LangChain 模型上下文協議

MCP 源於解決大型語言模型（LLM）應用的一個關鍵限制，即它們與外部數據源和工具隔離的問題。

MCP 源於解決大型語言模型（LLM）應用的一個關鍵限制，即它們與外部數據源和工具隔離的問題。

LLM 驅動的應用程序的一個主要關注點是數據交付。將數據傳遞給 LLM 進行推理，這是 RAG 實現、微調以及 MCP 的目標。

MCP 的主要目的是標準化 LLM 驅動的應用程序連接到各種系統的機制，如下圖所示：

1、消除自定義集成

將 AI 代理 / LLM 驅動的應用程序與外部數據源集成存在挑戰。

已經有許多嘗試通過利用 GUI、網頁瀏覽器和網絡搜索來實現某種無縫集成。所有這些途徑都有其優勢和劣勢。

MCP 有潛力作爲一個通用接口，可以將其視爲 AI 的虛擬 / 軟件版本 USB-C。

它能夠使 LLM/AI 代理與外部資源之間的數據交換變得無縫、安全和可擴展。

MCP 採用_客戶端 - 服務器_架構，其中 MCP 主機（AI 應用程序）與 MCP 服務器（數據 / 工具提供者）通信。

開發者可以使用 MCP 構建可重用的模塊化連接器，爲流行的平臺提供預構建的服務器，從而創建一個社區驅動的生態系統。

MCP 的開源性質鼓勵創新，允許開發者擴展其功能，同時通過細粒度權限等功能保持安全性。

最終，MCP 旨在將 AI 代理從孤立的聊天機器人轉變爲與數字環境深度集成的上下文感知、互操作系統。

2、使用說明

Anthropic 的模型上下文協議（MCP）是一個開源協議，用於連接 LLM 與上下文、工具和提示。它擁有越來越多的連接到各種工具或數據源的服務器。在這裏，我們將展示如何將任何 MCP 服務器連接到 LangGraph 代理並使用 MCP 工具……

如果你像我一樣，無論多麼簡單的原型工作都能帶來極大的清晰感和理解力；至少在我自己的腦海中是這樣的。

要開始，請打開終端應用程序…… 以下是在 MacBook 上找到它的位置

在終端窗口中，創建兩個標籤頁；其中一個用於運行服務器，另一個用於運行客戶端。

創建虛擬環境以安裝和運行代碼是一個好習慣；下面的命令創建名爲MCP_Demo的虛擬環境。

python3 -m venv MCP_Demo

然後運行以下命令以激活（進入）虛擬環境：

source MCP_Demo/bin/activate

你會看到你的命令提示符更新爲(MCP_Demo)。

按順序運行以下代碼行：

pip install langchain-mcp-adapters
pip install langchain-mcp-adapters
export OPENAI_API_KEY=<your_api_key>

將文本<your_api_key>替換爲你的 OpenAI API 密鑰。

在其中一個終端標籤頁中，創建一個文本文件：vim server.py

並將以下 Python 代碼粘貼進去：

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

mcp = FastMCP("Math")

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

@mcp.tool()
def multiply(a: int, b: int) -> int:
    """Multiply two numbers"""
    return a * b

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

關閉文本文件，啓動並運行服務器，使用以下命令：

python3 math_server.py

你不會看到任何輸出，終端標籤頁看起來會是這樣的：

現在我們將創建並運行客戶端……

當一個標籤頁中的 MCP 服務器正在運行時，轉到第二個標籤頁……

創建一個文件以粘貼客戶端代碼：vim client.py.

將以下代碼粘貼到文件中

# Create server parameters for stdio connection
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

model = ChatOpenAI(model="gpt-4o")

server_params = StdioServerParameters(
    command="python",
    # Make sure to update to the full absolute path to your math_server.py file
    args=["math_server.py"],
)

async def run_agent():
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            # Initialize the connection
            await session.initialize()

            # Get tools
            tools = await load_mcp_tools(session)

            # Create and run the agent
            agent = create_react_agent(model, tools)
            agent_response = await agent.ainvoke({"messages": "what's (3 + 5) x 12?"})
            return agent_response

# Run the async function
if __name__ == "__main__":
    result = asyncio.run(run_agent())
    print(result)

使用命令python3 client.py運行客戶端。

客戶端將運行一次並結束，輸出如下：

{'messages': 
[HumanMessage(content="what's (3 + 5) x 12?", 
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}})]}

3、結束語

MCP 是一種方便的集成方式，可以將 AI 代理與提供上下文和記憶的信息和服務結合起來。

聯繫我

最後，推薦大家關注一下開源項目：LangChat，Java 生態下的 AIGC 大模型產品解決方案。

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/q06yh4AVUnQO8MFWY808VQ

猜你喜歡