最近在开发基于大模型的智能助手时常常遇到一个瓶颈Agent 虽然能理解指令但面对查询数据库、操作文件、调用外部 API 等具体任务时要么能力有限要么需要编写大量胶水代码开发效率低下。你是否也遇到过类似问题想让你的 AI Agent 像拥有“超能力”一样直接操作 Figma 设计稿、查询生产数据库、或者管理本地文件系统吗本文将深入探讨如何通过LangChain Agent接入MCPModel Context Protocol与Skills彻底解决上述痛点。这不是简单的工具调用介绍而是一套从原理到实战的完整解决方案。我们将拆解 MCP 协议如何为 Agent 提供标准化的“技能”接口以及如何利用现成的或自定义的 Skills 来极大扩展 Agent 的能力边界。无论你是刚接触 LangChain 的新手还是希望优化现有 Agent 系统的开发者都能从本文中找到可复现的代码、清晰的配置步骤以及关键的避坑指南。学完后你将能亲手构建一个能直接操作多种外部工具和服务的“超级助手”。1. 背景与核心概念为什么需要 MCP 和 Skills在深入代码之前我们必须理解当前 AI Agent 开发的挑战以及 MCP 和 Skills 带来的变革。传统 Agent 的局限一个典型的 LangChain Agent 由大语言模型LLM、工具Tools和决策循环组成。开发者需要为每一个想要 Agent 执行的操作如搜索网络、计算、读写文件编写对应的工具函数并通过tool装饰器将其暴露给 Agent。这种方式存在明显问题开发成本高每个新功能都需要从头编写、测试和集成。标准化缺失工具接口五花八门难以管理和复用。能力封闭Agent 的能力完全取决于开发者预先编写的工具集难以动态扩展。MCPModel Context Protocol技能的“通用插座”MCP 可以理解为 AI 模型与外部资源和工具之间的一套标准化通信协议。它定义了一套规范的 API使得任何符合 MCP 标准的工具称为MCP Server都能被任何支持 MCP 的客户端如你的 LangChain Agent即插即用。通俗理解就像你的电脑有 USB 接口标准任何符合 USB 协议的设备键盘、鼠标、U盘插上就能用。MCP 就是 AI 世界的“USB 协议”而 MCP Server 就是各种“USB 设备”。核心价值它解耦了工具的实现与使用。工具开发者只需关注如何实现 MCP ServerAgent 开发者只需学会如何调用 MCP 客户端即可接入海量标准化工具。Skills即插即用的“超能力”模块在 MCP 的生态中Skills通常指一个个具体的、实现了特定功能的 MCP Server。例如filesystemSkill让 Agent 拥有读写本地文件的能力。sqliteSkill让 Agent 可以直接执行 SQL 查询。figmaSkill让 Agent 能获取 Figma 设计文件的信息。postgres、github、duckduckgo-search等等。这些 Skills 封装了复杂的操作逻辑并通过 MCP 协议提供统一的调用方式。你的 Agent 不需要知道如何连接数据库或解析 Figma API它只需要通过 MCP 向对应的 Skill 发送标准化请求。Claude 的角色ClaudeAnthropic 的 AI 模型作为一个强大的 LLM是 Agent 的“大脑”。它负责理解用户意图、规划任务步骤并决定在何时调用哪个 Skill。本文的方案同样适用于其他具备较强工具调用能力的模型如 GPT-4、DeepSeek 等。总结关系图用户请求 ↓ LangChain Agent (大脑 Claude/GPT-4) ↓ MCP 客户端 (标准化调用接口) ↓ MCP 协议 (HTTP/SSE/Stdio) ↓ 各种 MCP Server (Skills: filesystem, sqlite, figma...) ↓ 外部世界 (文件系统、数据库、设计平台...)接下来我们从环境搭建开始一步步构建这个系统。2. 环境准备与版本说明本教程将以一个 Python 环境为例演示如何构建一个集成了 MCP 和多种 Skills 的 LangChain Agent。请确保你的环境满足以下要求。基础环境操作系统macOS / Linux / Windows (WSL2 推荐)。部分 Skills 可能对 Unix 环境支持更好。Python 版本 3.10。这是 LangChain 和多数相关库的推荐版本。包管理工具pip 或 poetry。核心依赖与版本创建一个新的虚拟环境然后安装以下关键包。版本号以当前稳定版为例如有冲突请适当调整。# 创建并激活虚拟环境以 conda 为例 conda create -n mcp-agent python3.10 conda activate mcp-agent # 安装核心框架 pip install langchain langchain-core langchain-community # 安装 MCP 相关的核心库 # langchain-mcp-adapters 是 LangChain 官方对 MCP 支持的适配器如已发布 # 注意截至撰写时官方适配器可能仍在快速发展以下使用社区方案 mcp 客户端库 pip install mcp # 安装用于启动和管理 MCP Server 的 CLI 工具非必须但强烈推荐 pip install mcp-cli # 安装示例所需的 SkillsMCP Servers # 这些包本身提供了实现 MCP Server 的可执行文件或脚本 pip install mcp-server-filesystem pip install mcp-server-sqlite # 其他 Skills 如 figma, postgres 可按需安装 # 安装 LLM 调用层以 Claude 为例使用 LangChain 的 Anthropic 集成 pip install langchain-anthropic # 或者使用 OpenAI 兼容的 API # pip install langchain-openai # 可选用于更美观地打印数据结构 pip install rich版本兼容性说明MCP 生态和 LangChain 都处于快速迭代中。