前言AI行业现在已经火爆成这个样子被宣传的可以说是无所不能但是我相信仍然有很多小伙伴用AI工具只是限于聊天提问……这一类极其简单的应用场景这不是极大的浪费了AI给我的红利吗我们起码应该用AI工具实现一些相对更复杂更智能的工作场景比如我们能不能让AI在能回答问题的同时还让它调用我们自己的数据库读取我们的本地文件。并且根据这些信息在无需编码的情况下帮我们执行一些类似浏览器检索截图email发送等等操作呢那么这就引出了我们今天的主题Langchain 它正是为了帮我们解决上述问题而生Langchain 是一个开源框架它支持用户将类似 GPT-4一样的大型语言模型与第三方外部计算和数据源相结合实现复杂AI业务场景。那什么又是LangChain MCPLangChain MCP 适配器是一个功能强大的工具它能够将Anthropic Model Context Protocol (MCP) 工具与LangChain 和 LangGraph 无缝集成。通过LangChainMCP适配器我们开发人员就可以轻松地将MCP工具转换为 LangChain 工具进而在LangGraph代理中使用这些工具。LangChain MCP适配器还支持连接到多个MCP服务器并从中加载工具这就让我们开发人员可以同时利用多个 MCP服务器提供的工具来构建更强大的AI应用程序。同时LangChain MCP适配器也支持多种传输方式包括标准输入输出stdio和服务器发送事件SSE这就让我们开发人员可以根据自己的实际体需求选择合适的传输方式。LangChain MCP的应用场景也是非常广泛下面给大家举些例子LangChain MCP可以作为我们的个人助手用AI来帮助我们实现出行预订航班、财务转账、缴费等。在自主学习方面可以帮我我们梳理整个课程大纲画出重点让我们更快的吃透学习资料。数据分析可以用LangChain MCP来连接到企业客户或相关市场源数据池加以自动话分析并根据分析结果执行相应商业决策。LangChain MCP如何使用下面我们给大家介绍一下具体配置方法安装pip install langchain-mcp-adapters以下是使用 MCP 工具与 LangGraph 代理的简单示例。pip install langchain-mcp-adapters langgraph langchain-openaiexport OPENAI_API_KEYyour_api_key服务器首先让我们创建一个可以进行加法和乘法运算的 MCP 服务器# math_server.pyfrom mcp.server.fastmcp import FastMCPmcp FastMCP(Math)mcp.tool()def add(a: int, b: int) - int: 将两个数字相加 return a bmcp.tool()def multiply(a: int, b: int) - int: 将两个数字相乘 return a * bif __name__ __main__: mcp.run(transportstdio)客户端# 创建 stdio 连接的服务器参数from mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_clientfrom langchain_mcp_adapters.tools import load_mcp_toolsfrom langgraph.prebuilt import create_react_agentfrom langchain_openai import ChatOpenAImodel ChatOpenAI(modelgpt-4o)server_params StdioServerParameters( commandpython, # 确保更新为 math_server.py 文件的完整绝对路径 args[/path/to/math_server.py],)async with stdio_client(server_params) as (read, write): async with ClientSession(read, write) as session: # 初始化连接 await session.initialize() # 获取工具 tools await load_mcp_tools(session) # 创建并运行代理 agent create_react_agent(model, tools) agent_response await agent.ainvoke({messages: whats (3 5) x 12?})多个MCP服务器该库还允许连接到多个 MCP 服务器并从中加载工具服务器# math_server.py...# weather_server.pyfrom typing import Listfrom mcp.server.fastmcp import FastMCPmcp FastMCP(Weather)mcp.tool()async def get_weather(location: str) - str: 获取位置的天气。 return 纽约总是阳光明媚if __name__ __main__: mcp.run(transportsse)python weather_server.py客户端fromlangchain_mcp_adapters.clientimportMultiServerMCPClientfrom langgraph.prebuiltimportcreate_react_agentfrom langchain_openaiimportChatOpenAImodelChatOpenAI(modelgpt-4o)asyncwithMultiServerMCPClient({math:{command:python,# 确保更新为 math_server.py 文件的完整绝对路径 args: [/path/to/math_server.py], transport: stdio, }, weather: { # 确保您在 8000 端口启动天气服务器 url: http://localhost:8000/sse, transport: sse, } }) as client: agent create_react_agent(model, client.get_tools()) math_response await agent.ainvoke({messages: whats (3 5) x 12?}) weather_response await agent.ainvoke({messages: what is the weather in nyc?