LangChain:MCP 的 AI Agent 实战

🚀 基于 LangGraph + MCP 的 AI Agent 实战：从 0 搭建一个天气查询工具系统（2026最新版）

📌 一、项目背景

在传统的 LangChain Agent 开发中，我们通常会把工具（Tool）直接写在代码里，例如：

• 天气查询函数
• 搜索函数
• 文件操作函数

这种方式虽然简单，但存在明显问题：

• ❌ 工具无法复用
• ❌ Agent 与工具强耦合
• ❌ 不适合多 Agent 系统
• ❌ 难以工程化扩展

为了解决这些问题，本项目使用：

🔥 MCP（Model Context Protocol） + LangGraph + DeepSeek LLM

构建一个可扩展的工具服务化 AI Agent 系统。

🧠 二、系统架构设计

整体架构如下：

用户 ↓ LangGraph Agent（大脑） ↓ MCP Client（工具调度器） ↓ MCP Server（天气工具服务） ↓ OpenWeather API（真实数据源）

🧩 核心思想

⚙️ 三、环境准备

1️⃣ 安装依赖

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

2️⃣ 配置环境变量（.env）

DEEPSEEK_API_KEY=你的key OPENWEATHER_API_KEY=你的key

3️⃣ MCP 配置文件（mcp.json）

{"mcpServers":{"weather":{"url":"http://127.0.0.1:8000/sse","transport":"sse"}}}

🌩️ 四、MCP Server（工具服务端）

📌 代码：weather_server.py

importjsonimportosimporthttpxfromdotenvimportload_dotenvfromloguruimportloggerfrommcp.server.fastmcpimportFastMCP load_dotenv()# 创建 MCP Servermcp=FastMCP("WeatherServerSSE",host="0.0.0.0",port=8000)@mcp.tool()defget_weather(city:str)->str:""" 查询指定城市天气 """url="https://api.openweathermap.org/data/2.5/weather"params={"q":city,"appid":os.getenv("OPENWEATHER_API_KEY"),"units":"metric","lang":"zh_cn"}resp=httpx.get(url,params=params,timeout=10)data=resp.json()logger.info(f"{city}天气查询成功")returnjson.dumps(data,ensure_ascii=False)if__name__=="__main__":logger.info("🚀 MCP Weather Server 启动中...")mcp.run(transport="sse")

📌 作用

👉 将“天气查询能力”封装成可远程调用的工具服务

🔗 五、MCP Client + LangGraph Agent

📌 代码：client.py

importasyncioimportjsonimportosfromdotenvimportload_dotenvfromloguruimportloggerfromlangchain_mcp_adapters.clientimportMultiServerMCPClientfromlanggraph.prebuiltimportcreate_react_agentfromlangchain.chat_modelsimportinit_chat_model load_dotenv(override=True)defload_servers(file_path="mcp.json"):withopen(file_path,"r",encoding="utf-8")asf:returnjson.load(f)["mcpServers"]asyncdefmain():# 1️⃣ 加载 MCP Serverservers=load_servers()# 2️⃣ 创建 MCP Clientclient=MultiServerMCPClient(servers)# 3️⃣ 获取 toolstools=awaitclient.get_tools()logger.info(f"🧩 Tools:{[t.namefortintools]}")# 4️⃣ 初始化 LLM（DeepSeek）llm=init_chat_model("deepseek-chat",model_provider="deepseek",api_key=os.getenv("DEEPSEEK_API_KEY"))# 5️⃣ 创建 Agentagent=create_react_agent(llm,tools)logger.info("🤖 MCP Agent 已启动")# 6️⃣ 交互循环whileTrue:query=input("\n用户: ").strip()ifquery.lower()=="quit":breakresult=awaitagent.ainvoke({"messages":[("user",query)]})print("\nAI:",result["messages"][-1].content)if__name__=="__main__":asyncio.run(main())

📌 作用

👉 这是整个系统的“大脑 + 工具调度中心”

🔁 六、运行流程解析

一次完整请求流程如下：

用户输入问题 ↓ LangGraph Agent（理解问题） ↓ 判断需要调用工具 ↓ MCP Client 获取 get_weather ↓ 调用 MCP Server ↓ 请求 OpenWeather API ↓ 返回天气数据 ↓ LLM总结输出结果

🔥 七、关键技术点总结

1️⃣ MCP（核心升级点）

相比传统 tool：

2️⃣ LangGraph Agent

替代传统：

• AgentExecutor ❌
• ReAct 手动循环 ❌

使用：

• create_react_agent ✅

3️⃣ Async 全链路

必须统一：

• MCP tools → async
• Agent → ainvoke
• pipeline → async

🧠 八、总结

本项目完成了一个完整的：

🚀 基于 MCP + LangGraph 的工具化 AI Agent 系统

实现了：

• 工具服务化（MCP Server）
• 工具自动发现（MCP Client）
• AI推理调度（LangGraph）
• 多工具协同调用