MCP 的出现源于这样一个关键问题：大型语言模型（LLM）应用无法与外部数据源和工具进行连接，形成了隔离运行 的限制。
在基于 LLM 的应用中，数据传递 一直是一个核心关注点。即：如何将数据送达 LLM 以供其推理使用。这是 RAG（检索增强生成）、微调（Fine-tuning）方法，以及 MCP 协议本身所致力于解决的问题。
MCP 的核心目的，是标准化 LLM 应用与多种系统之间的连接方式 ，正如下面这张图所示：
消除定制化集成（Eliminating Custom Integration）
在构建 AI 智能体的过程中，存在一个关键挑战：如何将数据传递给 AI 智能体。 换句话说，即如何将 AI 智能体 / 基于 LLM 的应用集成到外部数据源 中。
为了解决这一问题，人们尝试了多种方式来实现尽可能无缝的集成 ，包括：使用图形化界面（GUI），使用网页浏览器，使用网页搜索能力等手段。这些方式各有优劣 ，虽然它们在某些场景下取得了一定效果，但也存在明显的局限性。
MCP 有望成为一个通用接口，你可以把它看作是 AI 领域中虚拟 / 软件版本的 USB-C。
它能够在 LLM / AI 智能体 与外部资源之间，实现无缝、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 / 工具提供方）进行通信。
开发者可以使用 MCP 构建可复用的、模块化的连接器。同时，已有为主流平台构建的预设服务器，正在形成一个由社区驱动的生态系统。
MCP 的开源特性鼓励创新，开发者可以在不牺牲安全性的前提下扩展其功能，比如借助细粒度权限控制等机制来保障系统安全。
最终，MCP 的目标是将 AI 智能体从孤立的聊天机器人，转变为具备上下文感知能力、可互操作的系统，并与数字环境深度集成。
📌 延伸阅读：
AI Agents Are Much More Vulnerable Than LLM-Based Applications[1]
研究显示，相比于独立的 LLM，AI 智能体更容易受到攻击……
Anthropic 的 Model Context Protocol（MCP ）是一个开源协议 ，用于将 LLM 与上下文、工具和提示词连接起来。它支持越来越多的 服务器（servers） ，用于连接各种工具或数据源。
在本指南中，我们将演示如何将 任意 MCP 服务器 连接到 LangGraph 智能体 ，并使用 MCP 工具。
如果你跟我一样，哪怕只是让一个原型跑起来，也会带来极大的清晰感和理解力 —— 至少在我自己的脑海中是这样的。
第一步：打开终端应用
在你的电脑上打开 Terminal（终端）应用 。下面是如何在 MacBook 上找到它的示意图：
第二步：创建两个终端标签页（Tabs）
在终端窗口中，创建两个标签页 ：
•一个标签页用来运行 服务器端（MCP Server） •另一个标签页用来运行 客户端（MCP Client 或 LangGraph Agent）
✅ 接下来我们将在这两个终端中分别启动所需组件，并一步步连接它们。
第三步：创建虚拟环境并运行代码
在安装和运行代码前，创建虚拟环境 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
然后运行以下命令以激活（进入）该虚拟环境：
source MCP\_Demo/bin/activate
你会看到命令提示符前出现 (MCP_Demo)，表示你已成功进入虚拟环境。
依次运行以下命令：
pip install langchain-mcp-adapters
pip install langchain-mcp-adapters
export OPENAI_API_KEY=<your_api_key>
请将 your\_api\_key 替换为你自己的 OpenAI API 密钥，例如：
export OPENAI\_API\_KEY=sk-xxxxxxxxxxxxxxxxxxxxx
在其中一个终端标签页中，创建一个名为vim server.py的文本文件。
然后将以下 Python 代码粘贴到文件中：
# math_server.py
from mcp.server.fastmcp importFastMCP
# 初始化一个 MCP 服务器，命名为 "Math"
mcp =FastMCP("Math")
# 定义一个 MCP 工具：加法
@mcp.tool()
def add(a:int, b:int)->int:
"""两个数字相加"""
return a + b
# 定义另一个 MCP 工具：乘法
@mcp.tool()
def multiply(a:int, b:int)->int:
"""两个数字相乘"""
return a * b
# 启动服务器，使用 stdio 作为通信方式
if __name__ =="__main__":
mcp.run(transport="stdio")
关闭文本文件后，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，终端窗口看起来将如下所示：
第四步：创建并运行客户端（Client）
当 MCP 服务器正在一个终端标签页中运行时，切换到另一个终端标签页 。
在该终端中创建一个新的文件来粘贴客户端代码：vim client.py。
将以下代码粘贴到文件中：
# 创建 stdio 连接的服务器参数
from mcp importClientSession,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 importChatOpenAI
import asyncio
# 初始化 OpenAI 模型（这里使用 gpt-4o）
model =ChatOpenAI(model="gpt-4o")
# 设置 MCP Server 参数（通过标准输入输出进行通信）
server_params =StdioServerParameters(
command="python",
# 请将此处路径替换为你 math_server.py 文件的绝对路径
args=["math_server.py"],
)
# 定义运行智能体的异步函数
async def run_agent():
async with stdio_client(server_params)as(read, write):
async withClientSession(read, write)as session:
# 初始化连接
await session.initialize()
# 加载 MCP 工具
tools = await load_mcp_tools(session)
# 创建并运行智能体
agent = create_react_agent(model, tools)
agent_response = await agent.ainvoke({"messages":"what's (3 + 5) x 12?"})
return agent_response
# 执行异步函数
if __name__ =="__main__":
result = asyncio.run(run_agent())
print(result)
在第二个终端标签页中运行客户端命令：python3 client.py。
该客户端会执行一次，然后结束，输出如下内容（示例）：
{'messages':
[HumanMessage(content=“(3+5) x 12等于多少？" ,
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',
'finish_reason':'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={'token_usage':{'completion_tokens':22,
'prompt_tokens':143,
'total_tokens':165,
'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',
'finish_reason':'stop',
'logprobs':None},
id='run-6c00a336-7d52-4917-9186-b282a5984b10-0',
usage_metadata={'input_tokens':143,
'output_tokens':22,
'total_tokens':165,
'input_token_details':{'audio':0,'cache_read':0},
'output_token_details':{'audio':0,
'reasoning':0}})]}
🧩 你已完成一个完整的 LangChain + MCP + LangGraph 智能体原型搭建！
✅ 总结（Finally）
MCP 是一种便捷的方式，可将 AI 智能体与提供上下文和记忆能力的信息与服务集成起来。
更多信息
山行AI希望本文对你有所帮助，由笔者翻译整理自：https://cobusgreyling.medium.com/using-langchain-with-model-context-protocol-mcp-e89b87ee3c4c，如对你有帮助，请帮忙点赞、转发、评论，谢谢！
References
[1] AI Agents Are Much More Vulnerable Than LLM-Based Applications: https://cobusgreyling.medium.com