MCP 系列 3：使用 LangChain Agent 调用 MCP 服务

上一篇已经使用 FastMCP 实现了一个城市旅行 MCP Server，其中包含 Tool、Resource 和 Prompt，并分别验证了 stdio、Streamable HTTP 和旧 HTTP+SSE。

这一篇不再通过 python xxx_agent.py 执行一次性 Agent，而是创建两个可以部署到 LangGraph 的 Agent：

1. http_mcp_agent：通过 Streamable HTTP 调用 MCP。
2. sse_mcp_agent：通过旧 HTTP+SSE 调用 MCP。

启动 langgraph dev 后，可以在 LangGraph Studio 浏览器页面中选择 Agent、输入问题、查看 MCP Tool 调用过程和最终回答。

1. 完整调用链

浏览器中的一次请求会经过下面几个组件：

1. 用户在 LangGraph Studio 中输入消息。
2. Studio 把消息发送给本地 LangGraph Agent Server。
3. Agent Server 运行 http_mcp_agent 或 sse_mcp_agent。
4. Qwen3 根据问题和 Tool Schema 决定调用 calculate_trip_budget。
5. LangChain MCP Adapter 将 LangChain Tool 调用转换为 MCP tools/call。
6. FastMCP Server 计算预算并返回结果。
7. Qwen3 根据 MCP Resource、MCP Prompt 和 Tool 结果生成最终行程。
8. Studio 展示模型消息、Tool 节点、Tool 结果和最终回答。

这里有两个不同的网络服务：

• FastMCP Server 运行在 18100 或 18101 端口，负责提供 MCP 能力。
• LangGraph Agent Server 默认运行在 2024 端口，负责接收浏览器请求并执行 Agent 图。

2. 项目结构

mcp/p03_langchain_mcp_agent/
├── server.py
├── 02_agent_with_http_mcp.py
├── 03_agent_with_sse_mcp.py
├── langgraph.json
├── requirements.txt
└── README.md

本例只保留 HTTP 和 SSE 两个 Agent。server.py 从 p02 复制而来，因此 p03 可以独立运行。

3. MCP Server

server.py 同时提供 Tool、Resource 和 Prompt：

"""定义一个简单的 FastMCP Server。

MCP 服务端对外暴露三类能力：
  - Tool：可被 LLM / Client 调用的函数（如计算预算）
  - Resource：可被读取的静态或动态资料（如城市介绍）
  - Prompt：预置的提示词模板（如行程规划指令）

本示例用 FastMCP 装饰器注册能力，再分别通过 stdio / HTTP / SSE 传输。
"""

from fastmcp import FastMCP


# 第 1 步：创建 FastMCP 实例。
# name 和 instructions 会出现在 MCP 协议握手信息中，供 Client 识别服务用途。
mcp = FastMCP(
    name="city-trip-mcp-server",
    instructions="提供城市资料、旅行预算计算和行程规划提示词。",
)


# 演示用内存数据；真实项目可替换为数据库或外部 API。
CITY_DATA = {
    "杭州": {
        "attractions": ["西湖", "灵隐寺"],
        "daily_budget": 500,
    },
    "北京": {
        "attractions": ["故宫", "天坛"],
        "daily_budget": 600,
    },
}


# 第 2 步：注册 Tool —— Client 通过 call_tool 调用。
@mcp.tool
def calculate_trip_budget(city: str, days: int) -> str:
    """计算一个人的旅行预算。"""

    city_info = CITY_DATA.get(city)
    if city_info is None:
        return f"暂时没有 {city} 的预算资料。"

    total_budget = city_info["daily_budget"] * days
    return f"{city}旅行 {days} 天，预计需要 {total_budget} 元。"


# 第 3 步：注册 Resource —— Client 通过 read_resource 读取。
# 固定 URI，返回服务说明文档。
@mcp.resource("guide://city-trip")
def service_guide() -> str:
    """返回服务使用说明。"""

    return "支持杭州和北京，可以查询城市资料、计算预算和生成行程提示词。"


