1. 为什么要在同一个项目里同时跑 MCP 和 LangChain
如果你最近在折腾 Agent 应用，大概率会遇到一个选择困难：工具调用到底用 MCP（Model Context Protocol，模型上下文协议）还是 LangChain？前者是 Anthropic 推的开放标准，把工具封装成独立服务，通过 JSON-RPC 2.0 通信；后者是成熟的 Python 框架，工具就是代码里一个@tool装饰的函数，注册进 Agent 就能用。
我试过把两条链路放在同一个项目里对比，发现它们最本质的区别不在 API 长相，而在「工具住在哪里」。LangChain 的工具住在你的进程里，调用就是一次本地函数执行；MCP 的工具住在另一个进程甚至另一台机器上，调用是一次带生命周期的网络协议交互。这个差异会直接影响你的部署方式、调试手段和扩展成本。
这篇面向需要在同一项目中对比两种链路的开发者。我会用 TaoToken 作为统一的 Key 和 API 通道，分别接入 LangChain 的 tool calling 和 MCP 的 tools/call，给出可复制的config.toml与settings.json骨架，然后发起一次真实的工具调用请求，把请求结构、路由方式和返回结果摆在一起看差异。适合已经写过简单 Agent、想搞清楚「协议化工具调用」到底多做了哪些事的人。
需要提前说明：TaoToken 在这里的角色是统一模型入口，两条链路都通过它拿模型能力，这样对比时变量只剩工具调用机制本身，不会因为换了模型供应商导致结果不可比。
2. TaoToken 前置：统一 Key 与两条链路的接入点
2.1 为什么对比实验需要统一 Key
做机制对比最怕变量污染。如果 LangChain 走 A 家的模型、MCP 走 B 家的模型，那请求结构差异里就混进了供应商格式差异，根本分不清是协议本身的不同还是 API 封装的不同。TaoToken 提供 OpenAI 兼容的接口，两条链路都能指向同一个 base_url 和同一个 Key，模型也选同一个，这样工具调用的请求体差异就纯粹来自框架和协议层。
TaoToken 的 API 地址是https://taotoken.net/api，兼容 OpenAI 的/v1/chat/completions路径。LangChain 用ChatOpenAI直接接，MCP 那条链路里模型侧同样走这个地址，工具侧才走 MCP Server。
2.2 拿 Key 与确认模型
先到控制台创建 API Key，地址是https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite。创建后复制出来，形如sk-开头的一串。建议单独建一个用于实验的 Key，方便后面看调用日志。
模型方面，选一个支持 function calling / tool use 的就行。工具调用能力是两条链路的共同前提，如果模型本身不返回 tool_calls 结构，后面所有对比都无从谈起。你可以在模型对话页先手动发一条带 tools 定义的请求，确认模型能正常返回工具调用意图，地址是https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite。
2.3 两条链路的接入点差异
LangChain 链路：模型 + 本地工具函数，全部在你自己的 Python 进程里。TaoToken 只负责模型推理，工具执行是本地requests.get之类。
MCP 链路：模型仍然走 TaoToken，但工具被抽到一个独立的 MCP Server 进程，通过 stdio 或 SSE 通信。你的主程序里有一个 MCP Client，它先tools/list发现工具，再tools/call发起调用。
把这两条画在一起，TaoToken 是它们共享的「模型出口」，而工具入口一个是本地函数表，一个是协议端点。这就是后面所有配置文件的组织逻辑。
3. 可复制配置：config.toml 与 settings.json 骨架
3.1 项目目录结构
先约定一个最小可跑的结构，避免配置文件散落各处找不到：
mcp-vs-langchain/ ├── config.toml # 统一配置：Key、base_url、模型名 ├── settings.json # MCP Server 注册表 ├── langchain_agent.py # LangChain 链路 ├── mcp_client.py # MCP 链路 └── mcp_servers/ └── weather_server.py # 一个最小 MCP Server3.2 config.toml：两条链路共享的模型配置
# config.toml [llm] base_url = "https://taotoken.net/api" api_key = "sk-你的Key" model = "gpt-4o-mini" # 换成你账号下支持 tool calling 的模型 temperature = 0 [langchain] tool_timeout = 10 [mcp] transport = "stdio" # 本地实验先用 stdio，远程再换 sse server_startup_timeout = 15base_url不带/v1，因为 OpenAI SDK 和 LangChain 的ChatOpenAI会自动补/v1/chat/completions。这一点很容易踩坑，写成https://taotoken.net/api/v1会变成/api/v1/v1/...。
3.3 settings.json：MCP Server 注册表
MCP 的客户端配置通常是一个 JSON，声明要启动哪些 Server、用什么命令启动。这个骨架可以直接抄：
{ "mcpServers": { "weather": { "command": "python", "args": ["mcp_servers/weather_server.py"], "env": { "PYTHONUNBUFFERED": "1" } } } }command+args是 stdio 传输的启动方式，客户端会 fork 这个进程，通过 stdin/stdout 收发 JSON-RPC 消息。env里加PYTHONUNBUFFERED是为了日志能实时刷出来，调试时很关键。
