第 6 篇：Agent 实战系列完结，最后聊聊 MCP

MomentYY
250 阅读8分钟

系列简介：从零搭建一个多 Agent AI 助手，覆盖原理、实现、部署全链路。不讲空话，每篇都有可运行的代码。
项目地址：github.com/CodeMomentY…
本篇目标：接入 MCP 工具生态，让 Agent 的能力不再受限于手写工具；回顾整个系列，我们来看看系统全景架构图。

IMG_7500.JPG

前言

  大家好，我是一名前端工程师。都说前端“已死”，那与其担心被 AI 替代，不如打入敌人内部，于是我开始折腾 Agent 开发。

  折腾下来发现，Agent 的核心不是算法，而是“工程能力”（怎么设计架构、怎么串联服务、怎么把 LLM 的能力落地成产品）。这些恰好是我们擅长的事。

  这个系列记录我从零搭建多 Agent 系统的完整过程。只聊技术知识和设计思路，代码交给 AI 写。如果你也想从应用层切入 AI，希望这个系列对你有帮助。

读完本篇你将学到：

  • MCP 是什么，为什么 Agent 需要它；
  • 用 langchain-mcp-adapters 接入语雀 MCP 服务器；
  • 手写工具 vs MCP 工具，什么时候该用哪种；
  • 从零到完整 Agent 系统的全景回顾；

背景与动机

  前几篇我们给 Agent 加了多 Agent 协作、流式输出、记忆能力。但你会发现一个问题：Agent 只能访问我们几个手写工具提供的数据。

  为什么可以查实时天气？因为我们写了 get_weather。但如果我想让 Agent 帮我查语雀文档、读 GitHub 仓库、获取 Figma 设计稿呢？这些数据有两个共同特点：

  • 在第三方平台上：语雀、GitHub、Figma、飞书等这些平台，数据都在各自平台的库中；
  • 需要授权才能访问：这些数据不能随意爬取，你得有ACCESS TOKEN授权才能读写；

  如果每个平台都手写一个工具函数，工作量巨大，而且不具备拓展性。MCP 的出现就是为了解决这个问题：把“连接授权平台、获取私有数据”这件事标准化，让 Agent 通过统一协议就能触达各种平台的数据。

核心概念

MCP 是什么？

  MCP = Model Context Protocol（模型上下文协议），由 Anthropic 在 2024 年底提出。通过 MCP 来访问各个平台上的私有数据，究其本质也是用来增强上下文信息的。

  LLM 的知识截止于训练时间，训练的也是一些公开信息，它不知道你的语雀文档写了什么、你的 GitHub 仓库有哪些 Issue、你的 Figma 设计稿长什么样。这些数据散落在各个平台，而且都需要授权才能访问。

  MCP 做的事情是：定义一套标准协议，让 MCP Server 封装好平台的认证和 API 调用逻辑，Agent 只需要配一个 Token，就能通过统一接口读写这些平台的数据。

  类比理解：MCP 就像 USB 接口标准——键盘、鼠标、U盘都用同一个口，你不需要为每个设备单独装驱动。MCP Server 就是“驱动”，帮你处理好和平台的对接细节。

  架构上，MCP 采用 Client-Server 模式，通信方式支持 stdio（本地子进程，适合开发）和 HTTP SSE（远程服务，适合生产）：

Snipaste_2026-05-27_17-04-05.png

Agent 工具调度（Function Calling）

  说到这里你可能会有个疑问：MCP Server 把工具暴露出来了，但 Agent 怎么知道该调哪个工具？

  答案是 Function Calling。回忆一下第 1 篇，我们用 Prompt 约定格式（Action: get_weather(北京)），让 LLM 输出固定文本，然后自己解析字符串提取工具名和参数——这其实就是在“模拟” Function Calling。

  现代 LLM（Claude、GPT、DeepSeek 等）把这个过程内置了：你把工具的名称、描述、参数格式传给 LLM，它判断需要调工具时直接返回 JSON 格式的调用指令，不需要你自己解析字符串。

手写工具 vs MCP 工具

  我们项目里两种都有，什么时候该用哪种？

手写工具MCP 工具
开发成本高（写代码 + 测试）低（配置即用）
灵活性完全自定义受限于 MCP Server 提供的能力
维护自己维护社区 / 官方维护
适合场景定制逻辑、内部 API通用能力（文档、数据库、设计稿）

  我的建议：通用能力优先找 MCP Server，找不到或者需要定制逻辑时再手写。

动手实现

Step 1：安装依赖

pip install langchain-mcp-adapters

  langchain-mcp-adapters 是 LangChain 官方提供的 MCP 适配器，能把 MCP 工具自动转成 LangChain Tool 格式，无缝接入我们的 Agent。

Step 2：接入语雀 MCP Server

  因为之前我写过一个「语雀 MCP」，所以这里用语雀 MCP Server 作为示例——接入后 Agent 就能搜索、读取语雀文档。

"""
语雀 MCP 工具接入
通过 langchain-mcp-adapters 连接语雀 MCP 服务器
"""
import asyncio
from langchain_mcp_adapters.client import MultiServerMCPClient

_mcp_tools = None  # 全局缓存

def _load_mcp_tools_sync() -> list:
    """加载 MCP 工具"""
    async def _load():
        client = MultiServerMCPClient({
            'yuque': {
                'transport': 'stdio',
                'command': 'npx',
                'args': ['-y', '@momentyy/yuque-mcp-server'],
                'env': {
                    'YUQUE_API_TOKEN': 'your-token',
                    'YUQUE_BASE_URL': 'https://www.yuque.com/api/v2',
                },
            }
        })
        return await client.get_tools()

    return asyncio.run(_load())

def get_yuque_mcp_tools() -> list:
    """获取语雀 MCP 工具列表（带缓存）"""
    global _mcp_tools
    if _mcp_tools is None:
        _mcp_tools = _load_mcp_tools_sync()
    return _mcp_tools

