LangGraph MCP智能体开发详解(第一章)-LangGraph与MCP技术概述

莫然

866人浏览 · 2025-08-18 08:41:56

莫然 · 2025-08-18 08:41:56 发布

一、LangGraph与MCP技术概述

1. LangGraph接入外部工具技术实现方法

说到智能体开发，无论使用何种框架，有一项绕不开的核心技术，那就是MCP（Model Context Protocol）技术。

在智能体开发过程中，接入外部函数工具是至关重要的一环，而在LangChain&LangGraph技术生态中，我们可以非常便捷的通过@tool装饰符来自定义一个外部函数：

或者也可以借助LangChain丰富的、数以百计的内置工具，三行代码即可在智能体中进行工具调用。

功能类别	工具名称	简要说明
🔎 搜索工具	TavilySearchResults	快速搜索实时网络信息
	SerpAPIWrapper	基于 SerpAPI 的搜索结果工具
	GoogleSearchAPIWrapper	调用 Google 可编程搜索引擎
🧠 计算工具	PythonREPLTool	执行 Python 表达式并返回结果
	LLMMathTool	结合 LLM 和数学推理能力
	WolframAlphaQueryRun	基于 Wolfram Alpha 的计算引擎
🗂 数据工具	SQLDatabaseToolkit	构建 SQL 数据库查询工具集
	PandasDataframeTool	用于在 Agent 中操作表格数据
🌐 网络/API	RequestsGetTool / RequestsPostTool	执行 HTTP 请求
	BrowserTool / PlaywrightBrowserToolkit	自动化网页浏览与抓取
💾 文件处理	ReadFileTool	读取本地文件内容
	WriteFileTool	写入文本到指定文件中
📚 检索工具	FAISSRetriever	基于向量的文档检索工具
	ChromaRetriever	使用 ChromaDB 的检索器
	ContextualCompressionRetriever	上下文压缩检索器，适合长文档
🧠 LLM 工具	ChatOpenAI / OpenAIFunctionsTool	使用 OpenAI 模型作为工具调用
	ChatAnthropic	Anthropic Claude 模型封装工具
🔧 自定义工具	@tool 装饰器	任意函数可封装为 Agent 可调用工具
	Tool 类继承	自定义更复杂逻辑的工具实现

LangChain工具集：https://python.langchain.com/docs/integrations/tools/

而除此之外，伴随着MCP技术爆火，给了开发者第三种选项，那就是借助MCP技术、遵照MCP协议，来调用其他开发者已经开发好的MCP工具，来快速搭建智能体应用。

2. MCP技术概述

2.1 MCP技术定位与技术价值介绍

我们可以将MCP技术简单理解为智能体外部工具开发的一种通用规范（范式）。举个例子，以天气查询工具为例，在MCP技术诞生之前，要给大模型添加查询天气的功能，至少需要经历这么两个开发阶段：

阶段一：编写查询天气的外部函数，例如：

Python
def get_weather(loc):
    """
    查询即时天气函数
    :param loc: 必要参数，字符串类型，用于表示查询天气的具体城市名称，\
    注意，中国的城市需要用对应城市的英文名称代替，例如如果需要查询北京市天气，则loc参数需要输入'Beijing'；
    :return：OpenWeather API查询即时天气的结果，具体URL请求地址为：https://api.openweathermap.org/data/2.5/weather\
    返回结果对象类型为解析之后的JSON格式对象，并用字符串形式进行表示，其中包含了全部重要的天气信息
    """
    # Step 1.构建请求
    url = "https://api.openweathermap.org/data/2.5/weather"

    # Step 2.设置查询参数
    params = {
        "q": loc,
        "appid": os.getenv("OPENWEATHER_API_KEY"),    # 输入API key
        "units": "metric",            # 使用摄氏度而不是华氏度
        "lang":"zh_cn"                # 输出语言为简体中文
    }

