LangGraph学习记录2:MCP接入LangGraph

1.MCP简介

就我的使用而言，我理解的MCP就是一个构建agent tool的标准化方法，可能理解有些片面，见仁见智啦～构建这样的连接需要一个client（agent侧）和多个server（tool侧）。这个构建方法支持三种传输类型，也就是说你搭建的client- server之间如何通信。

• stdio：这种方式是本地进程间通信，client启动server作为一个子进程，简单的工具用这个就好。
• streamable-http / sse：服务端自己先在某个端口跑起来，客户端再用 HTTP/SSE 连接过去，客户端不负责启动服务进程。两者都是基于 HTTP，区别在于是否支持流式/SSE 推送。

2.实践

这里的demo和上一篇的没有关系，单纯是学习这个mcp弄得。这里的demo也是来自于langchain官网,包含两种传输方式的工具。修改部分有：

• 模型调用改为open router
• Python 脚本文件的顶层不能直接用 await，必须放在 async def 里再用 asyncio.run。官网可能是JNB之类的，直接搬来会报错

客户端部分

注意修改math部分的路径

from langchain_mcp_adapters.client import MultiServerMCPClient  
from langchain.agents import create_agent
from langchain_openai import ChatOpenAI
import asyncio
import os
from dotenv import load_dotenv

load_dotenv()

OPENROUTER_API_KEY = os.getenv("OPENROUTER_API_KEY")

client = MultiServerMCPClient(  
    {
        "math": {
            "transport": "stdio",  # Local subprocess communication
            "command": "python",
            # Absolute path to your math_server.py file
            "args": ["/path/to/math_server.py"],
        },
        "weather": {
            "transport": "http",  # HTTP-based remote server
            # Ensure you start your weather server on port 8000
            "url": "http://localhost:8000/mcp",
        }
    }
)

async def main():
    tools = await client.get_tools()  
    llm = ChatOpenAI(
        model="anthropic/claude-sonnet-4.5",
        temperature=0,
        base_url="https://openrouter.ai/api/v1",
        api_key=os.getenv("OPENROUTER_API_KEY")

    )
    agent = create_agent(
        llm,
        tools=tools
    )
    math_response = await agent.ainvoke(
        {"messages": [{"role": "user", "content": "what's (3 + 5) x 12?"}]}
    )
    math_response["messages"][-1].pretty_print()
    weather_response = await agent.ainvoke(
        {"messages": [{"role": "user", "content": "what is the weather in nyc?"}]}
    )
    weather_response["messages"][-1].pretty_print()

if __name__ == "__main__":
    asyncio.run(main())

两个server部分

math_server.py

from fastmcp import FastMCP

mcp = FastMCP("Math")

@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b

@mcp.tool()
def multiply(a: int, b: int) -> int:
    """Multiply two numbers"""
    return a * b

if __name__ == "__main__":
    mcp.run(transport="stdio")

get_weather.py

from fastmcp import FastMCP

mcp = FastMCP("Weather")

@mcp.tool()
async def get_weather(location: str) -> str:
    """Get weather for location."""
    return "It's always sunny in New York"

if __name__ == "__main__":
    mcp.run(transport="streamable-http")

3.运行

这里的weather服务器是http连接，需要运行前手动跑起来这个get_weather.py程序，它在本地8000端口提供服务

math服务器是子进程方式启动，运行客户端会自行启动

两次使用工具结果如下

4.后话

像我自己要搭建的项目中，我想把仿真平台ns3作为工具供agent使用，而ns3这边的运行包含好几个进程，以及复杂的环境，使用stdio方式就很困难，弄成在某个端口提供服务就方便很多。但是具体怎么弄还没想好，再试试吧。