# 带路径参数的 Resource 模板：city://{city}
# FastMCP 会把 URI 中的 {city} 映射为函数参数。
@mcp.resource("city://{city}")
def city_profile(city: str) -> str:
    """根据 URI 中的城市名称返回城市资料。"""

    city_info = CITY_DATA.get(city)
    if city_info is None:
        return f"暂时没有 {city} 的资料。"

    attractions = "、".join(city_info["attractions"])
    return f"{city}的推荐景点有：{attractions}。"


# 第 4 步：注册 Prompt —— Client 通过 get_prompt 获取消息模板。
# 返回的字符串会被包装成 MCP PromptMessage，供 Agent 直接使用。
@mcp.prompt
def plan_city_trip(city: str, days: int) -> str:
    """生成旅行规划提示词。"""

    return (
        f"请为我规划一次 {days} 天的{city}旅行。"
        f"先读取 city://{city} 资源了解景点，"
        "再调用 calculate_trip_budget 工具计算预算。"
    )


# 直接运行 server.py 时，默认以 stdio 传输启动（供 Cursor / Claude Desktop 等本地集成）。
if __name__ == "__main__":
    mcp.run(transport="stdio", show_banner=False)

4. 创建 Streamable HTTP Agent

LangGraph 可以加载普通的已编译图，也可以加载返回图的工厂函数。因为 MCP Client 的加载方法是异步的，所以这里定义异步 make_graph()。

02_agent_with_http_mcp.py：

"""创建通过 Streamable HTTP 调用 MCP 的 LangGraph Agent。"""

from langchain.agents import create_agent
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain_openai import ChatOpenAI


async def make_graph():
    """加载 HTTP MCP 能力并返回可部署的 Agent 图。"""

    client = MultiServerMCPClient(
        {
            "travel": {
                "transport": "http",
                "url": "http://127.0.0.1:18100/mcp",
            }
        }
    )

    tools = await client.get_tools()
    resources = await client.get_resources("travel", uris=["city://杭州"])
    prompt_messages = await client.get_prompt(
        "travel",
        "plan_city_trip",
        arguments={"city": "杭州", "days": "3"},
    )

    resource_text = resources[0].as_string()
    prompt_text = prompt_messages[0].content

    model = ChatOpenAI(
        model="Qwen3-14B-AWQ-4bit-MLX",
        base_url="http://127.0.0.1:18080/v1",
        api_key="not-needed",
        temperature=0,
        max_tokens=512,
    )

    return create_agent(
        model=model,
        tools=tools,
        system_prompt=(
            "你是旅行助手。回答旅行规划问题前必须调用旅行预算工具。\n"
            f"MCP Prompt：{prompt_text}\n"
            f"MCP Resource：{resource_text}"
        ),
    )

图加载时会完成三件事：

1. get_tools() 将 MCP Tool 转换为 LangChain Tool。
2. get_resources() 读取杭州的城市 Resource。
3. get_prompt() 获取三日游 Prompt。

Resource 和 Prompt 被放进系统提示词，Tool 则交给 Agent。用户在浏览器中输入问题后，Agent 才会真正调用预算 Tool。

5. 创建旧 HTTP+SSE Agent

SSE Agent 的业务逻辑完全相同，只有 MCP 连接配置不同。

03_agent_with_sse_mcp.py：

"""创建通过旧 HTTP+SSE 调用 MCP 的 LangGraph Agent。"""

from langchain.agents import create_agent
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain_openai import ChatOpenAI


async def make_graph():
    """加载 SSE MCP 能力并返回可部署的 Agent 图。"""

    client = MultiServerMCPClient(
        {
            "travel": {
                "transport": "sse",
                "url": "http://127.0.0.1:18101/sse",
            }
        }
    )

    tools = await client.get_tools()
    resources = await client.get_resources("travel", uris=["city://杭州"])
    prompt_messages = await client.get_prompt(
        "travel",
        "plan_city_trip",
        arguments={"city": "杭州", "days": "3"},
    )

    resource_text = resources[0].as_string()
    prompt_text = prompt_messages[0].content

    model = ChatOpenAI(
        model="Qwen3-14B-AWQ-4bit-MLX",
        base_url="http://127.0.0.1:18080/v1",
        api_key="not-needed",
        temperature=0,
        max_tokens=512,
    )

    return create_agent(
        model=model,
        tools=tools,
        system_prompt=(
            "你是旅行助手。回答旅行规划问题前必须调用旅行预算工具。\n"
            f"MCP Prompt：{prompt_text}\n"
            f"MCP Resource：{resource_text}"
        ),
    )