    # Step 3.发送GET请求
    response = requests.get(url, params=params)

    # Step 4.解析响应
    data = response.json()
    return json.dumps(data)

阶段二：将外部工具进行进一步封装，以适配不同的开发框架。例如

接入OpenAI Agents SDK时：

Python
from agents import function_tool
@function_tool
def get_weather(loc):
    """
    查询即时天气函数......
    """
    # Step 1.构建请求
    url = "https://api.openweathermap.org/data/2.5/weather"

    # Step 2.设置查询参数
    params = {......
    return ......

接入LangGraph时：

Python
from langchain_core.tools import tool
from pydantic import BaseModel, Field

class WeatherQuery(BaseModel):
    loc: str = Field(description="The location name of the city")

@tool(args_schema = WeatherQuery)
def get_weather(loc):
    """
    查询即时天气函数......
    """
    # Step 1.构建请求
    url = "https://api.openweathermap.org/data/2.5/weather"

    # Step 2.设置查询参数
    params = {......
    return ......

接入谷歌ADK时

Python
def get_weather(city: str) -> str:
    """
    Retrieves the current weather report for a specified city.

    Args:
        city (str): The name of the city (e.g., "Beijing", "Shanghai").
                   Note: For cities in China, use the city's English name (e.g., "Beijing").

    Returns:
        dict: A dictionary containing the weather information.
              Includes a 'status' key ('success' or 'error').
              If 'success', includes a 'report' key with weather details.
              If 'error', includes an 'error_message' key.
    """
    # Step 1.构建请求
    url = "https://api.openweathermap.org/data/2.5/weather"

    # Step 2.设置查询参数
    params = {......
    return ......

这就使得实际开发Agent的过程中，外部函数工具的开发会占用大量的开发者的时间精力。

而与此同时，人们发现，很多外部工具的功能其实是通用的，例如查询时间、查询天气、网络搜索、操作本地文件夹等等等等，如果有一种规范，能够减少重复造轮子的时间，一个人开发完成后全体开发者都能共享，那么整体的研发效率都将得到大幅提高。

在这一设想下，MCP技术诞生了。MCP的全称是Model Context Protocol，模型上下文协议，由Claude母公司Anthropic于去年11月正式提出。

该技术核心目标，就是创建一种统一的大模型调用外部工具的通信规范，相当于这种标准的通信规范，一项特定功能的外部函数，只需要开发一次，就能被各种不同类型的Agent开发框架所识别。例如同样是查询天气，如果我们遵循MCP技术协议开发一个查询天气的外部函数，那么接下来全体开发者就都能直接用我开发好的这个天气查询工具，带入任何智能体开发框架，快速搭建智能体应用了。

通过下面这组图能够非常清楚的解释MCP工具在智能体开发过程中实际带来的提效的作用。

2.2 MCP技术架构

不过呢，要做到这种“车同轨、书同文”的标准化工作，不仅需要制定一套让所有人都信服的标准，而且还需要经过时间的检验，同时还需要有足够多的用户，这个标准才能真正被市场所认同。因此MCP技术也历经了一段时间的沉淀和打磨，自去年11月发布开始，到今年3月技术大爆发，再到第二季度开始越来越多的Agent框架和热门应用宣布支持MCP技术，MCP才算是逐渐成为一项智能体开发的通用协议。

截止目前，MCP的技术生态可以划分为三层，最底层是协议层，也就是“文字版”的规定、或者说规范，而为了普及这一规范，让更多的人更加快速的完成自己的MCP工具开发，Anthropic进一步的提供了MCP开发工具，借助这些SDK，我们能够非常快速完成MCP工具开发。而既然是一种标准化的协议，其核心价值就在于用的人足够多、同时分享的人也足够多，才能真正减少“重复造轮子”的时间，因此Anthropic官方和很多第三方平台，也在积极的推进MCP技术生态的构建，尤其是MCP工具平台的建设，通过鼓励开发者更多的分享自己开发的MCP工具，只有形成了更大的（分享和引用的）协作规模，MCP的技术才能更有价值。

