MCP 进阶实战：用 LangChain 将 MCP 工具集成到你的 AI Agent 程序

MCP 进阶实战：用 LangChain 将 MCP 工具集成到你的 AI Agent 程序

一、为什么要把 MCP 集成到自己的程序里？

在上一篇文章中，我们通过 Cursor / Trae 的配置文件加载 MCP Server，让 AI 编程助手拥有了查询用户信息的能力。这种方式非常适合交互式编程场景。

但如果你正在开发一个：

• 后台自动化处理任务
• 企业微信 / 钉钉机器人
• 数据报表生成服务
• 内部运维 Agent

你会发现，你需要的不是让 Cursor 去调工具，而是让你自己写的 Node.js / Python 程序去调度大模型 + 调用 MCP 工具。

这时候，@langchain/mcp-adapters 就派上用场了。

二、核心组件：MCP 三者关系再梳理

结合我们之前的 readme.md 内容，先来一张关系图：

┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
│   MCP Host      │────▶│  MCP Client     │────▶│  MCP Server     │
│ (你的 LangChain │     │ (适配器)         │     │ (工具容器)       │
│  应用程序)       │◀────│                 │◀────│                 │
└─────────────────┘     └─────────────────┘     └─────────────────┘

工作流程回顾：

1. Host 启动时，Client 与 Server 建立连接（Stdio / HTTP）
2. Client 向 Server 发起 initialize 请求，获取所有工具列表及详细 schema
3. Host 收到用户任务，大模型判断需要调用某个工具
4. Client 将调用请求转发给 Server
5. Server 执行工具函数，返回结构化结果
6. Host 将结果以 ToolMessage 形式喂回大模型，继续对话

三、环境准备与依赖安装

我们要在已有 MCP Server 的基础上，新建一个 LangChain 应用来调用它。

# 进入你的项目目录（例如 ai/agent/mini-cursor/mcp/）
cd mcp-tool

# 安装所需依赖
npm install @langchain/mcp-adapters @langchain/openai @langchain/core dotenv chalk zod

依赖说明：

• @langchain/mcp-adapters：官方 MCP 与 LangChain 之间的桥接器
• @langchain/openai：调用 OpenAI 兼容接口的大模型
• chalk：美化终端输出（可选）
• dotenv：加载 .env 环境变量

在项目根目录创建 .env 文件，填入你的大模型配置：

MODEL_NAME=gpt-4o-mini
OPENAI_API_KEY=sk-xxxxxx
OPENAI_BASE_URL=

四、编写 MCP Agent 主程序

创建一个新文件 agent.mjs，内容如下（已包含详细注释）：

import 'dotenv/config';
import { MultiServerMCPClient } from '@langchain/mcp-adapters';
import { ChatOpenAI } from '@langchain/openai';
import { HumanMessage, ToolMessage } from '@langchain/core/messages';
import chalk from 'chalk';

// ---------- 1. 初始化大模型 ----------
const model = new ChatOpenAI({
    modelName: process.env.MODEL_NAME,
    apiKey: process.env.OPENAI_API_KEY,
    configuration: {
        baseURL: process.env.OPENAI_BASE_URL,
    }
});

// ---------- 2. 创建 MCP 客户端，连接我们之前写的 Server ----------
const mcpClient = new MultiServerMCPClient({
    mcpServers: {
        'my-mcp-server': {
            command: 'node',
            args: ['C:/Users/29031/Desktop/workspace/lesson_zp/ai/agent/mini-cursor/mcp/mcp-tool/my-mcp-server.mjs'],
        },
    },
});

// ---------- 3. 获取 MCP Server 中的所有工具 ----------
const tools = await mcpClient.getTools();
console.log(chalk.green(' 已加载 MCP 工具列表：'), tools.map(t => t.name));

// 将工具绑定到大模型上（让模型知道它可以调用哪些工具）
const modelWithTools = model.bindTools(tools);

// ---------- 4. Agent 循环函数 ----------
async function runAgentWithTools(query, maxIterations = 30) {
    const messages = [new HumanMessage(query)];

    for (let i = 0; i < maxIterations; i++) {
        console.log(chalk.bgGreen(`⏳ 第 ${i + 1} 轮思考...`));
        
