1. MCP简介

MCP（Model Context Protocol）是一种用于大型语言模型（LLM）与外部工具和资源进行通信的协议标准。它的设计目标是为AI模型提供一种标准化的方式来访问和操作外部世界的数据和功能。

1.1 MCP的核心特点

• 标准化通信接口：MCP定义了一套标准的通信格式和协议，使模型能够以一致的方式与各种外部系统交互。
• 工具和资源抽象：将外部功能抽象为"工具"（可执行的功能）和"资源"（可访问的数据），简化了模型与外部世界的交互。
• 上下文管理：维护模型与外部系统交互过程中的上下文信息，确保交互的连贯性。
• 安全性考虑：内置了权限控制和安全检查机制，防止未授权的访问和潜在的安全风险。
• 可扩展性：支持添加新的工具和资源，适应不断变化的需求。

1.2 MCP的工作原理

MCP的工作流程通常包括以下步骤：

1. 服务注册：外部服务（如API、数据库等）注册为MCP服务器，提供工具和资源。
2. 模型请求：AI模型通过MCP客户端发送请求，指定要使用的工具或访问的资源。
3. 服务处理：MCP服务器接收请求，执行相应的操作，并返回结果。
4. 结果整合：模型接收结果，并将其整合到自己的推理过程中。

2. LangChain简介

LangChain是一个用于开发基于大型语言模型（LLM）应用的框架，它提供了一系列工具和抽象，简化了LLM应用的开发过程。

2.1 LangChain的核心组件

• Chains：将多个组件（如模型、提示词、工具等）链接在一起，形成复杂的处理流程。
• Agents：能够根据用户输入和当前状态，动态决定使用哪些工具和执行哪些操作的智能代理。
• Memory：管理对话历史和上下文信息，使模型能够记住之前的交互。
• Tools：模型可以使用的外部功能，如搜索引擎、计算器、API等。
• Document Loaders：从各种来源加载文档的组件。
• Text Splitters：将长文本分割成适合模型处理的小块。
• Embeddings：将文本转换为向量表示，用于语义搜索和相似度计算。
• Vector Stores：存储和检索文本向量的数据库。

2.2 LangChain的优势

• 模块化设计：各组件可以独立使用，也可以组合成复杂的应用。
• 多模型支持：支持多种LLM，如OpenAI的GPT系列、Anthropic的Claude、Google的Gemini等。
• 丰富的集成：与众多外部服务和工具集成，扩展了模型的能力。
• 开源生态：活跃的开发者社区和丰富的文档资源。

3. langchain_mcp_adapters简介

langchain_mcp_adapters是一个连接LangChain和MCP的适配器库，它允许LangChain框架中的应用无缝地使用MCP服务提供的工具和资源。

3.1 langchain_mcp_adapters的作用

• 桥接LangChain和MCP：将MCP服务器提供的工具和资源转换为LangChain可用的格式。
• 简化集成过程：开发者无需深入了解MCP的内部实现，就能在LangChain应用中使用MCP服务。
• 统一接口：提供一致的接口，使得在LangChain中使用MCP服务与使用其他工具一样简单。
• 扩展LangChain能力：通过MCP，LangChain应用可以访问更多外部服务和资源。

3.2 langchain_mcp_adapters的核心组件

• tools：将MCP工具转换为LangChain工具。
• resources：将MCP资源转换为LangChain可用的数据源。
• clients：管理与MCP服务器的连接和通信。
• promots：专门用于处理MCP工具和资源的Chain实现。

4. langchain_mcp_adapters使用详解

下面我们将详细介绍如何在实际项目中使用langchain_mcp_adapters，包括安装、配置、基本用法和高级应用。

4.1 安装和配置

首先，我们需要安装必要的依赖：

pip install langchain langchain_mcp_adapters

如果需要使用特定的LLM，还需要安装相应的依赖：

# 使用OpenAI模型
pip install openai

# 使用Anthropic模型
pip install anthropic

# 使用本地模型
pip install langchain-community

4.2 基本用法

4.2.1 连接MCP服务器

from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain_mcp_adapters.client import MultiServerMCPClient

import asyncio



asyncdefmain():asyncwith MultiServerMCPClient({"weather":{# make sure you start your weather server on port 8000"url":"http://localhost:8990/sse","transport":"sse",}})as client:
        avTools = client.get_tools()print(avTools)if __name__ =="__main__":
    asyncio.run(main())

plaintext

5.3 安全性考虑

• 验证输入：始终验证用户输入，防止注入攻击。
• 限制访问：为MCP服务器设置适当的访问控制。
• 监控使用：记录和监控MCP工具的使用情况，及时发现异常。

5.4 可扩展性

• 模块化设计：将不同功能的MCP服务器分开，便于独立扩展。
• 负载均衡：对于高负载场景，考虑部署多个MCP服务器实例。
• 服务发现：实现服务发现机制，动态连接可用的MCP服务器。

6. 总结

langchain_mcp_adapters为LangChain和MCP之间搭建了一座桥梁，使得开发者能够轻松地在LangChain应用中利用MCP服务提供的工具和资源。通过这种集成，AI应用的能力得到了极大的扩展，可以更加灵活地与外部世界交互。

本文详细介绍了MCP和LangChain的基本概念，langchain_mcp_adapters的核心功能，以及如何在实际项目中使用这个适配器库。从基本用法到高级应用，从错误处理到性能优化，我们全面探讨了langchain_mcp_adapters的各个方面。

随着AI技术的不断发展，像langchain_mcp_adapters这样的工具将变得越来越重要，它们使得开发者能够更加专注于业务逻辑，而不必过多关注底层的通信细节。通过合理利用这些工具，我们可以构建出更加智能、更加强大的AI应用。

零基础如何高效学习大模型？

你是否懂 AI，是否具备利用大模型去开发应用能力，是否能够对大模型进行调优，将会是决定自己职业前景的重要参数。

为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和鲁为民博士系统梳理大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

  

抓住机遇，开启你的AI学习之旅！