前言AI行業現在已經火爆成這個樣子被宣傳的可以說是無所不能但是我相信仍然有很多小伙伴用AI工具只是限于聊天提問……這一類極其簡單的應用場景這不是極大的浪費了AI給我的紅利嗎我們起碼應該用AI工具實現一些相對更復雜更智能的工作場景比如我們能不能讓AI在能回答問題的同時還讓它調用我們自己的數據庫讀取我們的本地文件。并且根據這些信息在無需編碼的情況下幫我們執行一些類似瀏覽器檢索截圖email發送等等操作呢那么這就引出了我們今天的主題Langchain 它正是為了幫我們解決上述問題而生Langchain 是一個開源框架它支持用戶將類似 GPT-4一樣的大型語言模型與第三方外部計算和數據源相結合實現復雜AI業務場景。那什么又是LangChain MCPLangChain MCP 適配器是一個功能強大的工具它能夠將Anthropic Model Context Protocol (MCP) 工具與LangChain 和 LangGraph 無縫集成。通過LangChainMCP適配器我們開發人員就可以輕松地將MCP工具轉換為 LangChain 工具進而在LangGraph代理中使用這些工具。LangChain MCP適配器還支持連接到多個MCP服務器并從中加載工具這就讓我們開發人員可以同時利用多個 MCP服務器提供的工具來構建更強大的AI應用程序。同時LangChain MCP適配器也支持多種傳輸方式包括標準輸入輸出stdio和服務器發送事件SSE這就讓我們開發人員可以根據自己的實際體需求選擇合適的傳輸方式。LangChain MCP的應用場景也是非常廣泛下面給大家舉些例子LangChain MCP可以作為我們的個人助手用AI來幫助我們實現出行預訂航班、財務轉賬、繳費等。在自主學習方面可以幫我我們梳理整個課程大綱畫出重點讓我們更快的吃透學習資料。數據分析可以用LangChain MCP來連接到企業客戶或相關市場源數據池加以自動話分析并根據分析結果執行相應商業決策。LangChain MCP如何使用下面我們給大家介紹一下具體配置方法安裝pip install langchain-mcp-adapters以下是使用 MCP 工具與 LangGraph 代理的簡單示例。pip install langchain-mcp-adapters langgraph langchain-openaiexport OPENAI_API_KEYyour_api_key服務器首先讓我們創建一個可以進行加法和乘法運算的 MCP 服務器# math_server.pyfrom mcp.server.fastmcp import FastMCPmcp FastMCP(Math)mcp.tool()def add(a: int, b: int) - int: 將兩個數字相加 return a bmcp.tool()def multiply(a: int, b: int) - int: 將兩個數字相乘 return a * bif __name__ __main__: mcp.run(transportstdio)客戶端# 創建 stdio 連接的服務器參數from mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_clientfrom langchain_mcp_adapters.tools import load_mcp_toolsfrom langgraph.prebuilt import create_react_agentfrom langchain_openai import ChatOpenAImodel ChatOpenAI(modelgpt-4o)server_params StdioServerParameters( commandpython, # 確保更新為 math_server.py 文件的完整絕對路徑 args[/path/to/math_server.py],)async with stdio_client(server_params) as (read, write): async with ClientSession(read, write) as session: # 初始化連接 await session.initialize() # 獲取工具 tools await load_mcp_tools(session) # 創建并運行代理 agent create_react_agent(model, tools) agent_response await agent.ainvoke({messages: whats (3 5) x 12?})多個MCP服務器該庫還允許連接到多個 MCP 服務器并從中加載工具服務器# math_server.py...# weather_server.pyfrom typing import Listfrom mcp.server.fastmcp import FastMCPmcp FastMCP(Weather)mcp.tool()async def get_weather(location: str) - str: 獲取位置的天氣。 