MCP To Langchain Addapter

MCP到LangChain/LangGraph适配器

此项目提供了一个适配器，允许您在LangChain和LangGraph应用程序中使用MCP（多模式会话过程）服务器工具。使用此适配器，您可以将MCP的工具无缝集成到您的AI应用程序管道中。

目录

• 引言
• 安装
• 入门指南

- 设置MCP服务器 - 连接到MCP服务器 - 在LangChain中使用MCP工具 - 在LangGraph中使用MCP工具

• api参考

- MCP适配器 - MCPToolWrapper - 工具函数

• 例子

- 基本用法 - 与LangChain代理商集成 - 与LangGraph代理集成

• 故障排除
• 贡献

引言

MCP到LangChain/LangGraph适配器弥合了MCP服务器和LangChain/LangGraph之间的差距，MCP服务器通过标准化的接口提供各种工具，LangChain/LangGraph是构建具有大型语言模型的应用程序的流行框架。此适配器使您能够：

• 连接到MCP服务器
• 发现可用工具
• 将MCP工具转换为与LangChain兼容的工具
• 在LangChain代理、链和LangGraph代理中使用这些工具

安装

要使用此适配器，您需要安装必要的软件包：

# If using pipenv (recommended)
pipenv install mcp langchain langchain-openai langgraph python-dotenv

# If using pip
pip install mcp langchain langchain-openai langgraph python-dotenv

设置API密钥

例如，使用OpenAI模型，您需要一个OpenAI API密钥。建议的设置方式是使用 .env 文件：

1. 创建一个 .env 项目根目录中的文件（基于 .env.example):

OPENAI_API_KEY=your_actual_api_key_here

1. 在代码中加载环境变量：

from dotenv import load_dotenv

# Load environment variables from .env file
load_dotenv()

或者，您可以直接在环境或代码中设置API密钥：

import os
os.environ["OPENAI_API_KEY"] = "your_api_key_here"

入门指南

设置MCP服务器

在使用适配器之前，您需要运行MCP服务器。该适配器旨在与您提供的MCP服务器脚本配合使用。

1. 创建基本的MCP服务器脚本（例如。， simple_server.py):

import mcp
from mcp.server import expose

@expose()
def add(a: int, b: int) -> int:
    """Add two numbers and return the result."""
    return a + b

@expose()
def get_weather(city: str) -> str:
    """
    Get the current weather for a city.

    Args:
        city: The name of the city to get weather for
    """
    # In a real application, you'd call a weather API here
    return f"Weather in {city}: Sunny +11°C"

if __name__ == "__main__":
    mcp.run(transport='stdio')

此示例服务器公开了两个工具：

• add：取两个整数并返回它们的和
• get_weather：获取城市名称并返回模拟天气报告

连接到MCP服务器

适配器将自动管理与MCP服务器的连接：

from mcp_langchain_adapter import MCPAdapter

# Create an adapter instance, pointing to your MCP server script
adapter = MCPAdapter("simple_server.py")

# Initialize the connection and get the list of available tools
tools = adapter.get_tools()

# Print the available tools
print(f"Found {len(tools)} tools:")
for tool in tools:
    print(f"- {tool.name}: {tool.description}")

在LangChain中使用MCP工具

一旦你有了这些工具，你就可以在LangChain应用程序中使用它们：

from langchain.agents import AgentExecutor, create_react_agent
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

# Initialize the language model
llm = ChatOpenAI(model="gpt-3.5-turbo")

# Create a prompt template for the agent
template = """Answer the following questions as best you can using the provided tools.

Available tools:
{tools}

Use the following format:

Question: the input question you must answer
Thought: you should always think about what to do
Action: the action to take, should be one of [{tool_names}]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question

Begin!

Question: {input}
Thought: """

prompt_template = PromptTemplate.from_template(template)

# Create a LangChain agent with the MCP tools
agent = create_react_agent(llm, tools, prompt_template)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# Run the agent
result = agent_executor.invoke({"input": "What is 5 + 7?"})
print(result["output"])

在LangGraph中使用MCP工具

LangGraph为构建代理提供了一种更现代、更灵活的方法。以下是如何将我们的MCP工具与LangGraph一起使用：

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import MemorySaver

# Initialize the language model
llm = ChatOpenAI(model="gpt-3.5-turbo")

# Create a memory saver for conversation history
memory = MemorySaver()

# Create a LangGraph react agent with the MCP tools
agent = create_react_agent(
    llm,
    tools,
    prompt="You are a helpful AI assistant that can use tools to solve problems.",
    checkpointer=memory
)

