20.1 MCP 工具与智能小秘书案例

📚 第31课核心知识点梳理：MCP 工具与智能小秘书案例

一、什么是 MCP？（Model Context Protocol）

MCP（模型上下文协议）是一个开放的标准化协议，旨在解决 AI 大语言模型与外部工具、数据源之间的"连接碎片化"问题。在传统的 AI Agent 开发中，开发者需要为每个外部服务编写专用的适配器，导致系统维护成本高、扩展性差。MCP 提供了一个统一的规范：

MCP 核心设计	说明
统一工具描述格式	通过标准的 Tool Schema 定义工具的输入参数、输出格式和执行方式
跨语言客户端/服务端实现	支持 stdio 管道、HTTP SSE 等多种通信方式
服务发现机制	通过注册中心实现 MCP Server 的动态加载
版本兼容性保障	协议标准化，避免 API 变更导致的集成问题

采用 MCP 后，新工具接入时间从平均 72 小时缩短至 15 分钟以内。

二、为什么需要 MCP？

• 工具链碎片化：每个外部系统需要定制 API 连接代码，维护成本高昂
• 多模型协同：支持不同厂商 LLM 的无缝切换，避免技术锁定
• 开发效率跃升：标准化协议使集成成本降低 68%，开发周期缩短 42%

三、LangGraph 与 MCP 的两种集成模式

LangGraph 与 MCP 的融合有两种模式，各自适用于不同的场景。

集成模式	说明	适用场景
客户端集成模式	将 MCP Server 暴露的工具集作为 LangGraph 工作流中的原子节点，Agent 可通过统一接口调用外部服务	调用外部 NLP 服务、访问向量数据库、集成第三方 API
服务端封装模式	将现有 LangGraph 工作流暴露为 MCP 服务，供其他系统调用	复用已有流程、构建可组合的工作流服务

下面通过完整的案例演示这两种模式。

🪐 星系案例：智能小秘书系统

构建一个支持多工具调用的智能小秘书系统，集成数学计算和天气查询两大能力，通过 MCP 协议统一管理。

案例整体架构图

目录结构

mcp_intelligent_secretary/ ├── math_server.py # 数学计算 MCP Server (stdio) ├── weather_server.py # 天气查询 MCP Server (HTTP/SSE) ├── agent_client.py # LangGraph Agent 客户端 └── .env # 环境配置

步骤一：安装依赖

pipinstalllangchain-mcp-adapters langgraph langchain-openai mcp httpx python-dotenv

步骤二：数学计算 MCP Server（stdio 通信）

# math_server.pyimportasynciofrommcp.serverimportServerfrommcp.server.stdioimportstdio_serverfrommcp.typesimportTool,TextContentimportjson app=Server("math-server")@app.list_tools()asyncdeflist_tools():return[Tool(name="add",description="计算两个数的和",inputSchema={"type":"object","properties":{"a":{"type":"number","description":"第一个数"},"b":{"type":"number","description":"第二个数"}},"required":["a","b"]}),Tool(name="multiply",description="计算两个数的乘积",inputSchema={"type":"object","properties":{"a":{"type":"number","description":"第一个数"},"b":{"type":"number","description":"第二个数"}},"required":["a","b"]}),]@app.call_tool()asyncdefcall_tool(name:str,arguments:dict):ifname=="add":result=arguments["a"]+arguments["b"]return[TextContent(type="text",text=str(result))]elifname=="multiply":result=arguments["a"]*arguments["b"]return[TextContent(type="text",text=str(result))]raiseValueError(f"Unknown tool:{name}")asyncdefmain():asyncwithstdio_server()as(read_stream,write_stream):awaitapp.run(read_stream,write_stream,app.create_initialization_options())if__name__=="__main__":asyncio.run(main())

步骤三：天气查询 MCP Server（HTTP SSE 通信）

# weather_server.pyimportasyncioimportjsonfrommcp.serverimportServerfrommcp.server.sseimportSseServerTransportfrommcp.typesimportTool,TextContentfromstarlette.applicationsimportStarlettefromstarlette.routingimportRouteimportuvicorn app=Server("weather-server")sse=SseServerTransport("/messages")@app.list_tools()asyncdeflist_tools():return[Tool(name="get_weather",description="查询指定城市的天气信息",inputSchema={"type":"object","properties":{"city":{"type":"string","description":"城市名称，如北京、上海、广州"}},"required":["city"]})]@app.call_tool()asyncdefcall_tool(name:str,arguments:dict):ifname=="get_weather":city=arguments["city"]# 模拟天气查询weather_data={"北京":"晴朗，25°C，空气质量良好","上海":"多云，22°C，湿度适中","广州":"阵雨，28°C，注意带伞"}result=weather_data.get(city,f"晴转多云，20°C")return[TextContent(type="text",text=f"{city}天气：{result}")]raiseValueError(f"Unknown tool:{name}")# Starlette 应用（支持 SSE）asyncdefhandle_sse(request):asyncwithsse.connect_sse(request.scope,request.receive,request._send)asstreams:awaitapp.run(streams[0],streams[1],app.create_initialization_options())routes=[Route("/sse",endpoint=handle_sse),Route("/messages",endpoint=sse.handle_post_message,methods=["POST"]),]starlette_app=Starlette(routes=routes)if__name__=="__main__":uvicorn.run(starlette_app,host="127.0.0.1",port=8000)

