MCP + LangChain デモ

これは、MCP（モデルコンテキストプロトコル）サーバーを構築し、LangChainとLangGraphを使用してLLMエージェントに接続する方法を示す初心者向けのプロジェクトです。

MCPとは？

MCP（モデルコンテキストプロトコル） は、カスタムツール（関数）を標準化された方法でLLMに公開できるオープンプロトコルです。AIモデルのためのユニバーサルプラグインシステムと考えてください。

主要な概念:

Related MCP server: Model Context Protocol Multi-Agent Server

プロジェクト構造

MCPLEARNING/
├── mathserver.py      # MCP Server 1 - Math tools (stdio transport)
├── weather.py         # MCP Server 2 - Weather tool (HTTP transport)
├── client.py          # LangChain agent that connects to both servers
├── .env               # API keys (NOT pushed to GitHub)
├── .gitignore
├── requirements.txt
└── pyproject.toml

仕組み（ステップバイステップ）

ステップ 1: MCPサーバー — mathserver.py

このファイルは、「Math」 という名前のMCPサーバーを作成し、2つのツールを公開します:

• add(a, b) — 2つの整数の合計を返します。

• multiply(a, b) — 2つの整数の積を返します。

これはstdioトランスポートで実行されます。つまり、クライアントがそれをサブプロセスとして起動し、標準入出力を介して通信します。ポートは必要ありません。

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("Math")

@mcp.tool()
def add(a: int, b: int) -> int:
    """Addition of two numbers"""
    return a + b

@mcp.tool()
def multiply(a: int, b: int) -> int:
    """Multiplication of two numbers"""
    return a * b

if __name__ == "__main__":
    mcp.run(transport="stdio")

ステップ 2: MCPサーバー — weather.py

このファイルは、「Weather」 という名前のMCPサーバーを作成し、1つのツールを公開します:

• get_weather(location) — 指定された場所の天気情報を返します。

これはstreamable-httpトランスポートで実行されます。つまり、http://127.0.0.1:8000/mcp でWebサーバーを起動します。クライアントはHTTPを介して接続します。

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("Weather")

@mcp.tool()
async def get_weather(location: str) -> str:
    """Get the weather"""
    return "It's always raining in California"

if __name__ == "__main__":
    mcp.run(transport="streamable-http")

ステップ 3: クライアントエージェント — client.py

これはプロジェクトの頭脳です。以下のことを行います:

1. 両方のMCPサーバーに接続します（MultiServerMCPClient を使用）。

2. 両方のサーバーからすべてのツールを発見します（add、multiply、get_weather）。

3. Groq LLM（ホスト型オープンソースモデル）を作成し、ツールをそれにバインドします。

4. LangGraphエージェントを構築します。これは以下のようなステートマシンです:

   • LLMは、ツールを呼び出すか直接応答するかを決定します。

   • ツールが呼び出された場合、その結果は最終的な回答のためにLLMにフィードバックされます。

5. 2つのクエリをテストします:

   • 「3 + 5は何ですか？」 → add ツールを使用します。

   • 「カリフォルニアの天気はどうですか？」 → get_weather ツールを使用します。

前提条件

• Python 3.13+

• uv パッケージマネージャー（推奨）または pip

• Groq APIキー — console.groq.com から無料で取得できます

セットアップ

1. リポジトリをクローンする

git clone https://github.com/<YOUR_USERNAME>/MCPLEARNING.git
cd MCPLEARNING

2. 仮想環境を作成してアクティブ化する

# Using uv (recommended)
uv venv
uv pip install -r requirements.txt

# Or using pip
python -m venv .venv
.venv\Scripts\activate        # Windows
source .venv/bin/activate     # Mac/Linux
pip install -r requirements.txt

3. APIキーを設定する

プロジェクトルートに .env ファイルを作成します:

GROQ_API_KEY=your_groq_api_key_here

重要: .env ファイルは絶対にコミットしないでください。.gitignore によって除外されています。

プロジェクトの実行

2つのターミナルを開く必要があります:

ターミナル 1 — Weather MCPサーバーを起動する

python weather.py

次のように表示されるはずです:

INFO: Uvicorn running on http://127.0.0.1:8000

注: weather.py のみ手動で起動する必要があります。mathserver.py はクライアントによって自動的に起動されます（stdioトランスポート）。

ターミナル 2 — クライアントを実行する

python client.py

期待される出力

Available MCP tools:
- add
- multiply
- get_weather

==============================
Testing Math MCP
==============================

Math Response: 3 + 5 = 8.

==============================
Testing Weather MCP
==============================

Weather Response: It's always raining in California.

独自のMCPサーバーを作成する方法

1. MCPライブラリをインストールします:

pip install mcp

2. 新しいPythonファイルを作成します（例: myserver.py）:

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("MyServer")

@mcp.tool()
def my_tool(param: str) -> str:
    """Description of what this tool does."""
    return f"Result: {param}"

if __name__ == "__main__":
    mcp.run(transport="stdio")        # For stdio transport
    # mcp.run(transport="streamable-http")  # For HTTP transport

3. クライアントで接続します。MultiServerMCPClient 設定に追加します:

client = MultiServerMCPClient({
    "myserver": {
        "command": "python",
        "args": ["myserver.py"],
        "transport": "stdio",
    },
})

トランスポートの比較

使用されている主要なライブラリ

注意すべき重要な点

1. クライアントの前にWeatherサーバーが実行されている必要があります — HTTPトランスポートを使用するため、サーバープロセスを最初に起動する必要があります。Mathサーバー（stdio）はクライアントによって自動的に起動されます。

2. Groq APIキーが必要です — これがないと、LLM呼び出しは失敗します。console.groq.com から無料のキーを取得してください。

3. .env をコミットしないでください — コードをプッシュする前に、必ず .gitignore に .env を追加してください。

4. ポートの競合 — Weatherサーバーはデフォルトでポート8000を使用します。別のプロセスがそのポートを使用している場合、サーバーは起動に失敗します。

5. Windowsのエンコーディングの問題 — Windowsでは、コンソールがLLMから返されるUTF-8文字をサポートしない場合があります。client.py は sys.stdout.reconfigure(encoding="utf-8") でこれを処理します。

6. モデルの可用性 — Groqモデル名（openai/gpt-oss-120b）は、Groqプラットフォーム上で有効で利用可能である必要があります。現在のオプションについては、Groqのモデルリスト を確認してください。