模型上下文协议（MCP） 是一种开放协议，它标准化了应用程序向 LLM 提供上下文的方式。MCP 提供了一种将 AI 模型连接到不同数据源和工具的标准化方法。它允许您定义可以通过编程方式访问的提示、资源和工具。当与 LangGraph（用于构建有状态、基于图形的工作流程的库）结合使用时，您可以创建利用 MCP 功能的复杂 AI 代理。在这篇文章中，我们将逐步了解如何创建 MCP 服务器、使用客户端与其交互以及将其与 LangGraph 集成，并提供示例输出来演示结果。

阅读文章后能学到什么

如何使用提示、资源和工具设置 MCP 服务器。
如何使用客户端与 MCP 服务器交互
如何将 MCP 服务器与 LangGraph 集成以构建 AI 代理

开发环境准备

安装所需软件包：mcp、[langchain](https://www.explinks.com/blog/wx-langchain-a-language-model-driven-application-development-framework)、langgraph、langchain-google-genai、langchain-mcp-adapters

第 1 步：创建 MCP 服务器

MCP 服务器是我们系统的支柱，公开提示、资源和工具。下面是用于数学助手的简单 MCP 服务器的示例。

参考资料： https://github.com/modelcontextprotocol/python-sdk

服务器代码

我们使用 MCP Python SDK 中的 FastMCP 类创建一个名为“Math”的服务器。我们定义提示、资源和工具。

Run server via stdio

mcp = FastMCP("Math")



# Prompts

@mcp.prompt()

def example_prompt(question: str) -> str:

    """Example prompt description"""

    return f"""

    You are a math assistant. Answer the question.

    Question: {question}

    """



@mcp.prompt()

def system_prompt() -> str:

    """System prompt description"""

    return """

    You are an AI assistant use the tools if needed.

    """



# Resources

@mcp.resource("greeting://{name}")

def get_greeting(name: str) -> str:

    """Get a personalized greeting"""

    return f"Hello, {name}!"



@mcp.resource("config://app")

def get_config() -> str:

    """Static configuration data"""

    return "App configuration here"



# Tools

@mcp.tool()

def add(a: int, b: int) -> int:

    """Add two numbers"""

    return a + b



@mcp.tool()

def multiply(a: int, b: int) -> int:

    """Multiply two numbers"""

    return a * b



if __name__ == "__main__":

    mcp.run()



# Run server via stdio

此代码：

初始化名为“Math”的 MCP 服务器。
定义两个提示：example_[prompt](https://prompts.explinks.com/) 用于数学问题，system_prompt 用于一般说明。
定义两个资源：动态资源 greeting://{name} 和静态资源 config://app。
定义两种工具：用于基本数学运算的加法和乘法 。
使用 stdio 运行服务器

对于可流式 HTTP：

用 mcp.run(transport="streamable-http")

...



if __name__ == "__main__":

    mcp.run(transport="streamable-http")# Run server via streamable-http

将在 <a href="http://localhost:8000/mcp" rel="noreferrer noopener" target="_blank">http://localhost:8000/mcp</a>

另存为 math_mcp_server.py

第 2 步：创建 MCP 客户端

为了与服务器交互，我们使用 MCP 客户端。客户端通过 stdio 与服务器通信，允许我们列出提示、资源和工具，并调用它们。

if name == "main":
asyncio.run(main())

# Math Server Parameters

server_params = StdioServerParameters(

    command="python",

    args=["math_mcp_server.py"],

    env=None,

)



async def main():

    async with stdio_client(server_params) as (read, write):

        async with ClientSession(read, write) as session:

            await session.initialize()



# List available prompts

            response = await session.list_prompts()

            print("n/////////////////prompts//////////////////")

            for prompt in response.prompts:

                print(prompt)



# List available resources

            response = await session.list_resources()

            print("n/////////////////resources//////////////////")

            for resource in response.resources:

                print(resource)



# List available resource templates

            response = await session.list_resource_templates()

            print("n/////////////////resource_templates//////////////////")

            for resource_template in response.resourceTemplates:

                print(resource_template)



# List available tools

            response = await session.list_tools()

            print("n/////////////////tools//////////////////")

            for tool in response.tools:

                print(tool)



# Get a prompt

            prompt = await session.get_prompt("example_prompt", arguments={"question": "what is 2+2"})

            print("n/////////////////prompt//////////////////")

            print(prompt.messages[0].content.text)



