[智能体-240]：LangChain实现MCP工具调用的代码示例（MCP client端）

LangChain + MCP Client 工具调用最简示例

架构说明：

1. MCP Server：独立进程 / 远端服务，向外暴露标准化 MCP 接口、提供工具元信息与远程执行；
2. MCP Client（本示例）：在 LangChain 侧封装成标准LangChain Tool，塞入bind_tools，沿用原有 LCEL 链路：Prompt | llm.bind_tools(mcp_tools) | tool_exec；
3. 上层 Chain 完全复用原有bind_tools + RunnableLambda执行器，业务链路无改动。

前置：MCP 遵循 Model Context Protocol 标准 JSON-RPC，示例封装通用 MCP 客户端；假设已有一台运行在http://127.0.0.1:8080/mcp的 MCP 服务。

1、依赖安装

bash

运行

pip install langchain langchain-openai requests pydantic

2、通用 MCP Client 封装（把远端 MCP 服务转为 LangChain Tool）

python

运行

import requests from typing import Dict, Any from langchain_core.tools import Tool from langchain_core.tools.base import BaseTool class MCPClient: def __init__(self, endpoint: str): self.endpoint = endpoint self.session = requests.Session() def list_tools(self) -> list[Dict[str, Any]]: """MCP协议：拉取远端全部工具元数据(name/desc/parameters schema)""" req = { "jsonrpc": "2.0", "id": 1, "method": "tools/list" } # 从远程MCP server获取tools清单 resp = self.session.post(self.endpoint, json=req).json() return resp["result"]["tools"] def call_tool(self, tool_name: str, args: Dict[str, Any]) -> str: """MCP协议：远程调用工具""" req = { "jsonrpc": "2.0", "id": 2, "method": "tools/call", "params": { "name": tool_name, "arguments": args } } # 对远程mcp server发起请求，远程执行tool调用 resp = self.session.post(self.endpoint, json=req).json() return str(resp["result"]["content"]) def to_langchain_tools(self) -> list[BaseTool]: """将MCP远端工具自动转换成LangChain @Tool格式""" mcp_tools_raw = self.list_tools() lc_tools = [] for item in mcp_tools_raw: name = item["name"] desc = item["description"] params_schema = item["inputSchema"] def create_tool(n=name): def _run(**kwargs): return self.call_tool(n, kwargs) return _run lc_tool = Tool( name=name, description=desc, func=create_tool() ) lc_tools.append(lc_tool) return lc_tools

3、LCEL 完整链路：bind_tools + 通用 tool_exec 执行器

python

运行

from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage, AIMessage, ToolMessage from langchain_core.prompts import ChatPromptTemplate from langchain_core.runnables import RunnableLambda # ① 初始化MCP客户端，对接远端MCP Server mcp_client = MCPClient(endpoint="http://127.0.0.1:8080/mcp") # 自动拉取远端所有工具，转为LangChain标准工具 mcp_tool_list = mcp_client.to_langchain_tools() tool_map = {t.name: t for t in mcp_tool_list} # ② LLM绑定MCP远程工具（和本地工具bind_tools写法完全一致） base_llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) llm_with_mcp = base_llm.bind_tools(mcp_tool_list) # ③ 通用工具执行节点：复用原有RunnableLambda执行逻辑（本地/远程工具统一执行） def tool_exec_func(ai_msg: AIMessage): if not ai_msg.tool_calls: return ai_msg.content msg_list = [] for call in ai_msg.tool_calls: tool = tool_map[call["name"]] res = tool.run(call["args"]) msg_list.append(ToolMessage(content=str(res), tool_call_id=call["id"])) final_msg = llm_with_mcp.invoke([HumanMessage(""), ai_msg] + msg_list) return final_msg.content tool_exec_node = RunnableLambda(tool_exec_func) # ④ 组装标准LCEL链路 prompt = ChatPromptTemplate.from_messages([("user", "{query}")]) chain = prompt | llm_with_mcp | tool_exec_node

4、调用测试

python

运行

# 示例：MCP服务内置计算器、查字符串长度等远端工具 resp = chain.invoke({"query": "计算 123 + 456"}) print(resp)

关键要点（贴合之前分工逻辑）

1. bind_tools无改动：MCP 远端工具经过封装后和本地 Python 工具使用方式完全一致，LLM 只看工具 name/desc/schema，分不清是本地函数还是网络远程调用；
2. tool_exec 执行节点无改动：tool.run()内部已经被 MCP Client 封装为网络请求，上层执行逻辑统一，不用区分本地 / 远程；
3. 解耦价值：MCP Server 独立部署、独立升级；LangChain Agent 不用改代码、不用重新打包，仅修改 MCP 对接地址即可切换远端工具服务。

拓展：本地 + MCP 远程工具混用

python

运行

# 本地自定义工具 + MCP远程工具合并放入同一tools列表 from langchain_core.tools import tool @tool def local_hello(name: str) -> str: """本地函数：打招呼""" return f"hello {name}" all_tools = [local_hello] + mcp_tool_list llm_all = base_llm.bind_tools(all_tools)

LLM 自动按需选择调用本地函数 或 MCP 远端服务。

补充：MCP Server 简易示意（伪逻辑）

python

运行

# MCP Server内部：收到tools/call，调用内部业务函数，返回结果 # 工具实现可以是任意语言(Python/Java/Go)，与LangChain项目彻底分离