型分不清search是 MCP 还是你自己的。规划里「接三个真实 server」在环境各异时不好复现。本篇用可自建的 mathstdio 可选远程 HTTP 本地tool把主路径跑通文件系统/数据库类 MCP 换成你环境里真实的 URL/命令即可接法相同。2 完整示例自建 math 本地工具先保存上一节的math_server.py再跑客户端第 14 篇MCP mathstdio 本地工具混挂。 import asyncio from pathlib import Path from langchain.agents import create_agent from langchain.tools import tool from langchain_mcp_adapters.client import MultiServerMCPClient from common.models import get_model MATH_SERVER str(Path(__file__).resolve().parent / math_server.py) tool def unit_hint() - str: 返回单位说明本地工具证明可与 MCP 工具并存。 return 计算结果为无量纲整数。 async def main(): client MultiServerMCPClient( { math: { transport: stdio, command: python, args: [MATH_SERVER], } } ) mcp_tools await client.get_tools() agent create_agent( modelget_model(deepseek, temperature0), tools[unit_hint, *mcp_tools], system_prompt( 你是计算器助手。算术用 MCP 的 add/multiply 需要单位说明时调用 unit_hint。分步计算不要心算跳步。 ), ) result await agent.ainvoke( { messages: [ { role: user, content: 先算 35再乘 12并说明单位。, } ] } ) print(result[messages][-1].content) if __name__ __main__: asyncio.run(main())验收轨迹里应出现 MCP 的add/multiply与本地unit_hint最终答案 96。若 stdio 起不来先单独python math_server.py看报错再查MATH_SERVER路径。再挂第二个 HTTP server 时往MultiServerMCPClient({...})字典多加一项即可get_tools()会合并。工具爆炸时回到第 9 篇LLMToolSelectorMiddleware或第 10 篇按权限override(tools...)。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取