Langgraph调用MCP封装的极为简洁，通过这个简洁的封装，将调用MCP变为可用自然语言描述，具备推理特性的原子能力；并且这个原子能力可作为Langgraph节点的能力继续组合，这将为我们实现更通用的Agent提供能力基础。

1. 代码示例

代码如下，输入一个提示词模版，自然语言描述要做什么，参数值，就可以使用这段代码完成mcp调用

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

# 设置 OpenAI API 密钥和基础 URL
llm = ChatOpenAI(
    model='xxxxx',
    temperature=0.7,
    max_tokens=5000,
    top_p=0.5,
    api_key='xxxxx',
    base_url='xxxxxxxxx',
    streaming=False   # 这个代码中，这里必须为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'执行{idea}时发生错误：\n {traceback.format_exc()}'
        return False, error

2. 原理

Langgraph的封装相当简洁，有2个关键点

• 关键点1：使用MultiServerMCPClient封装MCP的细节，转换为Langchain工具；
• 关键点2：使用create_react_agent创建agent，执行该agent完成idea推理，选择执行对应的MCP

其中create_react_agent是核心，翻阅源码，可以看到create_react_agent实际上是创建了一个GraphCompiler对象，该对象图结构如下：

create_react_agent

这个agent所做的事情如下：

• agent阅读idea，使用大模型能力返回ToolMessage结构信息，该结构里有如下结构json信息

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

猜测这段信息中，agent结合idea以及MCP的list_tools信息，找到对应的可能的tool，生成了结构化的参数信息

• tools节点输入参数，执行返回结果
• 这里有condition节点负责控制，tools节点失败了，能重复调用的次数，默认是25次

小结

这个示例非常有意义：

• 通过自然语言可完成MCP工具访问，定义封装一些自然语言的promot提示词，提示词本身可以放入QA对库中；获取业务内容信息，fomat到promot提示词模版中，生成一个完整promot提示词
• 说明了1个组装原理，create_react_agent组装的agent，沉淀为原子能力，提供构建更高阶的Agent