# Create the configuration with thread ID for memory
config = {"configurable": {"thread_id": "example-thread"}}

# Run the agent with a question
result = agent.invoke(
    {"messages": [HumanMessage(content="What is 5 + 7?")]},
    config
)

# Get the final answer
final_answer = result["messages"][-1].content
print(final_answer)

# Continue the conversation with a follow-up question
state = memory.get("example-thread")
messages = state["messages"] + [HumanMessage(content="What's the weather in London?")]
result = agent.invoke({"messages": messages}, config)
print(result["messages"][-1].content)

api参考

MCP适配器

这 MCPAdapter 类管理到MCP服务器的连接，并将MCP工具转换为LangChain工具。

构造函数

MCPAdapter(server_script_path: str, env: Dict[str, str] = None)

• server_script_path：要运行的MCP服务器脚本的路径
• env：服务器进程的可选环境变量

方法

• initialize()：同步初始化与MCP服务器的连接
• get_tools() -> List[BaseTool]：获取所有可用的LangChain工具
• get_tool_names() -> List[str]：获取所有可用工具的名称
• get_tool_by_name(name: str) -> Optional[BaseTool]：按名称获取特定工具
• close() -> None：清理资源（异步方法）

MCPToolWrapper

这 MCPToolWrapper 类扩展了LangChain的 BaseTool 包装MCP工具：

MCPToolWrapper(
    name: str,
    description: str,
    server_script_path: str,
    env: Optional[Dict[str, str]] = None,
    args_schema: Optional[Type[BaseModel]] = None
)

• name：工具名称
• description：工具说明
• server_script_path：MCP服务器脚本的路径
• env：服务器进程的可选环境变量
• args_schema：用于工具参数的可选Pydantic模型

工具函数

• get_langchain_tools(server_script_path: str, env: Dict[str, str] = None) -> List[BaseTool]：从MCP服务器获取LangChain工具的便利功能

例子

基本用法

以下是如何使用适配器的完整示例：

from mcp_langchain_adapter import MCPAdapter

# Create an adapter instance
adapter = MCPAdapter("simple_server.py")

# Get all tools
tools = adapter.get_tools()

# Print information about the tools
print(f"Found {len(tools)} tools:")
for tool in tools:
    print(f"- {tool.name}: {tool.description}")

# Use a specific tool
add_tool = adapter.get_tool_by_name("add")
if add_tool:
    result = add_tool.run({"a": 5, "b": 7})
    print(f"Result of add(5, 7): {result}")

# Use another tool
weather_tool = adapter.get_tool_by_name("get_weather")
if weather_tool:
    result = weather_tool.run({"city": "London"})
    print(f"Result of get_weather('London'): {result}")

与LangChain代理商集成

有关与LangChain代理集成的完整示例，请参阅 example_agent_integration.py 文件。

主要特点：

• 连接到MCP服务器
• 检索可用工具
• 使用工具创建LangChain代理
• 使用不同类型的查询执行代理

与LangGraph代理集成

有关与LangGraph代理集成的完整示例，请参阅 example_langgraph_integration.py 文件。

主要特点：

• 连接到MCP服务器
• 检索可用工具
• 使用工具创建LangGraph反应代理
• 使用检查点管理对话历史记录
• 使用不同类型的查询执行代理
• 演示如何流式传输代理的思维过程

故障排除

常见问题

1. MCP服务器连接问题

- 确保MCP服务器脚本的路径正确 - 检查服务器脚本是否具有运行的适当权限 - 确保服务器脚本正确实现MCP协议

1. 工具执行错误

- 检查工具输入格式是否正确 - 确保MCP服务器中正确定义了该工具 - 在工具响应中查找错误消息

1. LangChain/LangGraph集成问题

- 验证工具是否已正确转换为LangChain格式 - 检查代理是否配置正确 - 确保将正确格式的输入传递给代理 - 对于LangGraph问题，请检查线程ID和内存配置

调试

要调试连接问题，您可以在MCP服务器脚本中添加日志记录：

import logging

logging.basicConfig(
    level=logging.DEBUG,
    format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',
    handlers=[
        logging.FileHandler("mcp_server.log"),
        logging.StreamHandler()
    ]
)

# Rest of your MCP server code...

贡献

欢迎为改进适配器做出贡献！以下是您可以做出贡献的一些方式：

• 报告错误和问题
• 添加新功能或改进现有功能
• 改进文档
• 编写测试
• 分享与不同LangChain/LangGraph组件集成的示例

请按照以下步骤进行贡献：

1. 分叉存储库
2. 创建要素分支
3. 进行更改
4. 提交拉取请求