# Read a resource

            content, mime_type = await session.read_resource("greeting://Alice")

            print("n/////////////////content//////////////////")

            print(mime_type[1][0].text)



# Call a tool

            result = await session.call_tool("add", arguments={"a": 2, "b": 2})

            print("n/////////////////result//////////////////")

            print(result.content[0].text)



if __name__ == "__main__":

    asyncio.run(main())

输出

运行客户端代码将产生以下输出

/////////////////result//////////////////
4

/////////////////prompts//////////////////

name='example_prompt' description='Example prompt description' arguments=[PromptArgument(name='question', description=None, required=True)]

name='system_prompt' description='System prompt description' arguments=[]



Processing request of type ListResourcesRequest



/////////////////resources//////////////////

uri=AnyUrl('config://app') name='get_config' description='Static configuration data' mimeType='text/plain' size=None annotations=None



Processing request of type ListResourceTemplatesRequest



/////////////////resource_templates//////////////////

uriTemplate='greeting://{name}' name='get_greeting' description='Get a personalized greeting' mimeType=None annotations=None



Processing request of type ListToolsRequest



/////////////////tools//////////////////

name='add' description='Add two numbers' inputSchema={'properties': {'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}, 'required': ['a', 'b'], 'title': 'addArguments', 'type': 'object'} annotations=None

name='multiply' description='Multiply two numbers' inputSchema={'properties': {'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}, 'required': ['a', 'b'], 'title': 'multiplyArguments', 'type': 'object'} annotations=None



Processing request of type GetPromptRequest



/////////////////prompt//////////////////

    You are a math assistant. Answer the question.

    Question: what is 2+2



Processing request of type ReadResourceRequest



/////////////////content//////////////////

Hello, Alice!



Processing request of type CallToolRequest



/////////////////result//////////////////

4

此输出显示：

可用提示（example_prompt 和 system_prompt）。
可用资源（config://app）和资源模板（greeting://{name}）。
可用工具（ 加法和乘法 ）及其输入模式。
用“什么是 2+2”调用 example_prompt 的结果。
读取 greeting://Alice 资源的结果。
调用输入 a=2 和 b=2 的添加工具的结果。

对于可流式传输的 HTTP

使用 streamablehttp_client 而不是 stdio_client

from mcp.client.streamable_http import streamablehttp_client



# Math server

math_server_url = "http://localhost:8000/mcp"async def main():

    async with streamablehttp_client(math_server_url) as (read, write, _):

        async with ClientSession(read, write) as session:

            ...

第 3 步：将 MCP 与 LangGraph 集成

LangGraph 允许我们使用基于图形的方法构建有状态工作流。我们可以将 MCP 客户端与 LangGraph 集成，以创建一个使用服务器工具和提示的 AI 代理。

if name == "main":
asyncio.run(main())

from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder

from langchain_google_genai import ChatGoogleGenerativeAI

from langgraph.prebuilt import tools_condition, ToolNode

from langgraph.graph import StateGraph, START, END

from langgraph.graph.message import AnyMessage, add_messages

from langgraph.checkpoint.memory import MemorySaver



from langchain_mcp_adapters.tools import load_mcp_tools

from langchain_mcp_adapters.resources import load_mcp_resources

from langchain_mcp_adapters.prompts import load_mcp_prompt

from mcp import ClientSession, StdioServerParameters

from mcp.client.stdio import stdio_client



import asyncio



# Math Server Parameters

server_params = StdioServerParameters(

    command="python",

    args=["math_mcp_server.py"],

    env=None,

)



async def create_graph(session):

    llm = ChatGoogleGenerativeAI(model="gemini-2.0-flash", temperature=0, api_key="your_google_api_key")



    tools = await load_mcp_tools(session)

    llm_with_tool = llm.bind_tools(tools)



    system_prompt = await load_mcp_prompt(session, "system_prompt")

    prompt_template = ChatPromptTemplate.from_messages([

        ("system", system_prompt[0].content),

        MessagesPlaceholder("messages")

    ])

    chat_llm = prompt_template | llm_with_tool



# State Management

    class State(TypedDict):

        messages: Annotated[List[AnyMessage], add_messages]



