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

基于LLM的应用的一个重点关注领域是数据交付方面。将数据传递给LLM以进行推理，这是检索增强生成（RAG）实现、微调以及MCP的目标之一。

MCP的主要目的是标准化基于LLM的应用如何连接到各种系统，如下图所示：

消除自定义集成

在向AI代理交付数据方面存在挑战，换句话说，就是将基于AI代理/LLM（大型语言模型）的应用与外部数据源进行集成存在困难。

人们已经尝试了多种方法，试图通过利用图形用户界面（GUI）、网页浏览器和网页搜索来实现某种程度的无缝集成。所有这些途径都有其优点和缺点。

MCP有潜力成为一个通用接口，可以把它想象成AI领域的虚拟/软件版USB-C。

它能够实现LLM/AI代理与外部资源之间无缝、安全且可扩展的数据交换。

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

开发者可以使用MCP构建可重用的模块化连接器，同时提供针对流行平台的预构建服务器，从而创建一个由社区驱动的生态系统。

MCP的开源性质鼓励创新，允许开发者在通过细粒度权限等功能保持安全性的同时，扩展其能力。

最终，MCP旨在将AI代理从孤立的聊天机器人转变为具有上下文感知能力的、可互操作的系统，深度集成到数字环境中。

逐步操作指南

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

如果你和我一样，那么无论原型多么简单，只要能让它工作起来，就会带来极大的清晰感和理解力；至少在我自己看来是这样。

要开始操作，请打开一个终端应用程序……下面是在MacBook上找到它的位置。

在终端窗口中，创建两个选项卡；一个用于运行服务器，另一个用于运行客户端。

创建虚拟环境来安装和运行代码是一个良好的实践；下面的命令将创建一个名为MCP_Demo的虚拟环境。

python3 -m venv MCP_Demo

然后运行以下命令来激活（进入）虚拟环境：

source MCP_Demo/bin/activate

你会看到命令提示符已更新为包含(MCP_Demo)。

按顺序运行以下代码行：

pip install langchain-mcp-adapters
pip install langchain-mcp-adapters
export OPENAI_API_KEY=<your_api_key>

将文本 <your_api_key 替换为你的 OpenAI API 密钥。

在一个终端选项卡中，创建一个文本文件：vim server.py，

然后粘贴以下 Python 代码：

# math_server.py
from mcp.server.fastmcp import FastMCP
mcp = FastMCP("Math")
@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b
@mcp.tool()
def multiply(a: int, b: int) -> int:
    """Multiply two numbers"""
    return a * b
if __name__ == "__main__":
    mcp.run(transport="stdio")

关闭文本文件，使用以下命令启动并运行服务器：

python3 math_server.py

你不会看到任何输出，终端选项卡将如下所示：

现在，我们将创建并运行客户端……当MCP服务器在一个选项卡中运行时，转到第二个选项卡……创建一个文件以粘贴客户端代码：vim client.py。将以下代码粘贴到文件中：

# Create server parameters for stdio connection
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 asyncio
model = ChatOpenAI(model="gpt-4o")
server_params = StdioServerParameters(
    command="python",
    # Make sure to update to the full absolute path to your math_server.py file
    args=["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 connection
            await session.initialize()
            # Get tools
            tools = await load_mcp_tools(session)
            # Create and run the agent
            agent = create_react_agent(model, tools)
            agent_response = await agent.ainvoke({"messages": "what's (3 + 5) x 12?"})
            return agent_response
# Run the async function
if __name__ == "__main__":
    result = asyncio.run(run_agent())
    print(result)

使用命令 python3 client.py 运行客户端。客户端将运行一次，并以以下输出结束：

{'messages': 
[HumanMessage(content="what's (3 + 5) x 12?", 
additional_kwargs={}, response_metadata={}, 
id='87a8b6b6-9add-4da7-aea5-1b197c0fc0f5'), 
AIMessage(content='', 
additional_kwargs={'tool_calls': [{'id': 'call_1eyRzR7WpKzhMXG4ZFQAJtUD', 
'function': 
{'arguments': '{"a": 3, "b": 5}', 'name': 'add'}, 
'type': 'function'}, 
{'id': 'call_q82CX807NC3T6nHMrhoHT46E', 
'function': 
{'arguments': '{"a": 8, "b": 12}', 'name': 'multiply'}, 
'type': 'function'}], 
'refusal': None}, 
response_metadata={'token_usage': 
{'completion_tokens': 51, 
'prompt_tokens': 77, 
'total_tokens': 128, 
'completion_tokens_details': 
{'accepted_prediction_tokens': 0, 
'audio_tokens': 0, 
'reasoning_tokens': 0, 
'rejected_prediction_tokens': 0}, 
'prompt_tokens_details': 
{'audio_tokens': 0, 
'cached_tokens': 0}}, 
'model_name': 'gpt-4o-2024-08-06', 
'system_fingerprint': 'fp_eb9dce56a8', 
: 'tool_calls', 
'logprobs': None}, 
id='run-13c01640-f92b-48b7-9340-c2ad983eb1c8-0', 
tool_calls=[{'name': 'add', 'args': {'a': 3, 'b': 5}, 
'id': 'call_1eyRzR7WpKzhMXG4ZFQAJtUD', 
'type': 'tool_call'}, {'name': 'multiply', 
'args': {'a': 8, 'b': 12}, 
'id': 'call_q82CX807NC3T6nHMrhoHT46E', 
'type': 'tool_call'}], 
usage_metadata={'input_tokens': 77, 
'output_tokens': 51, 
'total_tokens': 128, 
'input_token_details': {'audio': 0, 
'cache_read': 0}, 
'output_token_details': {'audio': 0, 
'reasoning': 0}}), 
ToolMessage(content='8', 
name='add', 
id='f8e0aba5-7a62-44c6-92a3-5fe3b07c9bd5', 
tool_call_id='call_1eyRzR7WpKzhMXG4ZFQAJtUD'), 
ToolMessage(content='96', 
name='multiply', 
id='66b9bbd9-b99a-402f-b26c-df83f5a69fa3', 
tool_call_id='call_q82CX807NC3T6nHMrhoHT46E'), 
AIMessage(content='The result of \\((3 + 5) \\times 12\\) is 96.', 
additional_kwargs={'refusal': None}, 
response_metadata=: { 
 
  
   
  
  
  
   
  
 
 
 
 
 
  
  
  
    
   
 

结论

MCP是一种便捷的方式，用于将AI代理与提供上下文和记忆的信息和服务进行集成。