大型语言模型（LLM）再强大，如果无法与外部数据源和工具沟通，始终是个信息孤岛。MCP协议的出现，就是要打破这堵墙——让AI智能体真正“接”上外部世界。下面直接切入核心：

核心内容：
1. MCP协议的起源和目标：标准化LLM与多种系统间的连接
2. MCP协议的架构和优势：客户端-服务器模型、开源特性及社区支持
3. 实操指南：如何将MCP服务器连接到LangGraph智能体并使用MCP工具

说到底，MCP的诞生直指一个顽疾：LLM应用无法与外部数据源和工具进行沟通，形成了隔离运行的局面。在基于LLM的应用中，数据如何送达模型供其推理使用，始终是核心命题——这正是RAG、微调，以及MCP协议试图回答的问题。而MCP的核心目的，就是把LLM应用与各种系统之间的连接方式标准化，正如下面这张图所示：

消除定制化集成

搭建AI智能体时，最头疼的问题之一就是：怎么把数据喂给智能体？说白了，就是如何让智能体/LLM应用与外部数据源实现顺畅对接。为了解决这个问题，业界尝试过各种手段——图形界面、网页浏览器、网页搜索能力等，各有优劣，但都带着明显的局限性，始终无法做到真正“无缝”。

MCP有望成为一个通用接口，你可以把它看作是AI领域中虚拟/软件版本的USB-C。它能让LLM/AI智能体与外部资源之间，实现无缝、安全且可扩展的数据交换。MCP采用客户端-服务器架构，其中MCP主机（AI应用）与MCP服务器（数据/工具提供方）通过标准协议通信。开发者可以用MCP构建可复用、模块化的连接器，同时主流平台已有预设服务器，社区驱动的生态正在成形。开源特性鼓励创新，细粒度权限控制等机制又能保障安全。最终，MCP的目标是让AI智能体从孤立的聊天机器人，转变为具备上下文感知能力、可互操作的系统，并与数字环境深度集成。

? 延伸阅读：
AI Agents Are Much More Vulnerable Than LLM-Based Applications[1]
研究显示，相比于独立的 LLM，AI 智能体更容易受到攻击……

分步操作指南

Anthropic的Model Context Protocol（MCP）是一个

开源协议

，用于将LLM与上下文、工具和提示词连接起来。它支持越来越多的

服务器

，用于连接各种工具或数据源。

下面演示如何将

连接到，并使用MCP工具。对动手实践派来说，哪怕只是让一个原型跑起来，带来的清晰感和理解力也是无可替代的。

第一步：打开终端应用

在你的电脑上打开

。下面是如何在上找到它的示意图：

第二步：创建两个终端标签页

在终端窗口中，

：

• 一个标签页用来运行

  服务器端（MCP Server）
• 另一个标签页用来运行

  客户端（MCP Client 或 LangGraph Agent）

接下来我们将在这两个终端中分别启动所需组件，并一步步连接它们。

第三步：创建虚拟环境并运行代码

安装和运行代码前，

是一个良好的实践。下面的命令将创建一个名为MCP_Demo的虚拟环境：

python3 -m venv MCP_Demo

然后运行以下命令以激活（进入）该虚拟环境：

source MCP_Demo/bin/activate

你会看到命令提示符前出现 (MCP_Demo)，表示已成功进入虚拟环境。依次运行以下命令：

pip install langchain-mcp-adapters
pip install langchain-mcp-adapters
export OPENAI_API_KEY=

请将 your_api_key 替换为你自己的 OpenAI API 密钥，例如：

export OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxx

在其中一个终端标签页中，创建一个名为 vim server.py 的文本文件。然后将以下 Python 代码粘贴到文件中：

# math_server.py
from mcp.server.fastmcp import FastMCP

# 初始化一个 MCP 服务器，命名为 "Math"
mcp = FastMCP("Math")

# 定义一个 MCP 工具：加法
@mcp.tool()
def add(a: int, b: int) -> int:
    """两个数字相加"""
    return a + b

# 定义另一个 MCP 工具：乘法
@mcp.tool()
def multiply(a: int, b: int) -> int:
    """两个数字相乘"""
    return a * b

# 启动服务器，使用 stdio 作为通信方式
if __name__ == "__main__":
    mcp.run(transport="stdio")

关闭文件后，使用以下命令启动并运行服务器：

python3 math_server.py

你不会看到任何输出，终端窗口看起来将如下所示：

第四步：创建并运行客户端

当 MCP 服务器正在一个终端标签页中运行时，

。创建一个新的文件来粘贴客户端代码：vim client.py。将以下代码粘贴到文件中：

# 创建 stdio 连接的服务器参数
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from langchain_mcp_adapters.tools import load_mcp_tools
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
import asyncio

