LangChain + MCP 实战:把工具接进 Agent 的协议逻辑

LangChain 封装底层,MCP 标准化工具调用,二者整合实为 Agent 与 MCP 的结合。
文章围绕「为什么需要 LangChain 与 MCP」展开,指出大模型受限于训练数据,企业要让 AI 结合内部数据就必须调用工具,而手写调用逻辑会耗尽精力。LangChain 的价值在于封装状态管理、对话历史与并发处理等底层工作,让开发者聚焦业务。MCP 由 Anthropic 提出,类比 USB 接口,规定工具如何被发现与调用,解决早期各厂商工具调用写法不一、换模型即崩的问题。LangChain 原生工具存在复用难和跨框架不兼容两大痛点,MCP 正好以共享与解耦对应解决。文章还厘清技术栈层次:LangGraph 最底层,LangChain 在其上提供 Agent API,整合实指 Agent 与 MCP 的结合;Function Calling 与 MCP 本质是同一件事的不同叫法。
为什么需要 LangChain 与 MCP
大模型的推理能力再强,回答内容也受限于训练数据。企业想让 AI 结合内部业务数据对话,就必须让模型调用工具去取数、取文档,再依靠推理能力整理输出。但直接手写调用逻辑,精力会全耗在底层状态管理、对话历史和并发处理上,业务反而被搁置。
这就是 LangChain 这类框架的价值——它把大模型应用开发中重复的底层工作封装好,让开发者聚焦业务。正如视频中强调的,不建议手搓框架,「站在巨人的肩膀上」才是合理选择。同样,Agent 是在模型之上做更高层封装的角色:自动管理聊天历史、真正执行工具调用并回传结果、根据结果判断是否继续调用。LangChain 负责构建这类应用,而 MCP 则解决工具层的通用性问题。

Function Calling 是大模型以结构化格式(通常是 JSON)输出「我要调用哪个函数、传什么参数」的能力,由 OpenAI 在 2023 年随 API 一同推出。模型本身并不执行函数,它只负责生成调用意图,真正的执行与结果回传由应用侧代码完成。这一机制是 Agent 能「动手做事」的前提,也是理解 MCP 的起点:Function Calling 定义的是模型与应用程序之间的调用约定,而 MCP 进一步把「工具长什么样、怎么被发现」标准化,使同一套工具能被不同模型和框架复用。两者层次不同但目标一致,都是让模型可靠地驱动外部能力,而非仅凭训练数据作答。
MCP 协议:工具层的「USB 接口」
早期不同模型厂商各有各的工具调用写法。A 模型调四个工具有一套 API,B 模型调同样四个工具又得重写一套。底层模型一换,Agent 代码就可能崩掉。MCP(Model Context Protocol)由 Anthropic 提出,正是为消除这种重复而设计的标准协议,规定工具如何被发现、如何被调用、返回结果如何处理。
视频里用了一个直观比喻:MCP 就像电脑的 USB 接口。只要外设兼容 USB 协议,插上就能被识别;同理,只要工具按 MCP 协议开发,无论上层换成哪家厂商的大模型,都能直接调用。据视频讲述,该协议发布后,到去年年底几乎所有主流 AI 供应商都已支持 MCP,生态适配速度相当快。
从架构上看,MCP 采用客户端—服务器模式:MCP Server 封装一组工具、资源或提示模板并向协议暴露其能力描述,MCP Client(通常内嵌在 Agent 或宿主应用中)负责连接服务器、拉取能力清单并按需发起调用。二者通过 JSON-RPC 消息通信,支持本地进程(stdio)与远程(HTTP/SSE)两种传输方式。这种分层使工具的部署与 Agent 的实现彼此独立:工具作者只需维护一个服务器,任何兼容 MCP 的客户端都能接入;Agent 开发者则无需为每家模型厂商重写工具适配层。
LangChain 原生工具为何不够用
LangChain 本身提供了定义工具的方式,例如 create_agent 配合 add_tool,可以快速挂上 get_stock_price、search_news 这样的函数。问题在于复用性和跨框架兼容性。
- 复用难:在第一个代码里定义的工具,第二个代码构建的新 Agent 想用,就得重新定义一遍。
- 跨框架难:这类原生工具只有 LangChain 构建的 Agent 能识别。Claude SDK、OpenAI SDK,乃至其他智能体工具开发的 Agent,都无法直接使用。

MCP 带来的两个好处正好对应这两个痛点:一是工具可以被多个代码、多个 Agent 共享,集中管理;二是按协议开发的工具与任何 Agent 框架解耦,无论上层是 LangChain、Claude SDK 还是 OpenAI SDK,都能接入。
LangGraph 与 Agent 的层次关系
理解整合关系前,需要理清 LangChain 的技术栈。视频中展示的架构图从下往上是:LangGraph 更靠近底层、更灵活;LangChain 在其上提供 Agent 开发 API;再往上是 Deep Agents 一类的高层封装,越往上用起来越方便。
所谓「LangChain + MCP 整合」,实际更多指 Agent 与 MCP 的整合。因为单独裸用大模型做工具调用,缺少上下文管理和中间件处理,和手写差别不大;而 Agent 场景才是当前主流。LangGraph 作为 Agent 的底层实现,其灵活性也让它成为 MCP 工具接入的落点。

LangGraph 是 LangChain 团队推出的底层编排库,把 Agent 的执行过程建模为「状态图」:节点代表一次模型调用或工具执行,边代表条件跳转,整体状态在节点间流转并被持久化。相比早期基于链式调用的抽象,它显式暴露了循环、分支、中断与恢复等控制流,因此更适合需要多轮工具调用、人工介入或长时运行的任务。也正因为控制流由开发者掌握,LangGraph 成为接入 MCP 工具的天然落点——工具注册、调用结果回填、下一轮决策都能在图的节点中清晰编排,而不是被封装在不可见的黑盒里。
MCP 与 Function Calling 的关系
直播里不少观众追问 MCP 和 Function Calling 哪个用得多。视频给出的判断很直接:Function Calling 是 OpenAI 提出的概念,MCP 是 Anthropic 提出的概念,二者做的是同一件事。如今 OpenAI 也已兼容 MCP,把两者看成同一层能力的两种叫法并无问题。早期业界多提 Function Calling,现在更常直接说 MCP。

对于想入门大模型开发的读者,视频的建议是从零基础学起不必畏难;智能体开发推荐用 LangChain 这类框架,工具则优先按 MCP 协议来写,以便在不同 Agent 之间自由迁移。
相关推荐

AI替你写代码,还要学Git吗?五个理由
AI编程代理能自动处理Git操作,还有必要学Git吗?本文提炼五个理由:与团队沟通、审阅代理提交的PR、监督代码改动、在AI宕机时兜底,以及学习本身的乐趣,并分析代理时代Git学习重心的转移。

Anthropic据报以每股83美元定价IPO,估值达1.5万亿美元
Anthropic据报以每股83美元定价IPO,高于预期发行区间,完全稀释估值达1.5万亿美元。本文分析此次定价的信号意义及其对AI行业融资环境的影响。

纳德拉预言:AI代理将重塑网络经济规则
微软CEO纳德拉预测AI代理将重新洗牌网络经济,冲击广告驱动模式,并迫使亚马逊等平台重新思考客户争夺方式。本文解析代理经济对广告、电商与平台竞争逻辑的影响。