2.3 MCP SDK与MCP技术生态

而在这些MCP完整的技术架构中，开发者尤其需要关注MCP的SDK（开发工具）和MCP技术生态。所谓MCP的SDK，指的是官方提供的用于开发MCP工具的第三方库，截至目前，MCP SDK已支持Python、TypeScript、Java、Kotlin和C#等编程语言进行客户端和服务器创建。

MCP项目官网：https://github.com/modelcontextprotocol

而借助这些库，仅需几行代码，即可快速构建一个MCP工具。

反之，如果没有这些MCP开发工具，想要开发MCP工具，就必须从MCP技术协议出发，借助其他库来完成开发，其实现难度非常大。

而如果我们并不需要开发MCP工具，而只想要借助现成的MCP工具快速完成智能体开发，那么就需要重点关注现在的MCP集成平台，也就是集成了各类目前非常流行的MCP工具的平台，借助这些平台，我们能够快速找到想要的MCP服务，然后根据指示说明快速进行接入，甚至伴随着MCP流式HTTP功能的上线，很多平台还提供了这些MCP工具后端运行服务，我们只需要输入指定的后端地址，就能调用运行在云端的MCP工具。

主流的MCP集成平台如下：

MCP官方服务器合集：https://github.com/modelcontextprotocol/servers

MCP Github热门导航：https://github.com/punkpeye/awesome-mcp-servers

Smithery：https://smithery.ai/

MCP导航：https://mcp.so/

阿里云百炼：https://bailian.console.aliyun.com/?tab=mcp

魔搭社区MCP广场：https://www.modelscope.cn/mcp

mcp.run：https://www.mcp.run/

3.MCP核心技术概念

而在正式开始MCP智能体开发之前，我们还需要补充两个MCP技术体系中至关重要的技术概念，分别是MCP客户端与服务器、以及两大类MCP工具运行模式。

3.1 MCP客户端与服务器

由于MCP是一种围绕大模型外部函数工具创建的统一范式，因此MCP工具从诞生之初就是客户端（client）与服务器（server）分离的架构。服务器与客户端的技术概念可以借助MySQL这个通用的数据库软件进行理解，在MySQL中，服务器指的是数据库实际运行环境，例如公司内部的某个统一用于数据存储的物理机，而客户端，则指的是SQL编写和运行的环境，可以是比如数据分析师用的笔记本。每次要进行查数时，数据分析师就可以在自己的笔记本上运行MySQL WorkBench（一个SQL编程的IDE），然后借助MySQL客户端，给公司的MySQL服务器发送查数的请求。

类似的，所谓MCP Server（服务器），指的是MCP工具运行的环境，而MCP Client（客户端），则指的是能够调用MCP工具、或者说给MCP工具发送请求并接受结果的环境。二者关系如图所示：

这种服务器和客户端分离的架构的好处，就在于可以更加便捷的进行模块化开发和维护，而此前我们所说的MCP工具，其实就指的是MCP服务器，而那些MCP工具集合，其实就是MCP服务器集合网站。

同时，基于这种技术划分，当我们在开发一个智能体，并希望这个智能体能够接入MCP工具时，其实从MCP技术角度来说，我们本质上是开发一个MCP的客户端（Client）。例如当我们基于LangGrpah开发一个接入MCP工具的智能体，其实我们就开发了一个基于LangGraph的MCP客户端。而现在也有很多大模型聊天工具允许接入MCP工具，例如Claude Desktop、Cherry Studio等，这些也都是MCP客户端。

3.2 标准MCP工具接入客户端流程

这里以Cherry Studio为例，为大家展示一个标准的MCP客户端接入MCP服务器的基本流程，从中我们能够看出，填写对应的配置文件，是运行MCP工具的关键。

3.3 MCP离线运行与在线运行模式

既然是服务器和客户端分离的架构，那么MCP肯定支持两种调用方法，其一是本地运行，也被成为离线运行，指的是MCP服务器和MCP客户端在同一台电脑上进行运行，其二则是在线运行，或者异地部署运行，指的是MCP服务器在远程服务器或者云端运行，然后借助HTTP网络通信来进行响应。