旧 SSE 端点是 /sse。新项目应该使用 Streamable HTTP，这里保留 SSE Agent 只是为了验证兼容链路。

6. 注册两个 LangGraph

在项目目录中创建 langgraph.json：

{
  "dependencies": ["."],
  "graphs": {
    "http_mcp_agent": "./02_agent_with_http_mcp.py:make_graph",
    "sse_mcp_agent": "./03_agent_with_sse_mcp.py:make_graph"
  },
  "python_version": "3.12"
}

graphs 中的 Key 是 Studio 中显示的图名称，Value 由“Python 文件路径 + 导出变量或函数名称”组成。

这里注册的是两个 make_graph 工厂函数。LangGraph 创建 Assistant 时会执行对应函数，并取得函数返回的 Agent 图。

7. 安装 LangGraph CLI

p03 的 requirements.txt 内容如下：

fastmcp==3.2.4
httpx==0.28.1
langchain==1.2.13
langchain-mcp-adapters==0.2.2
langchain-openai==1.1.12
langgraph==1.1.3
langgraph-cli[inmem]==0.4.19

安装：

cd /Users/bianhn/Documents/git/llm-learning
uv pip install \
  --python .venv_mcp/bin/python \
  -r mcp/p03_langchain_mcp_agent/requirements.txt
uv pip check --python .venv_mcp/bin/python
source .venv_mcp/bin/activate

langgraph-cli[inmem] 提供本地 Agent Server。它使用内存存储，适合开发和浏览器测试，不是生产部署方案。

8. 启动所有服务

8.1 启动 Qwen3

首先启动本地模型服务：

source .venv_tool_server/bin/activate

"$VIRTUAL_ENV/bin/python" -m mlx_lm server \
  --model Qwen3-14B-AWQ-4bit-MLX \
  --host 127.0.0.1 \
  --port 18080 \
  --prompt-cache-size 0 \
  --chat-template-args '{"enable_thinking": false}'

8.2 启动 Streamable HTTP MCP

新终端执行：

cd /Users/bianhn/Documents/git/llm-learning
source .venv_mcp/bin/activate

fastmcp run mcp/p03_langchain_mcp_agent/server.py \
  --transport http \
  --host 127.0.0.1 \
  --port 18100

如果 p02 的同一个 HTTP Server 已经运行在 18100 端口，可以直接复用。

8.3 启动 HTTP+SSE MCP

再打开一个终端：

cd /Users/bianhn/Documents/git/llm-learning
source .venv_mcp/bin/activate

fastmcp run mcp/p03_langchain_mcp_agent/server.py \
  --transport sse \
  --host 127.0.0.1 \
  --port 18101

8.4 启动 LangGraph Agent Server

必须进入包含 langgraph.json 的目录：

cd /Users/bianhn/Documents/git/llm-learning/mcp/p03_langchain_mcp_agent
source ../../.venv_mcp/bin/activate

langgraph dev \
  --host 127.0.0.1 \
  --port 2024

启动成功后，终端会显示：

API: http://127.0.0.1:2024
Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024
API Docs: http://127.0.0.1:2024/docs

如果 2024 已经被其他 LangGraph 项目占用，可以换一个端口：

langgraph dev --host 127.0.0.1 --port 2025

Studio URL 中的 baseUrl 也要相应改成 http://127.0.0.1:2025。

9. 在浏览器中测试

10. 总结

本篇完成了两个可在浏览器中测试的 LangGraph Agent：

• http_mcp_agent 使用 Streamable HTTP MCP。
• sse_mcp_agent 使用旧 HTTP+SSE MCP。
• 两个 Agent 在加载时读取相同的 MCP Resource 和 Prompt。
• 浏览器提交消息后，Qwen3 通过 LangChain MCP Tool 调用 FastMCP Server。
• LangGraph Studio 可以查看模型节点、Tool 节点、预算结果和最终回答。

部署结构中要同时区分三层：FastMCP 提供能力，LangGraph 部署 Agent，Studio 提供浏览器交互和调试界面。