Langgraph MCP Integration

项目介绍了MCP架构在AI应用中的优势，通过单服务器与多服务器客户端的对比，展示了如何高效连接数学和天气服务，并利用LangGraph的ReAct代理进行智能计算。

开发者工具人工智能聊天机器人 #多服务架构 #AI计算 #工具集成 #并行处理 .Python

评分 : 2分

下载量 : 9

更新时间 : 2025-04-29

什么是MCP服务器?

MCP服务器是一个基于Multi-Client Protocol的中间件，允许AI模型通过标准化协议与各种计算服务(如数学运算、天气查询等)交互。它充当AI应用和外部服务之间的桥梁。

如何使用MCP服务器?

您可以通过简单的Python装饰器定义服务功能，然后通过标准输入输出(stdio)或Server-Sent Events(SSE)等传输协议与客户端通信。

适用场景

适用于需要将AI能力与外部计算服务集成的场景，如智能计算器、实时数据分析、多服务协调等AI增强应用。

主要功能

多服务集成可同时连接多个不同类型的服务服务器(如数学服务和天气服务)

灵活的传输协议支持stdio、SSE等多种通信方式，适应不同场景需求

AI无缝集成内置LangGraph ReAct代理，使AI模型能自动决定工具调用顺序

优势与局限性

优势

高扩展性：轻松添加新服务而不影响现有架构

并行处理：可同时与多个服务交互提高效率

协议标准化：统一的服务交互方式降低集成复杂度

局限性

需要额外维护服务进程

初次配置需要一定技术理解

目前主要支持Python生态

如何使用

定义服务功能

使用Python装饰器在服务端代码中注册工具函数

启动服务

选择传输协议并运行服务进程

客户端连接

在客户端配置连接参数并初始化会话

使用案例

数学计算服务通过AI代理自动分解并解决复杂数学表达式

多服务协同同时查询天气并进行相关计算

常见问题

MCP服务器支持哪些编程语言?

如何添加新的服务类型?

是否支持身份验证?

🚀 了解 MCP 架构

MCP（多计算服务器）架构是一种具有创新性的方法，它将 AI 模型与外部计算服务相结合，助力开发者打造功能强大的应用程序。

🚀 快速开始

MCP 架构允许 AI 模型借助多种传输协议（如 stdio 和 sse），同时连接到多个计算服务器。这一特性让模型能够执行复杂任务，例如在 math_server.py 中进行数学运算，或者从 weather_server.py 获取实时天气信息。

✨ 主要特性

MCP 的核心组件

MCP 服务器：

数学服务器 (math_server.py)：提供基本的算术运算。

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("Math")

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

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

天气服务器 (weather_server.py)：提供实时天气数据。

from mcp.server.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="sse")

MCP 客户端：

单服务器客户端 (single_server_client.py)：与一个 MCP 服务器交互。

from mcp.client import Client

client = Client(
    {
        "math": {
            "command": "python",
            "args": ["server/math_server.py"],
            "transport": "stdio",
        },
    }
)

多服务器客户端 (multi_server_client.py)：同时与多个 MCP 服务器交互。

from mcp.client import MultiServerMCPClient

async with MultiServerMCPClient(
    {
        "math": {
            "command": "python",
            "args": ["server/math_server.py"],
            "transport": "stdio",
        },
        "weather": {
            "url": "http://localhost:8000/sse",
            "transport": "sse",
        },
    }
) as client:
    agent = create_react_agent(model, client.get_tools())
    math_response = await agent.ainvoke({"messages": "what's (3 + 5) x 12?"})
    weather_response = await agent.ainvoke({"messages": "what is the weather in nyc?"})

MCP 的工作原理

MCP 架构通过以下步骤实现其功能：

初始化服务器：每个 MCP 服务器定义了自己的工具（如 add 和 get_weather）并运行在指定的传输协议上。
连接客户端：客户端可以是单服务器或多个服务器，具体取决于需求。
AI 驱动的交互：通过语言模型（如 GPT），客户端可以调用不同服务器上的工具来执行复杂任务。

MCP 的优势

可扩展性：轻松添加更多服务。
并行执行：同时查询多个服务器。
灵活通信：支持多种传输协议。
AI 集成：使语言模型与外部服务无缝结合。

📦 安装指南

要克隆并运行代码，请按照以下步骤操作：

git clone https://github.com/commitbyrajat/langgraph-mcp-integration.git
cd langgraph-mcp-integration
rye sync  # 同步依赖项
rye run python server/weather_server.py &
rye run python client/single_server_client.py
rye run python client/multi_server_client.py

MCP 架构使开发者能够构建功能强大的 AI 驱动应用程序。🚀