而这也就对应着MCP工具调用的两种核心模式，分别是stdio（本地）模式调用和SSE&streamable HTTP（在线）模式调用，各调用方法效果对比如下所示：

特性	Stdio	SSE	Streamable HTTP
通信方向	双向（但仅限本地）	单向（服务器到客户端）	双向（适用于复杂交互）
使用场景	本地进程间通信	实时数据推送，浏览器支持	跨服务、分布式系统、大规模并发支持
支持并发连接数	低	中等	高（适合大规模并发）
适应性	局限于本地环境	支持浏览器，但单向通信	高灵活性，支持流式数据与请求批处理
实现难度	简单，适合本地调试	简单，但浏览器兼容性和长连接限制	复杂，需处理长连接和流管理
适合的业务类型	本地命令行工具，调试环境	实时推送，新闻、股票等实时更新	高并发、分布式系统，实时交互系统

三种传输方式总结如下：

Stdio 传输：适合本地进程之间的简单通信，适合命令行工具或调试阶段，但不支持分布式。

SSE 传输：适合实时推送和客户端/浏览器的单向通知，但无法满足双向复杂交互需求。

Streamable HTTP 传输：最灵活、最强大的选项，适用于大规模并发、高度交互的分布式应用系统，虽然实现较复杂，但能够处理更复杂的场景。

而伴随着5月MCP更新了Streamable HTTP的SDK，目前越来越多的MCP工具都选择采用Streamable HTTP形式进行部署和运行。

3.4 离线MCP工具托管平台

当然，如果是调用在线MCP服务，开发者只能了解其功能，而如果是离线的MCP服务，则对应的MCP工具是完全开源的，在每次调用之前，开发者都需要将其源码先下载到本地，然后再运行。例如上述演示视频中，我们使用npx命令，其本质就是先将指定的MCP工具下载到本地，然后在有需要的时候对其进行调用。例如高德MCP配置文件如下：

JSON
    "amap-maps": {
      "isActive": true,
      "command": "npx",
      "args": [
        "-y",
        "@amap/amap-maps-mcp-server"
      ],
      "env": {
        "AMAP_MAPS_API_KEY": "YOUR_API_KRY"
      },
      "name": "amap-maps"
    }

代表的含义就是我们需要先使用如下命令：

Bash
npx -y @amap/amap-maps-mcp-server

对这个库@amap/amap-maps-mcp-server进行下载，然后在本地运行，当有必要的时候调用这个库里面的函数执行相关功能。

而这个@amap/amap-maps-mcp-server库是一个托管在https://www.npmjs.com/上的库，

可以使用npx命令进行下载。搜索库名即可看到这个库的完整代码，https://www.npmjs.com/package/@amap/amap-maps-mcp-server：

除此此外，一些由Python编写的MCP开源工具，则托管在pypi平台上，https://pypi.org/ ，每次运行的时候我们需要填写uvx命令，其本质就是将工具源码从pypi平台上下载到本地再来进行运行。

3.5 MCP在线托管服务

伴随着MCP快速调用的请求不断增加，也有很多平台提供了在线托管服务模式，例如魔搭社区的MCP广场中，就有很多是运行在魔搭社区服务器上的MCP工具，开发者可以直接使用SSE或者流式HTTP方式请求调用在线的MCP工具，从而快速完成开发工作。

5. LangGraph技术概述

5.1 从LangChain到LangGraph

说到现阶段目前最流行、最通用的Agent开发框架，毫无疑问，肯定是LangChain。LangChain作为2022年就已经开源的元老级开发框架，历经数年的发展，其功能和生态都已非常完善，并且拥有数量众多的开发者。在我们团队统计的今年第一季度大模型岗位JD中，有90%以上的Agent开发岗位要求掌握LangChain，可以说LangChain就是目前最通用、最流行的Agent开发框架没有之一。不过，由于LangChain诞生时间较早，在2022年末，GPT-3.5刚诞生之时，开发者对大模型的想象主要是希望用其搭建一个又一个工作流，而这也成为LangChain的核心技术目标，LangChain中“Chain”就是指链、也就是搭建工作流的意思。