# 初始化 OpenAI 模型（这里使用 gpt-4o）
model = ChatOpenAI(model="gpt-4o")

# 设置 MCP Server 参数（通过标准输入输出进行通信）
server_params = StdioServerParameters(
    command="python",
    # 请将此处路径替换为你 math_server.py 文件的绝对路径
    args=["math_server.py"],
)

# 定义运行智能体的异步函数
async def run_agent():
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            # 初始化连接
            await session.initialize()
            # 加载 MCP 工具
            tools = await load_mcp_tools(session)
            # 创建并运行智能体
            agent = create_react_agent(model, tools)
            agent_response = await agent.ainvoke({"messages": "what's (3 + 5) x 12?"})
            return agent_response

# 执行异步函数
if __name__ == "__main__":
    result = asyncio.run(run_agent())
    print(result)

在第二个终端标签页中运行客户端命令：python3 client.py。该客户端会执行一次，然后结束，输出如下内容（示例）：

{'messages':
[HumanMessage(content="(3+5) x 12等于多少？", 
additional_kwargs={}, response_metadata={},
id='87a8b6b6-9add-4da7-aea5-1b197c0fc0f5'),
AIMessage(content='',
additional_kwargs={'tool_calls':[{'id':'call_1eyRzR7WpKzhMXG4ZFQAJtUD',
'function':
{'arguments':'{"a": 3, "b": 5}','name':'add'},
'type':'function'},
{'id':'call_q82CX807NC3T6nHMrhoHT46E',
'function':
{'arguments':'{"a": 8, "b": 12}','name':'multiply'},
'type':'function'}],
'refusal':None},
response_metadata={'token_usage':
{'completion_tokens':51,
'prompt_tokens':77,
'total_tokens':128,
'completion_tokens_details':
{'accepted_prediction_tokens':0,
'audio_tokens':0,
'reasoning_tokens':0,
'rejected_prediction_tokens':0},
'prompt_tokens_details':
{'audio_tokens':0,
'cached_tokens':0}},
'model_name':'gpt-4o-2024-08-06',
'system_fingerprint':'fp_eb9dce56a8',
'finish_reason':'tool_calls',
'logprobs':None},
id='run-13c01640-f92b-48b7-9340-c2ad983eb1c8-0',
tool_calls=[{'name':'add','args':{'a':3,'b':5},
'id':'call_1eyRzR7WpKzhMXG4ZFQAJtUD',
'type':'tool_call'},{'name':'multiply',
'args':{'a':8,'b':12},
'id':'call_q82CX807NC3T6nHMrhoHT46E',
'type':'tool_call'}],
usage_metadata={'input_tokens':77,
'output_tokens':51,
'total_tokens':128,
'input_token_details':{'audio':0,
'cache_read':0},
'output_token_details':{'audio':0,
'reasoning':0}}),
ToolMessage(content='8',
name='add',
id='f8e0aba5-7a62-44c6-92a3-5fe3b07c9bd5',
tool_call_id='call_1eyRzR7WpKzhMXG4ZFQAJtUD'),
ToolMessage(content='96',
name='multiply',
id='66b9bbd9-b99a-402f-b26c-df83f5a69fa3',
tool_call_id='call_q82CX807NC3T6nHMrhoHT46E'),
AIMessage(content='The result of \((3 + 5) \times 12\) is 96.',
additional_kwargs={'refusal':None},
response_metadata={'token_usage':{'completion_tokens':22,
'prompt_tokens':143,
'total_tokens':165,
'completion_tokens_details':{'accepted_prediction_tokens':0,
'audio_tokens':0,
'reasoning_tokens':0,
'rejected_prediction_tokens':0},
'prompt_tokens_details':{'audio_tokens':0,
'cached_tokens':0}},
'model_name':'gpt-4o-2024-08-06',
'system_fingerprint':'fp_eb9dce56a8',
'finish_reason':'stop',
'logprobs':None},
id='run-6c00a336-7d52-4917-9186-b282a5984b10-0',
usage_metadata={'input_tokens':143,
'output_tokens':22,
'total_tokens':165,
'input_token_details':{'audio':0,'cache_read':0},
'output_token_details':{'audio':0,
'reasoning':0}})}

? 你已完成一个完整的 LangChain + MCP + LangGraph 智能体原型搭建！

✅ 总结

MCP 提供了一种便捷的方式，将 AI 智能体与提供上下文和记忆能力的信息与服务集成起来。从打通数据壁垒到实际编码跑通，这套协议正在成为 AI 应用连接外部世界的标准接口。