3.4 一个最小 MCP Server
为了让对比能跑起来，写一个只暴露一个工具的 Server：
# mcp_servers/weather_server.py from mcp.server.fastmcp import FastMCP mcp = FastMCP("weather") @mcp.tool() def get_weather(city: str) -> dict: """查询指定城市的天气。""" # 真实项目里这里调外部 API，实验用固定值即可 return {"city": city, "temperature": 26, "condition": "sunny"} if __name__ == "__main__": mcp.run(transport="stdio")注意@mcp.tool()装饰后，函数签名和 docstring 会被自动转成工具的 JSON Schema，这就是 MCP 的tools/list返回的内容。LangChain 那边@tool装饰器做的是同一件事，区别在于一个注册到本地列表，一个注册到协议端点。
4. 两条链路的代码与验证请求
4.1 LangChain 链路：本地函数注册
# langchain_agent.py import tomllib from langchain_openai import ChatOpenAI from langchain_core.tools import tool from langchain.agents import create_tool_calling_agent, AgentExecutor from langchain_core.prompts import ChatPromptTemplate with open("config.toml", "rb") as f: cfg = tomllib.load(f) llm = ChatOpenAI( base_url=cfg["llm"]["base_url"], api_key=cfg["llm"]["api_key"], model=cfg["llm"]["model"], temperature=cfg["llm"]["temperature"], ) @tool def get_weather(city: str) -> dict: """查询指定城市的天气。""" return {"city": city, "temperature": 26, "condition": "sunny"} prompt = ChatPromptTemplate.from_messages([ ("system", "你可以调用工具回答用户问题。"), ("human", "{input}"), ("placeholder", "{agent_scratchpad}"), ]) agent = create_tool_calling_agent(llm, [get_weather], prompt) executor = AgentExecutor(agent=agent, tools=[get_weather], verbose=True) result = executor.invoke({"input": "北京天气如何？"}) print(result["output"])跑起来后，verbose=True会打印出模型返回的 tool_calls 结构，形如{"name": "get_weather", "args": {"city": "北京"}, "id": "call_xxx"}。LangChain 拿到这个结构后，直接在本地查tools列表找到同名函数执行，把结果塞回消息历史，再让模型生成最终回答。
4.2 MCP 链路：协议发现与调用
# mcp_client.py import asyncio, json, tomllib from mcp import ClientSession, StdioServerParameters from mcp.client.stdio import stdio_client from openai import OpenAI with open("config.toml", "rb") as f: cfg = tomllib.load(f) client = OpenAI( base_url=cfg["llm"]["base_url"], api_key=cfg["llm"]["api_key"], ) async def main(): params = StdioServerParameters( command="python", args=["mcp_servers/weather_server.py"], ) async with stdio_client(params) as (read, write): async with ClientSession(read, write) as session: await session.initialize() tools_resp = await session.list_tools() print("发现工具:", [t.name for t in tools_resp.tools]) # 把 MCP 工具转成 OpenAI tools 格式 openai_tools = [{ "type": "function", "function": { "name": t.name, "description": t.description, "parameters": t.inputSchema, }, } for t in tools_resp.tools] resp = client.chat.completions.create( model=cfg["llm"]["model"], messages=[{"role": "user", "content": "北京天气如何？"}], tools=openai_tools, ) call = resp.choices[0].message.tool_calls[0] print("模型请求调用:", call.function.name, call.function.arguments) result = await session.call_tool( call.function.name, json.loads(call.function.arguments), ) print("MCP 返回:", result.content[0].text) asyncio.run(main())4.3 请求结构对比
把两条链路的实际请求抓出来看，差异集中在工具描述的来源和调用的路由上：