})与 LangGraph API 服务器一起使用如果你想在 LangGraph API 服务器上运行一个使用 MCP 工具的 LangGraph 代理可以使用以下设置# graph.pyfrom contextlib import asynccontextmanagerfrom langchain_mcp_adapters.client import MultiServerMCPClientfrom langgraph.prebuilt import create_react_agentfrom langchain_anthropic import ChatAnthropicmodel ChatAnthropic(modelclaude-3-5-sonnet-latest)asynccontextmanagerasync def make_graph(): async with MultiServerMCPClient( { math: { command: python, # 确保更新为 math_server.py 文件的完整绝对路径 args: [/path/to/math_server.py], transport: stdio, }, weather: { # 确保您在 8000 端口启动天气服务器 url: http://localhost:8000/sse, transport: sse, } } ) as client: agent create_react_agent(model, client.get_tools()) yield agent在你的langgraph.json中确保将make_graph指定为图形入口点{dependencies:[.],graphs:{agent:./graph.py:make_graph}}小小总结Langchain为我们打开了一个充满无限可能的AI新世界让AI技术真正落地更加贴近我们用户的实际使用需求同时也让机器学习应用的发展更加多元化普适化。最后的最后感谢你们的阅读和喜欢作为一位在一线互联网行业奋斗多年的老兵我深知在这个瞬息万变的技术领域中持续学习和进步的重要性。为了帮助更多热爱技术、渴望成长的朋友我特别整理了一份涵盖大模型领域的宝贵资料集。这些资料不仅是我多年积累的心血结晶也是我在行业一线实战经验的总结。这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习相信它们一定能为你提供实质性的帮助。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】大模型知识脑图为了成为更好的 AI大模型 开发者这里为大家提供了总的路线图。它的用处就在于你可以按照上面的知识点去找对应的学习资源保证自己学得较为全面。经典书籍阅读阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。实战案例光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。面试资料我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】 【AI大模型】LangChain MCP适配器：MCP工具与LangChain 无缝集成的技术奥秘！
前言AI行业现在已经火爆成这个样子被宣传的可以说是无所不能但是我相信仍然有很多小伙伴用AI工具只是限于聊天提问……这一类极其简单的应用场景这不是极大的浪费了AI给我的红利吗我们起码应该用AI工具实现一些相对更复杂更智能的工作场景比如我们能不能让AI在能回答问题的同时还让它调用我们自己的数据库读取我们的本地文件。并且根据这些信息在无需编码的情况下帮我们执行一些类似浏览器检索截图email发送等等操作呢那么这就引出了我们今天的主题Langchain 它正是为了帮我们解决上述问题而生Langchain 是一个开源框架它支持用户将类似 GPT-4一样的大型语言模型与第三方外部计算和数据源相结合实现复杂AI业务场景。那什么又是LangChain MCPLangChain MCP 适配器是一个功能强大的工具它能够将Anthropic Model Context Protocol (MCP) 工具与LangChain 和 LangGraph 无缝集成。通过LangChainMCP适配器我们开发人员就可以轻松地将MCP工具转换为 LangChain 工具进而在LangGraph代理中使用这些工具。LangChain MCP适配器还支持连接到多个MCP服务器并从中加载工具这就让我们开发人员可以同时利用多个 MCP服务器提供的工具来构建更强大的AI应用程序。同时LangChain MCP适配器也支持多种传输方式包括标准输入输出stdio和服务器发送事件SSE这就让我们开发人员可以根据自己的实际体需求选择合适的传输方式。LangChain MCP的应用场景也是非常广泛下面给大家举些例子LangChain MCP可以作为我们的个人助手用AI来帮助我们实现出行预订航班、财务转账、缴费等。在自主学习方面可以帮我我们梳理整个课程大纲画出重点让我们更快的吃透学习资料。数据分析可以用LangChain MCP来连接到企业客户或相关市场源数据池加以自动话分析并根据分析结果执行相应商业决策。LangChain MCP如何使用下面我们给大家介绍一下具体配置方法安装pip install langchain-mcp-adapters以下是使用 MCP 工具与 LangGraph 代理的简单示例。pip install langchain-mcp-adapters langgraph langchain-openaiexport OPENAI_API_KEYyour_api_key服务器首先让我们创建一个可以进行加法和乘法运算的 MCP 服务器# math_server.pyfrom mcp.server.fastmcp import FastMCPmcp FastMCP(Math)mcp.tool()def add(a: int, b: int) - int: 将两个数字相加 return a bmcp.tool()def multiply(a: int, b: int) - int: 将两个数字相乘 return a * bif __name__ __main__: mcp.run(transportstdio)客户端# 创建 stdio 连接的服务器参数from mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_clientfrom