# Nodes

    def chat_node(state: State) -> State:

        state["messages"] = chat_llm.invoke({"messages": state["messages"]})

        return state



# Building the graph

    graph_builder = StateGraph(State)

    graph_builder.add_node("chat_node", chat_node)

    graph_builder.add_node("tool_node", ToolNode(tools=tools))

    graph_builder.add_edge(START, "chat_node")

    graph_builder.add_conditional_edges("chat_node", tools_condition, {"tools": "tool_node", "__end__": END})

    graph_builder.add_edge("tool_node", "chat_node")

    graph = graph_builder.compile(checkpointer=MemorySaver())

    return graph



async def main():

    config = {"configurable": {"thread_id": 1234}}

    async with stdio_client(server_params) as (read, write):

        async with ClientSession(read, write) as session:

            await session.initialize()



# Check available tools

            tools = await load_mcp_tools(session)

            print("Available tools:", [tool.name for tool in tools])



# Check available prompts

            prompts = await load_mcp_prompt(session, "example_prompt", arguments={"question": "what is 2+2"})

            print("Available prompts:", [prompt.content for prompt in prompts])

            prompts = await load_mcp_prompt(session, "system_prompt")

            print("Available prompts:", [prompt.content for prompt in prompts])



# Check available resources

            resources = await load_mcp_resources(session, uris=["greeting://Alice", "config://app"])

            print("Available resources:", [resource.data for resource in resources])



# Use the MCP Server in the graph

            agent = await create_graph(session)

            while True:

                message = input("User: ")

                response = await agent.ainvoke({"messages": message}, config=config)

                print("AI: "+response["messages"][-1].content)



if __name__ == "__main__":

    asyncio.run(main())

输出

Processing request of type ListToolsRequest

Available tools: ['add', 'multiply']



Processing request of type GetPromptRequest

Available prompts: ['n    You are a math assistant. Answer the question.n    Question: what is 2+2n    ']Processing request of type GetPromptRequest

Available prompts: ['n    You are an AI assistant use the tools if needed.n    ']Processing request of type ReadResourceRequest

Processing request of type ReadResourceRequest

Available resources: ['Hello, Alice!', 'App configuration here']Processing request of type ListToolsRequest

Processing request of type GetPromptRequestUser: Hi

AI: Hi there! How can I help you today?

User: what is 2 + 4

Processing request of type CallToolRequest

AI: 2 + 4 = 6

此输出显示：

代理列出可用工具（ 加法 、 乘法 ）和提示 。
访问资源的代理（greeting://Alice、config://app）。
代理响应用户输入，包括调用添加工具来计算 2 + 4 = 6。

第 4 步：将多个 MCP 服务器与 LangGraph 集成

我们可以使用 MultiServerMCPClient 连接到多个服务器。

创建另一个 MCP 服务器

from mcp.server.fastmcp import FastMCP



mcp = FastMCP("BMI")# Tools

@mcp.tool()

def calculate_bmi(weight: int, height: int) -> str:

    """Calculate BMI"""

    return "BMI: "+str(weight/(height*height))if __name__ == "__main__":

    mcp.run(transport="streamable-http")

将其另存为 bmi_mcp_server.py。该服务器：

初始化名为“BMI”的 MCP 服务器。
定义一个 calculate_bmi 工具，该工具使用体重（以公斤为单位）和身高（以米为单位）来计算 BMI。
在 <a href="http://localhost:8000/mcp." rel="noreferrer noopener" target="_blank">http://localhost:8000/mcp</a> 通过 HTTP 运行服务器。

多 MCPServer LangGraph 代码（会话已关闭）

在下面的代码中，我们使用 client.get_tools（） 和 client.get_prompt（）， 其中每个工具调用都有一个新的 MCP ClientSession

if name == "main":
asyncio.run(main())

client = MultiServerMCPClient(

    {

        "math": {

            "command": "python",

            "args": ["math_mcp_server.py"],

            "transport": "stdio",

        },

        "bmi": {

            "url": "http://localhost:8000/mcp",

            "transport": "streamable_http",

        }

    }

)



async def create_graph():

    llm = ChatGoogleGenerativeAI(model="gemini-2.0-flash", temperature=0, api_key="your_google_api_key")

    tools = await client.get_tools()

    llm_with_tool = llm.bind_tools(tools)

    system_prompt = await client.get_prompt(server_name="math", prompt_name="system_prompt")

    prompt_template = ChatPromptTemplate.from_messages([

        ("system", system_prompt[0].content),

        MessagesPlaceholder("messages")

    ])

    chat_llm = prompt_template | llm_with_tool



# State Management

    class State(TypedDict):

        messages: Annotated[List[AnyMessage], add_messages]