如果遇到ImportError或 API 不兼容请关注以下要点mcp库是 MCP 协议的 Python 客户端实现它提供了与 MCP Server 通信的低级和高级接口。LangChain 未来可能会推出官方的langchain-mcp集成届时调用方式会更标准化。本文基于mcp库和 LangChain 的通用Tool接口进行封装该方法具有较好的前向兼容性。Skills如mcp-server-filesystem的版本需与mcp客户端库版本大致匹配否则协议可能不通。项目结构预览我们将创建一个简单的项目mcp-agent-demo/ ├── requirements.txt # 依赖列表 ├── .env # 存储 API KEY 等敏感信息 ├── mcp_skills/ # 存放自定义 Skills 的目录后续扩展用 ├── agents/ │ └── basic_mcp_agent.py # 基础 MCP Agent └── scripts/ └── start_servers.py # 启动 MCP Servers 的脚本在下一节我们将深入 MCP 的核心原理和通信模型。3. 核心原理拆解MCP 协议与 LangChain 集成机制要灵活运用 MCP必须理解其通信模型和与 LangChain 的集成点。3.1 MCP 协议基础传输与会话MCP 协议独立于传输层。常见的传输方式有标准输入/输出Stdio最常见的方式。客户端启动 Server 进程并通过 stdin/stdout 与其进行 JSON-RPC 通信。适合本地工具。HTTPServer 作为一个 HTTP 服务运行客户端通过 POST 请求调用。适合远程或常驻服务。WebSocket / SSE用于需要双向通信或服务器推送的场景。一个典型的Stdio 会话流程如下客户端启动 Server客户端执行一个命令如python -m mcp_server_filesystem来启动 MCP Server 进程。初始化握手客户端和 Server 交换initialize和initialized消息协商协议版本、Server 能力如提供的工具列表。工具列表获取客户端调用list_tools请求Server 返回它所有可用的工具Skills的元数据包括名称、描述、参数 schema。调用工具客户端根据用户请求选择合适工具发送call_tool请求并附上参数。执行与返回Server 执行实际操作如读取文件、查询数据库并将结果通过call_tool响应返回给客户端。会话结束客户端发送shutdown请求或直接终止 Server 进程。3.2 将 MCP 工具封装为 LangChain ToolLangChain Agent 的核心驱动力是Tool对象。我们需要将 MCP Server 提供的“工具”转换为 LangChain 能识别的Tool。关键步骤建立 MCP 会话使用mcp库的ClientSession连接到一个 MCP Server例如 filesystem server。获取工具元数据通过会话获取 Server 暴露的所有工具列表。动态创建 Tool 类为每个 MCP 工具创建一个函数这个函数内部会通过 MCP 会话去调用远程工具。然后使用langchain.tools.Tool或tool装饰器将这个函数包装起来。注入 Agent将这些动态创建的Tool实例提供给 LangChain Agent 的tools参数。这样当 Agent 决定调用 “read_file” 工具时实际上是在通过 MCP 协议请求 filesystem server 执行读取操作。3.3 Skills 的管理与组合一个强大的 Agent 往往需要多个 Skills。我们需要管理多个 MCP Server 的生命周期启动、连接、关闭并将它们提供的所有工具聚合起来一并交给 Agent。设计思路Server 管理器编写一个类或函数负责根据配置启动多个 MCP Server 进程如 filesystem, sqlite并建立到每个 Server 的客户端会话。工具聚合器从所有活跃的会话中收集工具元数据并统一封装成 LangChain Tools。资源清理在 Agent 运行结束时优雅地关闭所有 Server 会话和进程防止资源泄漏。理解了这些原理我们就可以开始动手编写代码了。我们将从最简单的单个 Skill 集成开始逐步构建一个多 Skill 的完整 Agent 系统。4. 完整实战案例构建多技能 MCP Agent让我们一步步实现一个能同时操作文件系统和 SQLite 数据库的智能 Agent。4.1 项目初始化与依赖安装首先创建项目目录并安装依赖。mkdir mcp-agent-demo cd mcp-agent-demo python -m venv venv source venv/bin/activate # Windows: venv\Scripts\activate # 创建 requirements.txt 并写入以下内容 cat requirements.txt EOF langchain0.1.0 langchain-core0.1.0 langchain-community0.0.10 mcp0.5.0 mcp-cli mcp-server-filesystem mcp-server-sqlite langchain-anthropic # 使用 Claude python-dotenv # 管理环境变量 EOF pip install -r requirements.txt创建环境变量文件.env存放你的 Claude API Key或其他 LLM 的 Key。