| 对比项 | LangChain | MCP |
|---|---|---|
| 工具描述来源 | 代码内@tool装饰器 | tools/list协议响应 |
| 模型请求体 | 相同，都是 OpenAI tools 格式 | 相同，由 MCP schema 转换而来 |
| 调用路由 | 本地字典按 name 查找 | JSON-RPCtools/call发往 Server |
| 执行位置 | 当前进程 | 独立进程/远程服务 |
| 返回结构 | 函数返回值直接入消息 | JSON-RPC result 再解析 |
模型看到的 tools 数组几乎一样，因为 MCP 的inputSchema本身就是 JSON Schema，转成 OpenAI 格式是无损的。真正的分水岭在模型返回 tool_calls 之后：LangChain 是一次本地函数调用，MCP 是一次跨进程的协议往返。
4.4 验证动作与预期结果
跑langchain_agent.py，你应该看到 verbose 输出里先出现 tool_calls，然后get_weather被本地执行，最后模型整合出「北京今天晴，26 度」。
跑mcp_client.py，你应该先看到「发现工具: ['get_weather']」，这是tools/list的结果；然后「模型请求调用: get_weather {"city": "北京"}」；最后「MCP 返回: {...}」，这是tools/call的 JSON-RPC 响应体。
两条链路最终都能回答天气问题，但 MCP 多了一次initialize握手和一次tools/list发现。这就是协议化带来的固定开销，也是它换来动态扩展能力的代价。
5. 本篇常见错排查
5.1 base_url 写错导致 404
最常见的报错是Error code: 404，多半是base_url写成了https://taotoken.net/api/v1。OpenAI SDK 会自己拼/v1/chat/completions，你只需要给到https://taotoken.net/api。LangChain 的ChatOpenAI同理。
5.2 MCP Server 启动超时
如果stdio_client卡住不动，先单独在终端跑python mcp_servers/weather_server.py，确认它能正常启动不报 ImportError。mcp包需要单独安装，pip install mcp。另外PYTHONUNBUFFERED=1没设的话，日志可能被缓冲住，看起来像卡死。
5.3 模型不返回 tool_calls
如果模型直接回答了「北京天气晴」而没有走工具，说明模型没被触发工具调用。检查两点：一是模型本身是否支持 tool calling，二是 tools 数组是否真的传进去了。可以在模型对话页手动构造一次带 tools 的请求验证，地址https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite。
5.4 MCP 工具 schema 转换失败
t.inputSchema如果缺type: object或properties，转成 OpenAI 格式时会被拒。FastMCP 一般会自动生成合规 schema，但如果你手写 Server 或用其他语言实现，要确保返回的是标准 JSON Schema。报错通常长这样：Invalid schema for function 'get_weather'。
5.5 两条链路结果不一致
如果 LangChain 能答、MCP 报Tool not found，检查call_tool传的 name 是否和tools/list返回的完全一致，大小写敏感。另一个坑是参数类型：模型可能把city传成数字，MCP Server 侧如果做了严格类型校验会直接拒绝，而 LangChain 的本地函数可能因为 Python 动态类型蒙混过关。这种差异恰恰说明协议化调用对 schema 的约束更硬。
6. 把统一 Key 用在长期编码与 Agent 项目里
两条链路跑通后，你会发现真正影响日常开发效率的不是单次调用，而是反复调试工具 schema、切换模型、管理多个 Key 的琐碎成本。TaoToken 在这里的价值是把模型出口收敛成一个，LangChain 和 MCP 都指向同一个 base_url，换模型只改config.toml一行。
如果你打算把这种对比架构用到长期编码或 Agent 项目里，可以看下 Coding Plan，地址是https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite。它适合需要持续跑 Agent、频繁调工具的场景，省去每次实验都重新配 Key 的麻烦。
接入文档在https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite，里面有 OpenAI 兼容接口的完整参数说明，包括 tools 字段的格式要求。API Key 管理页是https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite，建议给实验项目单独建 Key，方便按项目看用量。
最后留一个实操建议：把config.toml里的model做成环境变量覆盖，这样同一份代码可以在不同模型间快速切换，对比工具调用行为时特别有用。MCP 的settings.json也可以按环境拆成settings.dev.json和settings.prod.json，本地用 stdio，线上换 SSE，客户端代码几乎不用改。
