【NLP】将 LangChain 与模型上下文协议 (MCP) 结合使用

  🔎大家好，我是Sonhhxg_柒，希望你看完之后，能对你有所帮助，不足请指正！共同学习交流🔎

📝个人主页－Sonhhxg_柒的博客_CSDN博客 📃

🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝​

📣系列专栏 - 机器学习【ML】 自然语言处理【NLP】  深度学习【DL】

 🖍foreword

✔说明⇢本人讲解主要包括Python、机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等内容。

如果你对这个系列感兴趣的话，可以关注订阅哟👋

一、MCP出现的目的

MCP 的出现是为了解决大型语言模型 (LLM) 应用程序的一个关键限制，即它们与外部数据源和工具的隔离。

基于 LLM 的应用的重点领域之一是数据传输。将数据传送到 LLM 进行推理，这是 RAG 实现的目标，而微调和 MCP 的目标也是如此。

MCP 的主要目的是标准化基于 LLM 的应用程序如何连接到不同的系统，如下图所示：

二、消除定制集成

AI 代理面临的挑战是将数据传递给 AI 代理，或者换句话说，将基于 AI 代理/LLM 的应用程序集成到外部数据源。

人们曾多次尝试利用 GUI、Web 浏览器和 Web 搜索来实现无缝集成。这些方法各有优缺点。

MCP 具有作为通用接口发挥作用的潜力，可以将其视为 AI 的 USB-C 的虚拟/软件版本。

实现 LLM/AI 代理和外部资源之间的无缝、安全和可扩展的数据交换。

MCP 采用客户端-服务器架构，其中 MCP 主机（AI 应用程序）与 MCP 服务器（数据/工具提供商）进行通信

开发人员可以使用MCP构建可重复使用的模块化连接器，并为流行平台提供预构建的服务器，从而创建社区驱动的生态系统。

MCP 的开源特性鼓励创新，允许开发人员扩展其功能，同时通过细粒度权限等功能保持安全性。

最终，MCP 旨在将 AI 代理从孤立的聊天机器人转变为深度集成到数字环境中的情境感知、可互操作的系统。

三、分步说明

Anthropic 的模型上下文协议 (MCP) 是一个开源协议，用于将 LLM 与上下文、工具和提示连接起来。它拥有越来越多的用户，可用于连接各种工具或数据源。在这里，我们将演示如何将任何 MCP 服务器连接到 LangGraph 代理并使用 MCP 工具……

如果您像我一样，获得一个原型作品，无论它多么简单，都会带来极大的清晰感和理解力；至少在我自己看来是这样。

首先，打开一个终端应用程序（WIN+R输入CMD）。

使用conda创建python虚拟环境用来运行代码；下面的命令创建了名为langchain_mcp_env的虚拟环境。

conda create -n langchain_mcp_env python=3.11.11

然后运行此命令来激活（进入）虚拟环境：

conda activate langchain_mcp_env langchain_openai langgraph

按顺序运行以下代码行：

pip install langchain-mcp-adapters

在一个终端选项卡中，创建一个文本文件：

vim math_server.py

并粘贴以下python代码：

from mcp.server.fastmcp import FastMCPmcp = FastMCP("Math_MCP")@mcp.tool()
def add(a: int, b: int) -> int:"""Add two numbers"""return a + [e-mail]()
def multiply(a: int, b: int) -> int:"""Multiply two numbers"""return a * [e-mail]()
def sub(a: int, b: int) -> int:"""Multiply two numbers"""return a - [e-mail]()
def divide(a: int, b: int) -> float:"""Multiply two numbers"""return (a / b)if __name__ == "__main__":mcp.run(transport="stdio")

现在我们要使用ollama运行模型服务……

使用ollama自定义qwen2.5:7b模型名称为gpt-4o（避免不能进行工具调用）

ollama cp qwen2.5:7b gpt-4o:latest 

启动ollama模型服务

ollama serve

 创建一个文件来粘贴客户端代码：

vim client.py

将以下代码粘贴到文件中： 

from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from langchain_mcp_adapters.tools import load_mcp_tools
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
import asynciomodel = ChatOpenAI(base_url="http://localhost:11434/v1",api_key="EMPTY",model="gpt-4o")server_params = StdioServerParameters(command="python",# Make sure to update to the full absolute path to your math_server.py fileargs=["math_server.py"],
)async def run_agent():async with stdio_client(server_params) as (read, write):async with ClientSession(read, write) as session:# Initialize the connectionawait session.initialize()# Get toolstools = await load_mcp_tools(session)# Create and run the agentagent = create_react_agent(model, tools)agent_response = await agent.ainvoke({"messages": "计算下面算术题给出最终答案：(4 + 5 -3) x (12÷3) -11 ?"})return agent_response# Run the async function
if __name__ == "__main__":result = asyncio.run(run_agent())print("调用工具列表如下：\n")print(result['messages'][1].tool_calls)print("大模型各个步骤输出：\n")print('\n==============================\n'.join([i.content for i in result['messages']]))

使用以下命令运行客户端： 

python client.py

客户端将运行一次并以以下输出结束： 

四、结论

MCP 是一种将 AI 代理与提供上下文和记忆的信息和服务相集成的便捷方式。MCP 通过标准化接口与模块化设计，打破了大型语言模型（LLM）与外部数据源、工具的隔离壁垒，实现了数据传输与功能集成的高效化与通用化。其客户端 - 服务器架构不仅支持开发者构建可复用的连接器（如数学计算工具示例），还通过开源生态与细粒度权限管理，推动 AI 代理从孤立的聊天机器人向深度融入数字环境的情境感知系统进化。从 RAG 的数据推理到模型微调，MCP 为 LLM 应用提供了统一的数据交互范式，助力 AI 工具链在跨平台、跨系统场景下实现安全、可扩展的无缝协同，成为推动 AI 应用落地的关键基础设施。