langchain_mcp_adapters.tools import load_mcp_toolsfrom langgraph.prebuilt import create_react_agentfrom langchain_openai import ChatOpenAImodel ChatOpenAI(modelgpt-4o)server_params StdioServerParameters( commandpython, # 确保更新为 math_server.py 文件的完整绝对路径 args[/path/to/math_server.py],)async with stdio_client(server_params) as (read, write): async with ClientSession(read, write) as session: # 初始化连接 await session.initialize() # 获取工具 tools await load_mcp_tools(session) # 创建并运行代理 agent create_react_agent(model, tools) agent_response await agent.ainvoke({messages: whats (3 5) x 12?})多个MCP服务器该库还允许连接到多个 MCP 服务器并从中加载工具服务器# math_server.py...# weather_server.pyfrom typing import Listfrom mcp.server.fastmcp import FastMCPmcp FastMCP(Weather)mcp.tool()async def get_weather(location: str) - str: 获取位置的天气。 return 纽约总是阳光明媚if __name__ __main__: mcp.run(transportsse)python weather_server.py客户端fromlangchain_mcp_adapters.clientimportMultiServerMCPClientfrom langgraph.prebuiltimportcreate_react_agentfrom langchain_openaiimportChatOpenAImodelChatOpenAI(modelgpt-4o)asyncwithMultiServerMCPClient({math:{command:python,# 确保更新为 math_server.py 文件的完整绝对路径 args: [/path/to/math_server.py], transport: stdio, }, weather: { # 确保您在 8000 端口启动天气服务器 url: http://localhost:8000/sse, transport: sse, } }) as client: agent create_react_agent(model, client.get_tools()) math_response await agent.ainvoke({messages: whats (3 5) x 12?}) weather_response await agent.ainvoke({messages: what is the weather in nyc?})与 LangGraph API 服务器一起使用如果你想在 LangGraph API 服务器上运行一个使用 MCP 工具的 LangGraph 代理可以使用以下设置# graph.pyfrom contextlib import asynccontextmanagerfrom langchain_mcp_adapters.client import MultiServerMCPClientfrom langgraph.prebuilt import create_react_agentfrom langchain_anthropic import ChatAnthropicmodel ChatAnthropic(modelclaude-3-5-sonnet-latest)asynccontextmanagerasync def make_graph(): async with MultiServerMCPClient( { math: { command: python, # 确保更新为 math_server.py 文件的完整绝对路径 args: [/path/to/math_server.py], transport: stdio, }, weather: { # 确保您在 8000 端口启动天气服务器 url: http://localhost:8000/sse, transport: sse, } } ) as client: agent create_react_agent(model, client.get_tools()) yield agent在你的langgraph.json中确保将make_graph指定为图形入口点{dependencies:[.],graphs:{agent:./graph.py:make_graph}}小小总结Langchain为我们打开了一个充满无限可能的AI新世界让AI技术真正落地更加贴近我们用户的实际使用需求同时也让机器学习应用的发展更加多元化普适化。最后的最后感谢你们的阅读和喜欢作为一位在一线互联网行业奋斗多年的老兵我深知在这个瞬息万变的技术领域中持续学习和进步的重要性。为了帮助更多热爱技术、渴望成长的朋友我特别整理了一份涵盖大模型领域的宝贵资料集。这些资料不仅是我多年积累的心血结晶也是我在行业一线实战经验的总结。这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习相信它们一定能为你提供实质性的帮助。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】大模型知识脑图为了成为更好的 AI大模型 开发者这里为大家提供了总的路线图。它的用处就在于你可以按照上面的知识点去找对应的学习资源保证自己学得较为全面。经典书籍阅读阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。实战案例光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。面试资料我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】