LangChain 是 LLM 应用开发 / 编排框架，MCP 是 “模型 ↔ 外部工具 / 数据” 的标准化通信协议；LangChain 用官方适配器把 MCP 当作统一 “工具总线” 来集成

LangChain 是 LLM 应用开发 / 编排框架，MCP 是 “模型 ↔ 外部工具 / 数据” 的标准化通信协议；LangChain 用官方适配器把 MCP 当作统一 “工具总线” 来集成，二者互补、不是竞争关系LangChain。

先给结论：LangChain 是 LLM 应用开发 / 编排框架，MCP 是“模型 ↔ 外部工具 / 数据” 的标准化通信协议；LangChain 用官方适配器把 MCP 当作统一 “工具总线” 来集成，二者互补、不是竞争关系LangChain。

下面从定位、架构、集成方式、区别与场景讲清楚。

一、LangChain 与 MCP 各自是什么

LangChain（框架）

• 定位：LLM 应用开发与编排框架
• 核心：Runnable、Tool、Memory、Prompt、Chain、LangGraph
• 作用：把 “模型 + 提示词 + 记忆 + 检索 + 工具” 编排成对话、RAG、Agent 等完整应用
• 一句话：LangChain 负责“怎么组织流程”

MCP（协议，Model Context Protocol）

• 发起：Anthropic（2024 年底开源）
• 定位：LLM 与外部工具 / 数据源的统一通信标准，号称 AI 的 “USB‑C”
• 架构：Client ↔ Server，基于 JSON‑RPC 2.0，有状态双向会话Model Context Protocol (MCP)
• 三大原语：
  • Tools：模型可调用的函数（查库、调用 API）
  • Resources：上下文数据（文件、日志、知识库）
  • Prompts：可复用提示模板
• 一句话：MCP负责 “工具 / 上下文怎么被调用”

二、LangChain 与 MCP 的关系：框架 + 标准总线

1. 总体关系：集成互补、非竞争

• LangChain 官方提供langchain-mcp-adapters，将 MCP 作为一等公民支持LangChain
• MCP 对 LangChain 是统一外部工具接入层，解决 “模型 × 工具”N×M 适配爆炸问题
• 类比：
  • LangChain = 电脑（CPU / 内存 / 软件 / 编排）
  • MCP = USB‑C（统一连接硬盘、显示器、外设）
  • MCP Server = 各类外设（数据库、搜索、地图）

2. 架构位置（数据流）

plaintext

用户/前端 ↓ LangServe / LangGraph（编排、状态、分支、循环） ↓ LangChain 核心（LLM、Prompt、Memory、RAG、Tool） ↓ langchain-mcp-adapters（适配层） ↓ MCP Client ↔ MCP Server（JSON‑RPC、有状态会话） ↓ 外部工具/数据源（DB、API、文件、搜索、第三方服务）

3. 集成核心：MCP 工具 → LangChain 原生 Tool

• 适配器把 MCP Server 暴露的工具自动转为 LangChain 的BaseToolLangChain
• 在 LangChain Agent 里用 MCP 工具，和用@tool写的本地工具完全一样LangChain
• 支持同时连接多个 MCP Server（数学、天气、地图、数据库）

4. 集成代码示例（Python）

python

运行

from langchain_mcp_adapters.client import MultiServerMCPClient from langchain_openai import ChatOpenAI from langchain.agents import create_tool_calling_agent # 1. 配置多个 MCP Server（本地+远程） mcp_config = { "math": { "transport": "stdio", "command": "python", "args": ["math_server.py"] }, "amap": { "transport": "stdio", "command": "npx", "args": ["-y", "@amap/amap-maps-mcp-server"], "env": {"AMAP_KEY": "xxx"} } } # 2. 连接并加载所有 MCP 工具 async with MultiServerMCPClient(mcp_config) as client: tools = await client.get_tools() # 转为 LangChain 工具列表 # 3. 正常创建 Agent，直接使用 MCP 工具 llm = ChatOpenAI(model="gpt-4o") agent = create_tool_calling_agent(llm, tools, prompt=...) res = agent.invoke({"input": "计算 (3+5)*12 并查北京天气"})

三、LangChain vs MCP：关键区别

表格

四、什么时候用谁？怎么组合？

1. 只用 LangChain

• 简单对话、RAG、少量内部工具
• 不想额外部署 MCP Server，快速落地

2. 引入 MCP

• 需对接多个异构外部系统（数据库、API、云服务）
• 希望工具可跨框架复用（LangChain/LlamaIndex/ 原生 Claude 都能用）
• 需要安全隔离：工具在独立 Server 运行，不污染主应用
• 构建企业级、可插拔的工具生态

3. 最佳组合（生产常用）

• LangChain + LangGraph + MCP + LangSmith
  • LangGraph：处理复杂状态、分支、多轮工具调用
  • MCP：统一对接所有外部工具 / 数据
  • LangSmith：全链路追踪、调试、评估

五、一句话总结

LangChain 是 “大脑 + 骨架”，负责思考与流程；MCP 是 “统一神经接口”，负责安全、标准地连接外部世界；两者叠加，才能高效构建企业级、可扩展、可观测的 LLM 应用。