步骤四：LangGraph Agent 客户端

# agent_client.pyimportasyncioimportosfromdotenvimportload_dotenvfromlangchain_openaiimportChatOpenAIfromlangchain_mcp_adapters.clientimportMultiServerMCPClientfromlanggraph.prebuiltimportcreate_react_agentfromlanggraph.checkpoint.memoryimportMemorySaver load_dotenv()ifos.name=='nt':importsysimportasyncioifsys.platform=='win32':asyncio.set_event_loop_policy(asyncio.WindowsSelectorEventLoopPolicy())# 初始化 LLMllm=ChatOpenAI(model="qwen-plus",temperature=0.7,api_key=os.getenv("DASHSCOPE_API_KEY"),base_url=os.getenv("DASHSCOPE_BASE_URL"),)asyncdefmain():# 配置多个 MCP Servermcp_servers={"math":{"command":"python","args":["math_server.py"],"transport":"stdio",},"weather":{"url":"http://127.0.0.1:8000/sse","transport":"sse",},}# 创建 MCP 客户端并获取工具asyncwithMultiServerMCPClient(mcp_servers)asclient:tools=awaitclient.get_tools()print(f"✅ 加载了{len(tools)}个 MCP 工具:")fortoolintools:print(f" -{tool.name}:{tool.description}")# 创建 LangGraph Agentagent=create_react_agent(model=llm,tools=tools,prompt="你是一个智能小秘书，可以帮助用户进行数学计算和查询天气。")# 交互对话print("\n🤖 智能小秘书已启动（输入 quit 退出）\n")config={"configurable":{"thread_id":"user_001"}}whileTrue:user_input=input("用户: ")ifuser_input.lower()=="quit":breakresponse=awaitagent.ainvoke({"messages":[("user",user_input)]},config=config)print(f"助手:{response['messages'][-1].content}\n")if__name__=="__main__":asyncio.run(main())

启动顺序

# 终端1：启动数学 MCP Serverpython math_server.py# 终端2：启动天气 MCP Serverpython weather_server.py# 终端3：启动 Agentpython agent_client.py

📊 对话测试效果

✅ 加载了 3 个 MCP 工具: - add: 计算两个数的和 - multiply: 计算两个数的乘积 - get_weather: 查询指定城市的天气信息 🤖 智能小秘书已启动（输入 quit 退出） 用户: 3 + 5 等于多少？ 助手: 3 + 5 = 8。 用户: 把这个结果乘以 4，然后告诉我 助手: 8 × 4 = 32。 用户: 北京今天天气怎么样？ 助手: 北京天气：晴朗，25°C，空气质量良好。

📌 关键代码解析

1.MultiServerMCPClient

统一管理多个 MCP Server，支持 stdio 和 SSE 两种通信方式。

2.client.get_tools()

自动发现注册的工具，将 MCP Tool 转换为 LangChain Tool 对象。

3.create_react_agent

LangGraph 预置的 ReAct Agent，自动处理工具调用循环。

🎯 高频面试题汇总

一、MCP 基础概念题

面试问题	核心回答要点
什么是 MCP？为什么需要它？	MCP（Model Context Protocol）是开放协议，解决 LLM 与外部工具集成的碎片化问题。需解释传统开发痛点（定制 API 适配器）和 MCP 价值（工具接入时间从 72 小时→15 分钟）
MCP 1.0 和 2.0 的主要区别？	MCP 2.0 增强版本兼容性、改进动态服务发现机制、引入闭环反馈与可视化编排
MCP 与 Function Calling 的区别？	Function Calling 是模型专有特性，由模型在运行时决定调用哪个函数；MCP 是协议层标准化，提供统一工具描述，解耦工具实现与模型
MCP Server 的两种通信方式？	stdio（标准输入输出，适合本地子进程）；SSE（Server-Sent Events，适合远程 HTTP 调用）

二、LangGraph + MCP 集成题

面试问题	核心回答要点
LangGraph 与 MCP 如何集成？	两种模式：客户端集成模式（工具节点化）；服务端封装模式（工作流暴露为服务）
如何实现多 MCP Server 并行调用？	用 MultiServerMCPClient 统一管理，内部通过 asyncio.gather 并发执行
MCP 工具调用失败如何处理？	在 Agent 中实现重试策略和降级方案；支持同步/异步混合调用，自动适配

三、工程实战题

面试问题	核心回答要点
开发 MCP Server 的关键步骤？	创建 Server 实例、定义 list_tools 返回工具 Schema、实现 call_tool 处理请求、配置传输层（stdio/SSE）
MCP 工具如何定义输入输出？	通过 inputSchema（JSON Schema）定义参数类型和必填项；Tool 对象含 name、description、inputSchema
MCP Server 如何实现服务发现？	通过注册中心机制实现动态加载，客户端通过 MultiServerMCPClient 配置 endpoints
Agent 如何自动选择合适的 MCP 工具？	LangGraph ReAct Agent 根据工具 description 调用 LLM 判断；MCP 提供统一 Tool Schema 支持动态路由

💡 总结：MCP + LangGraph 的三大核心价值

1. 能力解耦：将 AI 能力封装为独立节点，“一次开发，多处调用”
2. 标准化集成：通过统一接口规范，实现不同厂商 LLM 与工具的灵活组合
3. 闭环反馈：LangGraph 的状态管理与 MCP 反馈机制形成智能闭环系统

MCP 是一个开放标准，你可以扩展更多自定义的 MCP Server 来集成任何外部 API 或服务，并根据实际业务需求定制工具 Schema。通过本次实践，你可以直观理解 MCP 如何让 Agent 从“只会聊天”进阶到“会动手执行任务”的智能助手。