# .env ANTHROPIC_API_KEYyour_anthropic_api_key_here # 或者使用 OpenAI # OPENAI_API_KEYyour_openai_api_key_here4.2 封装通用的 MCP 工具加载器我们创建一个模块来封装与 MCP Server 的连接和工具加载逻辑。新建文件mcp_utils.py# mcp_utils.py import asyncio import subprocess from typing import List, Dict, Any import mcp from mcp import ClientSession, StdioServerParameters from langchain.tools import BaseTool from langchain.callbacks.manager import CallbackManagerForToolRun from pydantic import BaseModel, Field import logging logging.basicConfig(levellogging.INFO) logger logging.getLogger(__name__) class MCPToolWrapper(BaseTool): 将 MCP 工具包装成 LangChain Tool 的通用类 session: ClientSession tool_name: str tool_description: str tool_args_schema: type[BaseModel] def _run( self, *args, **kwargs, ) - str: # 注意BaseTool 的 _run 是同步方法但 mcp 调用是异步的 # 我们需要在同步环境中运行异步函数 return asyncio.run(self._arun(*args, **kwargs)) async def _arun( self, *args, run_manager: CallbackManagerForToolRun | None None, **kwargs, ) - str: 异步执行 MCP 工具调用 try: logger.info(f调用 MCP 工具 {self.tool_name}参数: {kwargs}) # 使用 session.call_tool 调用远程工具 result await self.session.call_tool(self.tool_name, argumentskwargs) # result 是一个 CallToolResult 对象包含 content if result.content: # 通常 content 是一个列表每个元素是 text 或 image output \n.join([item.text for item in result.content if hasattr(item, text) and item.text]) logger.info(f工具 {self.tool_name} 调用成功结果长度: {len(output)}) return output else: return 工具执行完成但未返回文本内容。 except Exception as e: error_msg f调用 MCP 工具 {self.tool_name} 时出错: {str(e)} logger.error(error_msg) return error_msg async def create_mcp_session(server_command: List[str]) - ClientSession: 创建并初始化一个 MCP 会话 # 配置 Stdio 服务器参数 server_params StdioServerParameters( commandserver_command[0], argsserver_command[1:] if len(server_command) 1 else [], ) # 创建会话 session ClientSession(server_params) try: # 初始化连接 await session.initialize() logger.info(fMCP 会话初始化成功 (Server: {server_command})) return session except Exception as e: await session.close() logger.error(f初始化 MCP 会话失败: {e}) raise async def load_tools_from_session(session: ClientSession) - List[BaseTool]: 从一个 MCP 会话中加载所有工具并封装成 LangChain Tools tools [] try: # 获取服务器提供的工具列表 server_tools await session.list_tools() logger.info(f从会话中获取到 {len(server_tools.tools)} 个工具) for tool_info in server_tools.tools: # 为每个工具动态创建参数 Schema # 这里简化处理实际应根据 tool_info.inputSchema 动态生成 Pydantic 模型 # 我们创建一个通用的、允许任意键值对的模型 class DynamicToolArgs(BaseModel): # 使用 tool_info 的描述作为整体描述 __doc__ tool_info.description or f参数 for {tool_info.name} # 创建一个通用字段实际调用时会将 kwargs 传入 # 