Skip to main content
Glama
deenesjakoruzh
Reyansh1996

MCPLEARNING

by Reyansh1996
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Hybrid

MCP + LangChain 演示

一个面向初学者的项目，演示如何构建 MCP（模型上下文协议） 服务器，并使用 LangChain 和 LangGraph 将其连接到 LLM 代理。

什么是 MCP？

MCP（模型上下文协议） 是一种开放协议，允许你以标准化的方式向 LLM 暴露自定义工具（函数）。可以将其视为 AI 模型的通用插件系统。

关键概念：

术语

定义

MCP 服务器

通过传输层（stdio 或 HTTP）暴露工具（函数）的进程。LLM 可以调用这些工具。

MCP 客户端

连接到一个或多个 MCP 服务器、发现其工具并将其转发给 LLM 的进程。

工具

使用 @mcp.tool() 装饰的 Python 函数，LLM 可以调用它。

传输层

客户端和服务器之间的通信方式。stdio = 通过 stdin/stdout 在同一台机器上通信。streamable-http = 通过 HTTP 通信。

FastMCP

来自 mcp 库的高级 Python 类，可轻松创建 MCP 服务器。

Related MCP server: Model Context Protocol Multi-Agent Server

项目结构

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

工作原理（逐步说明）

第 1 步：MCP 服务器 — mathserver.py

此文件创建一个名为 "Math" 的 MCP 服务器，暴露两个工具：

  • add(a, b) — 返回两个整数的和。

  • multiply(a, b) — 返回两个整数的乘积。

它运行在 stdio 传输层上，意味着客户端将其作为子进程启动，并通过 stdin/stdout 进行通信。无需端口。

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")

第 2 步：MCP 服务器 — weather.py

此文件创建一个名为 "Weather" 的 MCP 服务器，暴露一个工具：

  • get_weather(location) — 返回指定位置的天气信息。

它运行在 streamable-http 传输层上，意味着它在 http://127.0.0.1:8000/mcp 上启动一个 Web 服务器。客户端通过 HTTP 连接到它。

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")

第 3 步：客户端代理 — client.py

这是项目的大脑。它：

  1. 连接到两个 MCP 服务器，使用 MultiServerMCPClient。

  2. 发现两个服务器的所有工具（add、multiply、get_weather）。

  3. 创建一个 Groq LLM（托管的开源模型）并将工具绑定到它。

  4. 构建一个 LangGraph 代理 — 一个状态机，其中：

    • LLM 决定是调用工具还是直接响应。

    • 如果调用了工具，结果会反馈给 LLM 以给出最终答案。

  5. 测试两个查询：

    • "What is 3 + 5?" → 使用 add 工具。

    • "What is the weather in California?" → 使用 get_weather 工具。

先决条件

  • Python 3.13+

  • uv 包管理器（推荐）或 pip

  • Groq API 密钥 — 在 console.groq.com 免费获取

设置

1. 克隆仓库

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

2. 创建并激活虚拟环境

# 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. 设置你的 API 密钥

在项目根目录创建一个 .env 文件：

GROQ_API_KEY=your_groq_api_key_here

重要： 切勿提交你的 .env 文件。它已通过 .gitignore 排除。

运行项目

你需要打开 两个终端：

终端 1 — 启动天气 MCP 服务器

python weather.py

你应该看到：

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

注意： 只有 weather.py 需要手动启动。mathserver.py 由客户端自动生成（stdio 传输层）。

终端 2 — 运行客户端

python client.py

预期输出

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.

如何创建你自己的 MCP 服务器

  1. 安装 MCP 库：

pip install mcp

  1. 创建一个新的 Python 文件（例如 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

  1. 在客户端中连接它，通过将其添加到 MultiServerMCPClient 配置：

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

传输层比较

传输层

工作原理

使用场景

stdio

客户端将服务器作为子进程启动。通过 stdin/stdout 通信。

本地工具，简单设置，无需网络。

streamable-http

服务器作为 Web 服务器运行。客户端通过 HTTP 连接。

远程工具，多个客户端，跨机器访问。

使用的关键库

库

用途

mcp

使用 FastMCP 构建 MCP 服务器。

langchain-mcp-adapters

在 MCP 服务器和 LangChain 工具之间建立桥梁。

langchain-groq

用于 Groq 托管 LLM 的 LangChain 集成。

langgraph

将代理工作流构建为图（代理 ↔ 工具循环）。

python-dotenv

从 .env 文件加载 API 密钥。

需要注意的重要事项

  1. 天气服务器必须在客户端之前运行 — 由于它使用 HTTP 传输层，服务器进程必须首先启动。数学服务器（stdio）由客户端自动生成。

  2. 需要 Groq API 密钥 — 没有它，LLM 调用将失败。在 console.groq.com 获取免费密钥。

  3. 切勿提交 .env — 在推送代码之前，始终将 .env 添加到 .gitignore。

  4. 端口冲突 — 天气服务器默认在端口 8000 上运行。如果另一个进程使用该端口，服务器将无法启动。

  5. Windows 编码问题 — 在 Windows 上，控制台可能不支持 LLM 返回的 UTF-8 字符。client.py 通过 sys.stdout.reconfigure(encoding="utf-8") 处理此问题。

  6. 模型可用性 — Groq 模型名称（openai/gpt-oss-120b）必须在 Groq 平台上有效且可用。查看 Groq 的模型列表 了解当前选项。

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivitySlowing
ResponsivenessNo issues

Resources

Related MCP Connectors

Related MCP Servers