关键点：

  • transport: 'stdio'：本地通过子进程启动 MCP Server；
  • npx -y @momentyy/yuque-mcp-server：直接用 npx 运行，不需要全局安装；
  • get_tools() 返回的就是标准的 LangChain Tool 列表，和手写的 @tool 函数格式完全一样；

Step 3：注册到工具列表

  MCP 工具加载后，和手写工具一起注册到 Agent：

# tools/__init__.py
from app.agent.tools.weather import get_weather
from app.agent.tools.recommend import recommend_activity
from app.agent.tools.web_fetch import fetch_webpage
from app.agent.tools.mcp_yuque import get_yuque_mcp_tools

ALL_TOOLS = [
    get_weather,          # 手写工具
    recommend_activity,   # 手写工具
    fetch_webpage,        # 手写工具
] + get_yuque_mcp_tools()  # MCP 工具（自动追加）

  就这么简单——MCP 工具和手写工具在 Agent 眼里没有任何区别，都是“可调用的函数”。Dispatcher 分流到 tools 路径后，LLM 会根据用户问题自动选择调哪个工具。

Step 4：新增 MCP 工具

  MCP 的核心价值在于即插即用。假设明天你想让 Agent 能读取 Figma 设计稿，不需要写任何业务代码，只需要在配置里多加一个 Server：

client = MultiServerMCPClient({
    'yuque': {
        'transport': 'stdio',
        'command': 'npx',
        'args': ['-y', '@momentyy/yuque-mcp-server'],
        'env': {'YUQUE_API_TOKEN': '...'},
    },
    # 新增：Figma MCP Server，一行配置搞定
    'figma': {
        'transport': 'stdio',
        'command': 'npx',
        'args': ['-y', '@xx/figma-mcp-server'],
        'env': {'FIGMA_ACCESS_TOKEN': '...'},
    },
})

  加完这几行，Agent 就自动获得了 Figma 的能力（读取设计稿、获取组件信息、导出切图）。不需要改 Agent 代码，不需要改路由逻辑，不需要改前端——工具层的变化对上层完全透明。

  这就是“即插即用”的含义：MCP 生态里有上千个现成的 Server，你想用哪个就配哪个，Agent 的能力边界由你决定。

Step 5：验证效果

  接入后，Agent 自动获得了语雀相关的能力，大致流程如下：

# 读取语雀文档
用户："读一下这个文档 https://xxx.yuque.com/xxx/xxx/xxx"
Agent → 调用 yuque_get_doc → 返回文档内容 → 总结回复

  Web 端验证效果：

Snipaste_2026-05-27_16-57-20.png

  注意：我们没有为这些能力写任何业务代码——全部由 MCP Server 提供，Agent 只是“调用”。

多端交互

  除了 Web 界面，项目里面我还接入了钉钉机器人（Stream 模式），让 Agent 能在群聊里直接使用。这里就就不展开讲了，感兴趣的小伙伴可以自己尝试一下。

  代码位置：github.com/CodeMomentY…

系列回顾

  6 篇文章，我们从零搭建了一个完整的多 Agent 系统。回顾一下整个系列的内容：

篇主题核心能力
第 1 篇Agent 的本质LLM + 工具 + 循环
第 2 篇三种工作模式ReAct、Plan-and-Solve、Reflection
第 3 篇多 Agent 协作Dispatcher + 专业 Agent + 串行/并行
第 4 篇全栈产品化落地FastAPI + SSE 流式 + Vue3 前端
第 5 篇上下文记忆能力短期 JSON + 长期 ChromaDB RAG
第 6 篇Agent 工具生态Agent 工具调度 + MCP 接入

  系统全景架构图：

Snipaste_2026-05-27_17-04-31.png

刨根问底

序号问题
1️⃣Q：MCP 和 Function Calling 有什么区别？
A：Function Calling 是 LLM 层面的能力——LLM 决定调什么函数、传什么参数。MCP 是工具层面的标准——定义工具怎么暴露、怎么被发现、怎么被调用。两者是互补的：LLM 通过 Function Calling 决定调哪个工具，MCP 负责把工具标准化地接进来。
2️⃣Q：MCP Server 是怎么运行的？
A：stdio 模式下，Agent 启动时会 fork 一个子进程运行 MCP Server（比如 npx @momentyy/yuque-mcp-server），通过标准输入输出通信。Server 常驻内存，Agent 需要调工具时发请求，Server 执行后返回结果。

本篇小结

  • MCP 是 AI 工具的标准化协议，让工具像 USB 设备一样即插即用；
  • langchain-mcp-adapters 一行代码把 MCP 工具转成 LangChain Tool，无缝接入；
  • 手写工具适合定制逻辑，MCP 适合通用能力，两者互补；

写在最后

  6 篇文章写完，回头看这个系列的核心观点只有一个：Agent 开发的门槛不在 AI，在工程。

  LLM 是现成的（调 API 就行），真正需要你动手的是：怎么设计多 Agent 协作架构、怎么做流式输出、怎么管理记忆、怎么接入工具生态、怎么让它在多个端上跑起来。

  这些全是工程问题，而工程能力恰好是我们每天都在练的。

  如果你跟着这个系列走了一遍，你会发现：从零搭一个能用的 Agent 系统，没有想象中那么难。难的不是某个技术点，而是把所有东西串起来的那个过程。

  希望这个系列对你有帮助。如果有问题或者想法，欢迎在评论区交流 🌹🌹🌹。

avatar
文章
阅读
粉丝