        // 调用大模型，它会返回一个 AI 消息，可能包含 tool_calls
        const response = await modelWithTools.invoke(messages);
        messages.push(response);

        // 如果模型没有要求调用工具，说明对话结束，返回最终答案
        if (!response.tool_calls || response.tool_calls.length === 0) {
            console.log(chalk.bgWhite.black(' 最终回复：'));
            return response.content;
        }

        // 模型要求调用工具，我们逐一执行
        console.log(chalk.bgBlue(` 检测到 ${response.tool_calls.length} 个工具调用：`));
        for (const toolCall of response.tool_calls) {
            console.log(chalk.blue(`   → 调用工具：${toolCall.name}，参数：${JSON.stringify(toolCall.args)}`));
            
            // 从 MCP 工具列表中找到对应的工具实例
            const foundTool = tools.find(t => t.name === toolCall.name);
            if (foundTool) {
                // 执行工具，获得结果
                const toolResult = await foundTool.invoke(toolCall.args);
                
                // 将工具执行结果包装成 ToolMessage，加回对话历史
                messages.push(new ToolMessage({
                    content: toolResult,
                    tool_call_id: toolCall.id
                }));
                
                console.log(chalk.gray(`   ← 工具返回：${toolResult.substring(0, 100)}...`));
            } else {
                console.log(chalk.red(`    未找到工具 ${toolCall.name}`));
            }
        }
    }
    
    return '已达到最大迭代次数，对话终止。';
}

// ---------- 5. 执行一个实际任务 ----------
const result = await runAgentWithTools("查一下用户 002 的信息");
console.log(chalk.yellow('n 最终结果：n'), result);

// ---------- 6. 关闭 MCP 客户端连接 ----------
await mcpClient.close();

代码关键点解析

五、运行测试

在终端执行：

node agent.mjs

你将看到类似如下的输出：

 已加载 MCP 工具列表： [ 'query-user' ]
⏳ 第 1 轮思考...
 检测到 1 个工具调用：
   → 调用工具：query-user，参数：{"userId":"002"}
   ← 工具返回：用户信息：
- ID: 002
- 姓名: 李四
- 邮箱: lisi@example.com
- 角色: user...
⏳ 第 2 轮思考...
 最终回复：
用户 002 的信息如下：
姓名：李四，邮箱：lisi@example.com，角色：user。

 最终结果：
 用户 002 的信息如下：
姓名：李四，邮箱：lisi@example.com，角色：user。

至此，你已经成功将 MCP 工具无缝集成到自己的 LangChain 程序中！

如图

六、进阶：为 MCP Server 添加“资源”（Resource）

MCP 协议不仅支持 Tool（工具），还支持 Resource（资源） 和 Prompt（提示模板）。

在我们的 my-mcp-server.mjs 中，我们已经添加了一个资源：

server.registerResource('使用指南', 'docs://guide', {
   description: 'MCP Server 使用指南',
   mimeType: 'text/plain',
},
async () => {
    return {
      contents: [{
        uri: 'docs://guide',
        mimeType: 'text/plain',
        text: `MCP Server 使用指南...`,
      }]
    };
});

资源的使用方式：

在 LangChain 中，你可以通过 mcpClient.getResources() 获取所有资源，然后通过 mcpClient.readResource(uri) 读取内容。这使得大模型可以在对话中主动查阅你提供的“知识库”。

七、为什么说 MCP 是“可拔插”的工具生态？

从上面的实践可以看出，MultiServerMCPClient 通过一个统一的配置对象，就能启动并管理多个 MCP Server。

• 你想添加一个 Python 写的图像处理 MCP Server？只需在 mcpServers 里加一项配置。
• 你想调用公司内部 Java 写的工单查询 MCP 服务？配置 HTTP 地址即可。
• 你想临时禁用某个工具？注释掉对应配置即可。

这种 “配置即集成” 的模式，让 Agent 的能力扩展变得前所未有的简单。MCP 真正实现了大模型应用层的 Lego 化。

如果这篇文章对你有帮助，欢迎点赞、收藏。有任何疑问或想了解的内容，欢迎在评论区留言！