Langgraph調(diào)用MCP封裝的極為簡(jiǎn)潔，通過這個(gè)簡(jiǎn)潔的封裝，將調(diào)用MCP變?yōu)榭捎米匀徽Z(yǔ)言描述，具備推理特性的原子能力；并且這個(gè)原子能力可作為L(zhǎng)anggraph節(jié)點(diǎn)的能力繼續(xù)組合，這將為我們實(shí)現(xiàn)更通用的Agent提供能力基礎(chǔ)。

1. 代碼示例

代碼如下，輸入一個(gè)提示詞模版，自然語(yǔ)言描述要做什么，參數(shù)值，就可以使用這段代碼完成mcp調(diào)用

import os
import asyncio
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent
from langchain_mcp_adapters.client import MultiServerMCPClient
from typing import Tuple
import traceback

# 設(shè)置 OpenAI API 密鑰和基礎(chǔ) URL
llm = ChatOpenAI(
    model='xxxxx',
    temperature=0.7,
    max_tokens=5000,
    top_p=0.5,
    api_key='xxxxx',
    base_url='xxxxxxxxx',
    streaming=False   # 這個(gè)代碼中，這里必須為False
)

async def call_tool_with_react_style(idea: str) -> Tuple[bool, str]:
    try:
        async with MultiServerMCPClient(
        {
            "xxx_service": {
                "url": "http://ip:port/sse",
                "transport": "sse",
            },
         }
        ) as client:
            tools = client.get_tools()
            agent = create_react_agent(
                model = llm,
                tools = tools
            )
            #print(agent.get_graph().draw_mermaid())
            result = await agent.ainvoke({"messages": [{"role": "user", "content": idea}]})
            if 'messages' in result and  result['messages']:
                return True, result['messages'][-1].content
            return False, 'return message format error' 
    except Exception as e:
        error = f'執(zhí)行{idea}時(shí)發(fā)生錯(cuò)誤：\n {traceback.format_exc()}'
        return False, error

2. 原理

Langgraph的封裝相當(dāng)簡(jiǎn)潔，有2個(gè)關(guān)鍵點(diǎn)

• 關(guān)鍵點(diǎn)1：使用MultiServerMCPClient封裝MCP的細(xì)節(jié)，轉(zhuǎn)換為L(zhǎng)angchain工具；
• 關(guān)鍵點(diǎn)2：使用create_react_agent創(chuàng)建agent，執(zhí)行該agent完成idea推理，選擇執(zhí)行對(duì)應(yīng)的MCP

其中create_react_agent是核心，翻閱源碼，可以看到create_react_agent實(shí)際上是創(chuàng)建了一個(gè)GraphCompiler對(duì)象，該對(duì)象圖結(jié)構(gòu)如下：

create_react_agent

這個(gè)agent所做的事情如下：

• agent閱讀idea，使用大模型能力返回ToolMessage結(jié)構(gòu)信息，該結(jié)構(gòu)里有如下結(jié)構(gòu)json信息

{
  "tool_calls": [
    {
      "name": "add",
      "arguments": {
        "x": 2,
        "y": 3
      }
    }
  ]
}

猜測(cè)這段信息中，agent結(jié)合idea以及MCP的list_tools信息，找到對(duì)應(yīng)的可能的tool，生成了結(jié)構(gòu)化的參數(shù)信息

• tools節(jié)點(diǎn)輸入?yún)?shù)，執(zhí)行返回結(jié)果
• 這里有condition節(jié)點(diǎn)負(fù)責(zé)控制，tools節(jié)點(diǎn)失敗了，能重復(fù)調(diào)用的次數(shù)，默認(rèn)是25次

小結(jié)

這個(gè)示例非常有意義：

• 通過自然語(yǔ)言可完成MCP工具訪問，定義封裝一些自然語(yǔ)言的promot提示詞，提示詞本身可以放入QA對(duì)庫(kù)中；獲取業(yè)務(wù)內(nèi)容信息，fomat到promot提示詞模版中，生成一個(gè)完整promot提示詞
• 說明了1個(gè)組裝原理，create_react_agent組裝的agent，沉淀為原子能力，提供構(gòu)建更高階的Agent