LangChain + MCP 实战：打通 Agent 工具生态

为什么需要 LangChain 与 MCP

大模型具备强大的推理能力，能理解对话、整理混乱信息，但它只能基于训练时的数据回答。要让大模型结合企业内部业务数据，就需要给它“绑定工具”——让模型不仅能理解问题，还能调用工具获取实时数据，再依靠推理能力给出答案。

然而，从零手写大模型调用、工具管理、对话状态维护，会把精力浪费在底层细节上。LangChain 这类框架的价值就在于此：它封装了模型调用、工具定义、Agent 构建等通用能力，让开发者聚焦业务逻辑。据 B 站教程作者的观点，不建议手搓框架，而应“站在巨人的肩膀上”。

LangChain 与 Agent 的分层关系

LangChain 是一个构建 AI 应用的框架，提供 create_agent 等 API 来创建 Agent。在 LangChain 中，你可以用 add_tool 方式定义工具，例如 get_stock_price（根据公司名查股价）和 search_news（搜索公司新闻）。这些工具与 MCP 无关，仅在当前 LangChain Agent 内部有效。

Agent 可以理解为对大模型的更高层封装：它自动管理对话历史，真正执行工具调用并返回结果，还能根据结果判断是否需要继续调用工具。LangChain 底层通过 LangGraph 实现 Agent，LangGraph 更接近底层、更灵活；上层还有 Deep Agents 等更高封装。作者展示的技术栈图显示，越靠下 API 越灵活，越靠上使用越方便。

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调用，边代表控制流与条件分支，整个图的运行状态（消息历史、中间变量等）可被持久化与回溯。正因如此，它天然支持循环调用、人工介入（human-in-the-loop）、断点续跑等复杂场景。LangChain 1.x 的 create_agent 实际上就是在 LangGraph 之上封装出的常见 ReAct 循环，所以原文才说「越靠下越灵活、越靠上越方便」——需要精细控制流程时直接写 LangGraph，需要快速搭原型时用高层 API。

MCP 解决的核心问题：工具复用与解耦

LangChain 内部定义的工具只能给当前代码里的 Agent 使用。如果另一个 Agent 想用同样的工具，就得重新定义一遍，无法复用。更关键的是，不同框架（如 Claude SDK、OpenAI SDK）开发的 Agent 无法识别 LangChain 定义的工具。

MCP（Model Context Protocol）是一套开放协议，规定了工具如何发现、如何调用、如何处理返回结果。只要工具按 MCP 协议开发，任何支持 MCP 的模型供应商都能调用。作者用 USB 接口类比：只要设备兼容 USB 协议，电脑就能识别。MCP 由 Anthropic 提出，据教程介绍，发布后几乎所有主流 AI 供应商都已支持。

MCP 带来两个直接好处：一是工具复用，多个 Agent 可共享同一套 MCP 工具；二是解耦，MCP 工具不绑定任何特定 Agent 框架，Claude SDK、OpenAI SDK 等构建的 Agent 都能使用。

MCP 采用典型的客户端-服务器架构：MCP Server 负责暴露能力，MCP Client 由 Agent 宿主（Host）内置，二者通过 JSON-RPC 消息通信，传输层可以是本地标准输入输出（stdio），也可以是 HTTP/SSE 等远程方式。协议规定了三类原语——Tools（可被模型调用的函数）、Resources（可供读取的数据，如文件、数据库记录）、Prompts（预置提示模板）。一次典型调用包含 tools/list 发现工具、tools/call 执行工具、返回结构化结果三步。正因为接口被标准化，同一个 MCP Server 无需改动就能被 Claude、Cursor、各类 SDK 构建的 Agent 共同挂载使用。

实战整合：LangChain Agent 调用 MCP 工具

LangChain 与 MCP 的整合，更多是指 Agent 与 MCP 的整合（底层即 LangGraph 与 MCP）。在 LangChain 中构建 Agent 时，除了使用内部 add_tool 定义的工具，也可以接入 MCP 协议开发的工具。教程中演示了如何在同一个 Agent 里同时使用本地工具和 MCP 工具，直观对比两者的差异。

这种整合让 Agent 的工具生态从“框架内闭环”走向“跨框架开放”。开发者可以先用 LangChain 快速搭建 Agent，再将通用工具以 MCP Server 形式发布，供其他 Agent 复用。

概念辨析：Function Calling 与 MCP

教程中专门回应了“MCP 用得多还是 Function Calling 用得多”的疑问。作者指出，Function Calling 是 OpenAI 提出的概念，MCP 是 Anthropic 提出的概念，两者做的是同一件事——让模型调用工具。如今 OpenAI 也已兼容 MCP，可以将其视为同一类能力的不同叫法。早先业界多提 Function Calling，现在更常直接说 MCP。

对于智能体开发，作者建议使用 LangChain 而非纠结国内外智能体；大模型才有国内外之分，国内 DeepSeek^广告 等模型能力已经很强。LangChain 当前讲解版本为 1.3，LangChain 4j 在公司中使用并不多。

Function Calling 描述的是模型层面的能力：开发者把工具的名称、描述和 JSON Schema 参数一并放进请求，模型在需要时输出一段结构化的调用意图，真正的函数执行仍由应用侧完成。它只规定了「模型如何表达要调用什么」，没有规定工具如何被发现、由谁托管、结果如何回传。MCP 则把这条链路向外延伸了一层，用统一协议把工具的注册、发现与执行标准化到独立进程或远程服务中。二者是互补关系：Agent 框架把 MCP Server 提供的工具列表转成 Function Calling 所需的 schema 交给模型，模型决定调用后再由框架经 MCP 协议转发执行。

总结

LangChain 提供了构建 Agent 的完整框架，MCP 则解决了工具跨框架复用和模型解耦的问题。两者结合，让 Agent 既能快速搭建，又能灵活接入标准化工具生态。对于企业 AI 应用开发，这套组合值得优先掌握。