return 紐約總是陽光明媚if __name__ __main__: mcp.run(transportsse)python weather_server.py客戶端fromlangchain_mcp_adapters.clientimportMultiServerMCPClientfrom langgraph.prebuiltimportcreate_react_agentfrom langchain_openaiimportChatOpenAImodelChatOpenAI(modelgpt-4o)asyncwithMultiServerMCPClient({math:{command:python,# 確保更新為 math_server.py 文件的完整絕對路徑 args: [/path/to/math_server.py], transport: stdio, }, weather: { # 確保您在 8000 端口啟動天氣服務器 url: http://localhost:8000/sse, transport: sse, } }) as client: agent create_react_agent(model, client.get_tools()) math_response await agent.ainvoke({messages: whats (3 5) x 12?}) weather_response await agent.ainvoke({messages: what is the weather in nyc?})與 LangGraph API 服務器一起使用如果你想在 LangGraph API 服務器上運行一個使用 MCP 工具的 LangGraph 代理可以使用以下設置# graph.pyfrom contextlib import asynccontextmanagerfrom langchain_mcp_adapters.client import MultiServerMCPClientfrom langgraph.prebuilt import create_react_agentfrom langchain_anthropic import ChatAnthropicmodel ChatAnthropic(modelclaude-3-5-sonnet-latest)asynccontextmanagerasync def make_graph(): async with MultiServerMCPClient( { math: { command: python, # 確保更新為 math_server.py 文件的完整絕對路徑 args: [/path/to/math_server.py], transport: stdio, }, weather: { # 確保您在 8000 端口啟動天氣服務器 url: http://localhost:8000/sse, transport: sse, } } ) as client: agent create_react_agent(model, client.get_tools()) yield agent在你的langgraph.json中確保將make_graph指定為圖形入口點{dependencies:[.],graphs:{agent:./graph.py:make_graph}}小小總結Langchain為我們打開了一個充滿無限可能的AI新世界讓AI技術真正落地更加貼近我們用戶的實際使用需求同時也讓機器學習應用的發展更加多元化普適化。最后的最后感謝你們的閱讀和喜歡作為一位在一線互聯網行業奮斗多年的老兵我深知在這個瞬息萬變的技術領域中持續學習和進步的重要性。為了幫助更多熱愛技術、渴望成長的朋友我特別整理了一份涵蓋大模型領域的寶貴資料集。這些資料不僅是我多年積累的心血結晶也是我在行業一線實戰經驗的總結。這些學習資料不僅深入淺出而且非常實用讓大家系統而高效地掌握AI大模型的各個知識點。如果你愿意花時間沉下心來學習相信它們一定能為你提供實質性的幫助。這份完整版的大模型 AI 學習資料已經上傳CSDN朋友們如果需要可以微信掃描下方CSDN官方認證二維碼免費領取【保證100%免費】大模型知識腦圖為了成為更好的 AI大模型 開發者這里為大家提供了總的路線圖。它的用處就在于你可以按照上面的知識點去找對應的學習資源保證自己學得較為全面。經典書籍閱讀閱讀AI大模型經典書籍可以幫助讀者提高技術水平開拓視野掌握核心技術提高解決問題的能力同時也可以借鑒他人的經驗。對于想要深入學習AI大模型開發的讀者來說閱讀經典書籍是非常有必要的。實戰案例光學理論是沒用的要學會跟著一起敲要動手實操才能將自己的所學運用到實際當中去這時候可以搞點實戰案例來學習。面試資料我們學習AI大模型必然是想找到高薪的工作下面這些面試題都是總結當前最新、最熱、最高頻的面試題并且每道題都有詳細的答案面試前刷完這套面試題資料小小offer不在話下640套AI大模型報告合集這套包含640份報告的合集涵蓋了AI大模型的理論研究、技術實現、行業應用等多個方面。無論您是科研人員、工程師還是對AI大模型感興趣的愛好者這套報告合集都將為您提供寶貴的信息和啟示。這份完整版的大模型 AI 學習資料已經上傳CSDN朋友們如果需要可以微信掃描下方CSDN官方認證二維碼免費領取【保證100%免費】