更复杂的实现需要解析 tool_info.inputSchema (JSON Schema) pass # 创建包装器实例 wrapped_tool MCPToolWrapper( nametool_info.name, descriptiontool_info.description or fMCP Tool: {tool_info.name}, args_schemaDynamicToolArgs, sessionsession, tool_nametool_info.name, tool_descriptiontool_info.description or , tool_args_schemaDynamicToolArgs, ) tools.append(wrapped_tool) logger.debug(f已包装工具: {tool_info.name}) except Exception as e: logger.error(f从会话加载工具失败: {e}) return tools async def create_filesystem_session() - ClientSession: 创建连接到 filesystem MCP server 的会话 # mcp-server-filesystem 通常提供一个可执行模块 # 命令可能是 python -m mcp_server_filesystem 或直接 mcp-server-filesystem # 请根据实际安装情况调整 command [python, -m, mcp_server_filesystem] # 或者如果全局安装了: command [mcp-server-filesystem] return await create_mcp_session(command) async def create_sqlite_session(db_path: str :memory:) - ClientSession: 创建连接到 sqlite MCP server 的会话并指定数据库路径 # 许多 MCP server 允许通过参数传递配置 command [python, -m, mcp_server_sqlite, --db-path, db_path] return await create_mcp_session(command)4.3 构建多技能 Agent 主程序现在我们编写主程序main.py它负责启动多个 MCP Server加载工具并初始化 LangChain Agent。# main.py import asyncio import os from typing import List from dotenv import load_dotenv from langchain.agents import AgentExecutor, create_tool_calling_agent from langchain_anthropic import ChatAnthropic from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.tools import BaseTool from mcp_utils import ( create_filesystem_session, create_sqlite_session, load_tools_from_session, ClientSession, ) # 加载环境变量 load_dotenv() async def main(): 主异步函数初始化会话、工具、Agent 并运行 sessions: List[ClientSession] [] all_tools: List[BaseTool] [] print( 开始初始化 MCP Agent...) try: # 1. 初始化 Filesystem Skill print( 正在连接 Filesystem MCP Server...) fs_session await create_filesystem_session() sessions.append(fs_session) fs_tools await load_tools_from_session(fs_session) all_tools.extend(fs_tools) print(f 已加载 {len(fs_tools)} 个文件系统工具。) # 2. 初始化 SQLite Skill (使用内存数据库作为示例) print( 正在连接 SQLite MCP Server...) sqlite_session await create_sqlite_session(:memory:) sessions.append(sqlite_session) # 可选先创建一个示例表方便后续测试 # 这可以通过 Agent 来执行但这里我们直接通过会话初始化 await sqlite_session.call_tool(execute_sql, arguments{ query: CREATE TABLE IF NOT EXISTS users (id INTEGER PRIMARY KEY, name TEXT, email TEXT); }) await sqlite_session.call_tool(execute_sql, arguments{ query: INSERT OR IGNORE INTO users (name, email) VALUES (Alice, aliceexample.com), (Bob, bobexample.com); }) sqlite_tools await load_tools_from_session(sqlite_session) all_tools.extend(sqlite_tools) print(f 已加载 {len(sqlite_tools)} 个数据库工具。) if not all_tools: print(⚠️ 警告未加载到任何工具。