# Nodes

    def chat_node(state: State) -> State:

        state["messages"] = chat_llm.invoke({"messages": state["messages"]})

        return state



# Building the graph

    graph_builder = StateGraph(State)

    graph_builder.add_node("chat_node", chat_node)

    graph_builder.add_node("tool_node", ToolNode(tools=tools))

    graph_builder.add_edge(START, "chat_node")

    graph_builder.add_conditional_edges("chat_node", tools_condition, {"tools": "tool_node", "__end__": END})

    graph_builder.add_edge("tool_node", "chat_node")

    graph = graph_builder.compile(checkpointer=MemorySaver())

    return graph



async def main():

    config = {"configurable": {"thread_id": 1234}}

    agent = await create_graph()

    while True:

        message = input("User: ")

        response = await agent.ainvoke({"messages": message}, config=config)

        print("AI: "+response["messages"][-1].content)



if __name__ == "__main__":

    asyncio.run(main())

多 MCPServer LangGraph 代码（持久会话）

我们可以使用 client.session 保持两台服务器的会话打开。

if name == "main":
asyncio.run(main())

client = MultiServerMCPClient(

    {

        "math": {

            "command": "python",

            "args": ["math_mcp_server.py"],

            "transport": "stdio",

        },

        "bmi": {

            "url": "http://localhost:8000/mcp",

            "transport": "streamable_http",

        }

    }

)



async def create_graph(math_session, bmi_session):

    llm = ChatGoogleGenerativeAI(model="gemini-2.0-flash", temperature=0, api_key="your_google_api_key")



    math_tools = await load_mcp_tools(math_session)

    bmi_tools = await load_mcp_tools(bmi_session)

    tools = math_tools + bmi_tools

    llm_with_tool = llm.bind_tools(tools)



    system_prompt = await load_mcp_prompt(math_session, "system_prompt")

    prompt_template = ChatPromptTemplate.from_messages([

        ("system", system_prompt[0].content),

        MessagesPlaceholder("messages")

    ])

    chat_llm = prompt_template | llm_with_tool



# State Management

    class State(TypedDict):

        messages: Annotated[List[AnyMessage], add_messages]



# Nodes

    def chat_node(state: State) -> State:

        state["messages"] = chat_llm.invoke({"messages": state["messages"]})

        return state



# Building the graph

    graph_builder = StateGraph(State)

    graph_builder.add_node("chat_node", chat_node)

    graph_builder.add_node("tool_node", ToolNode(tools=tools))

    graph_builder.add_edge(START, "chat_node")

    graph_builder.add_conditional_edges("chat_node", tools_condition, {"tools": "tool_node", "__end__": END})

    graph_builder.add_edge("tool_node", "chat_node")

    graph = graph_builder.compile(checkpointer=MemorySaver())

    return graph



async def main():

    config = {"configurable": {"thread_id": 1234}}

    async with client.session("math") as math_session, client.session("bmi") as bmi_session:

        agent = await create_graph(math_session, bmi_session)

        while True:

            message = input("User: ")

            response = await agent.ainvoke({"messages": message}, config=config)

            print("AI: "+response["messages"][-1].content)



if __name__ == "__main__":

    asyncio.run(main())

输出

User: Hi

AI: Hi there! How can I help you today?

User: how many tools do you have

AI: I have 3 tools available: add, multiply, and calculate_bmi.
User: find 5 * 4
Processing request of type CallToolRequest
AI: The answer is 20.

此输出显示：

代理识别来自两台服务器的三个工具。
调用 5 * 4 的乘法工具。

结论

通过将 MCP 与 LangGraph 相结合，您可以构建灵活的模块化 AI 系统，在有状态工作流程中利用结构化提示和工具。MCP 服务器提供了一个干净的界面来定义 AI 功能，而 LangGraph 则协调信息流。

文章转载自：Creating an MCP Server and Integrating with LangGraph

构建 MCP 服务端并将其无缝接入 LangGraph

文章目录

阅读文章后能学到什么

开发环境准备

第 1 步：创建 MCP 服务器

服务器代码

Run server via stdio

第 2 步：创建 MCP 客户端

输出

第 3 步：将 MCP 与 LangGraph 集成

输出

第 4 步：将多个 MCP 服务器与 LangGraph 集成

创建另一个 MCP 服务器

多 MCPServer LangGraph 代码（会话已关闭）

多 MCPServer LangGraph 代码（持久会话）

输出

结论

热门API

最新文章