但是，大模型基座模型能力在飞速进化，例如目前最新一代的大模型，不仅拥有非常强悍的外部工具识别和调用能力，还原生就支持多工具并联和串联调用，而开发者对于大模型应用开发的需求也在快速变化，单纯的构建这种线性的工作流，可拓展性并不强。当前开发者更偏好的是“用AI开发AI”的思路，也就是我们不用定死工作流，而可以让大模型自主判断每一步该怎么做，然后实时创建一些链路，并根据运行情况随时调整。这也就是目前Agent智能体开发的核心思路。

LangGraph和LangChain同宗同源，底层架构完全相同、接口完全相通。从开发者角度来说，LangGraph也是使用LangChain底层API来接入各类大模型、LangGraph也完全兼容LangChain内置的一系列工具。换而言之，LangGraph的核心功能都是依托LangChain来完成。但是和LangChain的链式工作流哲学完全不同的是，LangGraph的基础哲学是构建图结构的工作流，并引入“状态”这一核心概念来描绘任务执行情况，从而拓展了LangChain LCEL链式语法的功能灵活程度。

不过需要注意的是，LangGraph是基于LangChain进行的构建，无论图结构多复杂，单独每个任务执行链路仍然是现行的，其背后仍然是靠着LangChain的Chain来实现的。因此我们可以这么来描述LangChain和LangGraph之间的关系，LangGraph是LangChain工作流的高级编排工具，其中“高级”之处就是LangGraph能按照图结构来编排工作流。

5.2 LangGraph三层API架构

尽管图结构看起来比链式结构灵活很多，但在实际开发过程中，要创建一个图结构却绝非易事。大家可以试想一下，要在代码环境中描述清楚一个图，至少需要清晰的说明图中有哪些节点，不同节点之间是什么关系（边如何连接），同时还需要设置各节点功能，然后才能测试上线，这个流程其实是非常复杂的，哪怕是简单的一个图也需要用很多代码才能描述清楚：

不过这对于LangChain来说并不难解决。LangChain生态各框架的核心思路都是“既要有底层API来定义基础功能，同时也要有高层API来加快开发效率”，就好比LangChain中既有LCEL语法、同时也有Agent API一样，LangGraph也提供了基于图结构基础语法的高层API。LangGraph的高层API主要分为两层，其一是Agent API，用于将大模型、提示词模板、外部工具等关键元素快速封装为图中的一些节点，而更高一层的封装，则是进一步创建一些预构建的Agent、也就是预构建好的图，开发者只需要带入设置好要带入的工具和模型，三行代码就能借助这些预构建好的图，创建一个完整的Agent：

依托LangChain完善的生态、拥有丰富稳定的API架构、以及便捷上手等特性，使得LangGraph成为目前超越LangChain的新一代Agent开发框架。

5.3 LangGraph开发生态

丰富的模型接口

为了让各类模型接入更加统一和稳定，LangChain不惜为不同的模型单独开发一个库，例如要接入Claude模型，我们就需要提前安装langchain-anthropic，而如果要接入DeepSeek模型，则需要安装langchain-deepseek。这么做虽然过程麻烦，但却能很好的保障开发过程的稳定性。

各类模型接入列表：https://python.langchain.com/docs/integrations/chat/
此外需要注意的是，LangGraph也需要使用和LangChain一样的模型接入流程。

LangGraph运行监控框架：LangSmith

LangSmith 是一款用于构建、调试、可视化和评估 LLM 工作流的全生命周期开发平台。它聚焦的不是模型训练，而是我们在构建 AI 应用（尤其是多工具 Agent、LangChain/Graph）时的「可视化调试」、「性能评估」与「运维监控」。核心功能如下：