请检查 MCP Server 是否正常运行。) return print(f✅ 总计加载了 {len(all_tools)} 个 MCP 工具。) # 3. 初始化 LLM (以 Claude 为例) llm ChatAnthropic( modelclaude-3-5-sonnet-20241022, # 使用合适的模型 temperature0, api_keyos.getenv(ANTHROPIC_API_KEY), ) # 4. 构建 Agent 提示词模板 prompt ChatPromptTemplate.from_messages([ (system, 你是一个强大的助手拥有操作计算机文件系统和数据库的能力。 你可以使用提供的工具来读取、写入文件以及查询、修改 SQLite 数据库。 请根据用户的问题谨慎地选择和使用工具。在操作文件系统时请注意路径安全。 在操作数据库时对于修改或删除数据的操作请务必确认用户意图。 如果用户的问题无法用现有工具解决请如实告知。), MessagesPlaceholder(variable_namechat_history, optionalTrue), (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad), ]) # 5. 创建 Tool Calling Agent agent create_tool_calling_agent( llmllm, toolsall_tools, promptprompt, ) # 6. 创建 Agent 执行器 agent_executor AgentExecutor( agentagent, toolsall_tools, verboseTrue, # 打印详细的思考过程调试时非常有用 handle_parsing_errorsTrue, # 优雅处理解析错误 max_iterations10, # 防止无限循环 ) print(\n *50) print( MCP 多技能 Agent 初始化完成) print(*50) print(你可以尝试以下指令) print( - 列出当前目录下的文件) print( - 读取 README.md 文件的内容) print( - 查询数据库中的所有用户) print( - 在数据库中插入一个新用户名字叫 Charlie邮箱 charlieexample.com) print(输入 quit 或 exit 退出。) print(*50 \n) # 7. 简单的 REPL 交互循环 while True: try: user_input input(\n 你的问题: ).strip() if user_input.lower() in [quit, exit, q]: print( 再见) break if not user_input: continue # 运行 Agent result await agent_executor.ainvoke({input: user_input}) print(f\n 助手回复: {result[output]}) except KeyboardInterrupt: print(\n\n⚠️ 中断请求。) break except Exception as e: print(f\n❌ 运行出错: {e}) finally: # 8. 清理资源关闭所有 MCP 会话 print(\n 正在关闭 MCP 会话...) for session in sessions: try: await session.close() except: pass print(✅ 清理完成。) if __name__ __main__: asyncio.run(main())4.4 运行与验证现在运行我们的 Agent# 确保在项目根目录且虚拟环境已激活 python main.py如果一切顺利你将看到类似以下的启动日志 开始初始化 MCP Agent... 正在连接 Filesystem MCP Server... INFO:__main__:MCP 会话初始化成功 (Server: [python, -m, mcp_server_filesystem]) ... ✅ 总计加载了 8 个 MCP 工具。 ... MCP 多技能 Agent 初始化完成现在你可以与 Agent 对话了。尝试输入 你的问题: 列出当前目录下的文件Agent 会调用 filesystem 工具返回当前目录的文件列表。再尝试 你的问题: 查询数据库中的所有用户Agent 会调用 sqlite 工具执行SELECT * FROM users;并返回结果。关键观察Verbose 输出由于设置了verboseTrue你会看到 Agent 的思考链ReAct 模式包括它决定调用哪个工具、传递什么参数。无缝集成对于用户来说他们只是用自然语言提问。Agent 自动理解了意图选择了正确的 Skill是读文件还是查数据库并通过 MCP 协议完成了底层调用。能力扩展如果你想添加 Figma Skill只需安装mcp-server-figma在main.py中添加创建 Figma 会话的代码并将其工具加载到all_tools列表中即可。无需修改 Agent 的核心逻辑。4.5 进阶处理复杂参数与错误上面的MCPToolWrapper简化了参数处理。在实际应用中tool_info.inputSchema包含了详细的 JSON Schema 定义。一个更健壮的封装需要解析这个 schema并动态生成具有严格字段校验的 Pydantic 模型。此外需要加强错误处理比如 MCP Server 进程崩溃、网络超时、权限错误等。可以为MCPToolWrapper._arun添加重试机制和更友好的错误信息提示。5. 常见问题与排查思路在集成 MCP 和 LangChain 时你可能会遇到以下问题问题现象可能原因排查思路与解决方案启动时报ModuleNotFoundError: No module named mcp_server_xxx1. 对应的 MCP Server 包未安装。2. 包已安装但命令路径不对。1. 使用pip install mcp-server-xxx确认安装。2. 尝试直接运行python -m mcp_server_xxx --help看是否可用。3. 在create_mcp_session中调整server_command。Agent 无法识别或调用工具1. MCP 会话初始化失败未获取到工具列表。2. 工具包装时参数 schema 不匹配。3. LLM 无法正确理解工具描述。1. 检查initialize和list_tools是否成功添加日志。2. 打印tool_info查看其name和description是否清晰。3. 在 Agent 的 system prompt 中更详细地描述工具用途。启用verboseTrue观察 Agent 的思考过程。调用工具时超时或无响应1. MCP Server 进程卡死或崩溃。2. 工具执行本身耗时过长如大数据查询。3. Stdio 通信缓冲区阻塞。1. 为call_tool添加超时参数asyncio.wait_for(session.call_tool(...), timeout30.0)。2. 检查 Server 进程状态查看是否有独立日志。3. 考虑对耗时操作使用异步通知模式如果 Server 支持。权限错误如文件无法访问MCP Server 通常以当前用户权限运行。Agent 试图访问无权访问的文件或目录。1. 确保 Agent 操作的路径在允许范围内。可在 Filesystem Server 启动时通过参数限制根目录。2. 在系统层面处理好权限问题。这是生产部署的关键安全考量。LangChain Agent 陷入循环或调用错误工具1. 工具描述不够准确导致 LLM 误解。2. Agent 的 max_iterations 设置过高。3. 缺少对无效请求的处理逻辑。1. 优化工具的描述使其功能单一、表述清晰。2. 适当降低max_iterations如 5-10。3. 在 Agent prompt 中明确要求“如果无法用工具解决请直接告知用户”。如何添加自定义 Skill想让 Agent 操作内部系统或特定 API。1. 参考 MCP 官方文档用任何语言Python, Node.js, Go等实现一个 MCP Server。2. 实现list_tools和call_tool等标准方法。3. 像使用第三方 Skill 一样在代码中启动你的自定义 Server 并连接。6. 最佳实践与工程建议将 MCP Agent 用于实际项目时请遵循以下建议以确保其稳定性、安全性和可维护性。1. 安全管理与权限控制最小权限原则每个 MCP Server 应仅拥有完成其职责所需的最小权限。例如一个只读的报表查询 Skill 不应拥有数据库写权限。沙箱与环境隔离考虑在容器Docker或轻量级虚拟机中运行 MCP Server特别是处理文件系统、数据库等敏感操作的 Server。输入验证与净化尽管 MCP Server 自身应做验证但在 Agent 侧也应对用户输入进行初步检查和净化防止路径遍历../、SQL 注入等攻击通过自然语言指令触发。审计日志记录所有工具调用的详细信息包括用户、时间、工具名、参数和结果可脱敏便于事后审计和问题排查。2. 性能与可靠性连接池与会话复用避免为每个请求都创建新的 MCP Server 进程。使用连接池或长会话复用连接但要注意会话状态管理。超时与重试为所有 MCP 调用设置合理的超时。对于暂时性失败如网络抖动实现指数退避的重试机制。健康检查定期对 MCP Server 进行健康检查如发送list_tools请求及时发现并重启不健康的进程。负载均衡对于无状态的 MCP Server可以启动多个实例并通过简单的负载均衡来分发请求。3. 工具设计与提示工程清晰的功能描述MCP Server 在list_tools中返回的description字段至关重要。它应该清晰、简洁、无歧义帮助 LLM 准确判断何时调用该工具。例如“read_file: 读取指定路径的文本文件内容”比“file operator”要好得多。结构化参数充分利用 JSON Schema 定义工具参数提供类型、枚举、必需项等信息。这能帮助 LangChain 生成更准确的调用格式。分层工具集不要将所有功能塞进一个 Server。按领域拆分如filesystem、database、network这有助于管理、更新和权限控制。4. 生产环境部署进程管理使用systemd、supervisord或容器编排平台K8s来管理 MCP Server 进程的生命周期确保它们崩溃后能自动重启。配置外部化数据库连接字符串、API 密钥、文件根目录等配置不应硬编码而应通过环境变量或配置文件注入。版本管理对 MCP ServerSkills进行版本化管理确保 Agent 与 Server 之间的协议兼容性。在升级时要有回滚方案。监控与告警集成 APM 工具监控 MCP 调用的延迟、成功率和错误率。设置关键错误的告警。5. 与现有 LangChain 生态结合混合工具集你的 Agent 可以同时使用 MCP 工具和传统的、手写的 LangChain Tools。这为你迁移现有功能和集成新能力提供了灵活性。使用 LangGraph 编排复杂流程对于需要多步骤、有状态、或涉及条件分支的复杂任务可以考虑使用 LangGraph 来编排多个 MCP Agent 或工具调用实现更强大的工作流。通过遵循这些最佳实践你可以构建出不仅强大而且稳定、安全、易于维护的 MCP 增强型 AI Agent真正将其应用于提升工作效率的实际场景中。