功能类别	描述	场景
🧪 调试追踪（Trace Debugging）	可视化展示每个 LLM 调用、工具调用、Prompt、输入输出	Agent 调试、Graph 调用链分析
📊 评估（Evaluation）	支持自动评估多个输入样本的回答质量，可自定义评分维度	批量测试 LLM 表现、A/B 对比
🧵 会话记录（Sessions / Runs）	每次 chain 或 agent 的运行都会被记录为一个 Run，可溯源	Agent 问题诊断、用户问题分析
🔧 Prompt 管理器（Prompt Registry）	保存、版本控制、调用历史 prompt	多版本 prompt 迭代测试
📈 流量监控（Telemetry）	实时查看运行次数、错误率、响应时间等	在生产环境中监控 Agent 质量
📁 Dataset 管理	管理自定义测试集样本，支持自动化评估	微调前评估、数据对比实验
📜 LangGraph 可视化	对 LangGraph 中每个节点运行情况进行实时可视化展示	Graph 执行追踪

LangSmith官网地址：https://docs.smith.langchain.com/

LangGraph图结构可视化与调试框架：LangGraph Studio

LangGraph Studio 是一个用于可视化构建、测试、分享和部署智能体流程图的图形化 IDE + 运行平台。核心功能如下：

功能模块	说明	应用场景
🧩 Graph 编辑器	以拖拽方式创建节点（工具、模型、Router）并连接	零代码构建 LangGraph
🔍 节点配置器	每个节点可配置 LLM、工具、Router 逻辑、Memory	灵活定制 Agent 控制流
▶️ 即时测试	输入 prompt 可在浏览器中运行整个图	实时测试执行结果
💾 云端保存 / 分享	将构建的 Graph 保存为公共 URL / 私人项目	团队协作，Demo 分享
📎 Tool 插件管理	可连接自定义工具（MCP）、HTTP API、Python 工具	插件式扩展 Agent 功能
🔁 Router 分支节点	创建条件分支，支持 if/else 路由	决策型智能体
📦 上传文档 / 多模态	可以上传文件（如 PDF）并嵌入进图中处理流程	RAG 结构、OCR、图文问答等
🧠 Prompt 输入/预览	编辑 prompt 并观察其运行效果	Prompt 工程调试
📤 一键部署	将 Graph 部署为可被 Agent Chat UI 使用的 Assistant	快速集成到前端

LangGraph服务部署工具：LangGraph Cli

LangGraph CLI 是用于本地启动、调试、测试和托管 LangGraph 智能体图的开发者命令行工具。核心功能如下：

功能类别	命令示例	说明
✅ 启动 Graph 服务	langgraph dev	启动 Graph 的开发服务器，供前端（如 Agent Chat UI）调用
🧪 测试 Graph 输入	langgraph run graph:graph --input '{"input": "你好"}'	本地 CLI 输入测试，输出结果
🧭 管理项目结构	langgraph init	初始化一个标准 Graph 项目目录结构
📦 部署 Graph（未来）	langgraph deploy（预留）	发布 graph 至 LangGraph 云端（已对接 Studio）
🧱 显示 Assistant 列表	langgraph list	显示当前 graph 中有哪些 assistant（即 entrypoint）
🔄 重载运行时	自动热重载	修改 graph.py 时，dev 模式自动重启生效

LangGraph Cli官网地址：https://www.langgraph.dev/ （需要代理环境）

LangGraph内置工具库与MCP调用组件

除了有上述非常多实用的开发工具外，LangGraph还全面兼容LangChain的内置工具集。LangChain自诞生之初就为开发者提供了非常多种类各异的、封装好的实用工具，历经几年发展时间，目前LangChain已经拥有了数以百计的内置实用工具，包括网络搜索工具、浏览器自动化工具、Python代码解释器、SQL代码解释器等。而作为LangChain同系框架，LangGraph也可以无缝调用LangChain各项开发工具，从而大幅提高开发效率。