LangChain+MCP实战:从协议原理到Agent工具开发

LangChain负责搭Agent骨架,MCP负责统一工具接入,两者组合解决企业AI应用的工具复用与跨框架解耦。
文章从企业落地大模型的两个痛点切入:模型无法触达内部业务数据,以及换模型就要重写工具调用代码。LangChain 作为大模型应用开发框架,封装了模型调用、工具管理与对话历史等底层细节,其上的 Agent 进一步提供历史管理、真实工具执行与多步决策能力,技术栈自下而上为 LangGraph、Agent 接口、Deep Agent。MCP 由 Anthropic 提出,用统一协议规范工具的发现、调用与结果处理,类比 USB 接口,使工具具备跨厂商通用性。文章指出 Function Calling 与 MCP 本质是同一件事的不同提法。对比 LangChain 原生工具定义复用性差、框架绑定的局限,MCP 接入带来工具复用与跨框架解耦两大收益。
大模型能推理、能对话,却不知道你公司内部的库存数据;Agent能调工具,换个模型厂商底层代码就得重写一遍。这两个问题看似无关,背后却指向同一件事:工具与模型的连接方式太脆弱。LangChain负责搭建Agent骨架,MCP负责把工具标准化,两者结合是当前企业级AI应用开发中一条被反复验证的路径。
LangChain到底解决什么问题
据B站教程主讲人介绍,LangChain本质上是一个开发大模型应用的框架。大模型的推理能力很强,能理解用户意图、整理杂乱文件,但它的回答基于训练时的数据,无法直接触达企业内部业务数据。
解决思路是给大模型绑定工具,让它在理解问题之余调用工具获取业务信息,再依靠推理能力组织答案。问题在于,如果开发者手写模型调用、工具管理、对话历史管理,精力会全部耗在底层细节上,业务反而无暇顾及。LangChain提供的正是这一层封装,让开发者聚焦业务逻辑而非底层调用。

框架不止LangChain一家,Cloud SDK、OpenAI SDK都能构建AI应用。主讲人的建议是不要手搓框架——底层并发、状态管理、对话内容管理这些工作已有成熟实现,站在巨人肩膀上更划算。
Agent是更高层的封装
Agent相比裸用大模型,多了几项关键能力:自动管理历史聊天记录;真正执行工具调用并把结果返回,而非只生成调用意图;根据工具返回结果判断是否继续调用下一个工具。这在多步任务中尤其重要。

你可能没注意到LangChain的技术栈分层:最底层是LangGraph,更接近底层API;其上是由LangGraph实现的Agent开发接口;再往上是Deep Agent,封装程度更高。越靠下越灵活,越靠上使用越方便。主讲人提到,业界常讨论的Harness架构思想,其实现正是Deep Agent,而Deep Agent的底层又是基于LangChain和LangGraph开发的。
LangGraph 是 LangChain 团队推出的底层编排框架,核心是把 Agent 的执行过程建模为「图」(Graph):节点代表一个处理步骤(调用模型、执行工具、条件判断),边代表步骤之间的流转关系,并可携带共享的 State(状态)。这种设计让循环调用、多步分支、人工介入等复杂控制流都能被显式表达与调试,而不必依赖框架内部的隐式逻辑。LangChain 的 Agent 接口与 Deep Agent 均构建在 LangGraph 之上,因此越往底层使用越灵活,但需要开发者自行组织状态与流程;越往上层封装越完整,开箱即用但可定制空间相对收窄。
MCP:给工具调用定一套USB标准
MCP全称Model Context Protocol,由Anthropic提出。在MCP出现之前,每个模型厂商调用工具都有自己的写法:A模型的工具1一套API,工具2另一套;换到B模型,同样的四个工具又得按B的规范重写一遍。Agent底层一换模型,调用工具的代码就崩了。
MCP的做法是规定一套协议,覆盖工具如何被发现、如何被调用、返回结果如何处理。任何厂商的大模型,只要工具按MCP协议开发,就能兼容适配。主讲人用USB接口打比方:只要设备兼容USB协议,插上电脑就能被识别,不管它是U盘、硬盘还是别的外设。

据主讲人介绍,Anthropic发布该协议后,几乎所有主流AI供应商都已支持,包括DeepSeek广告、通义千问广告、微软、百炼等。这意味着按MCP开发的工具具备跨厂商的通用性,这是它相比私有工具定义方式最大的价值。
Function Calling与MCP是什么关系
直播中有观众问MCP和Function Calling哪个用得多。主讲人的回答很直接:Function Calling是OpenAI推出的概念,MCP是Anthropic推出的概念,两者做的是同一件事,只是叫法不同。OpenAI现在也完全兼容MCP,把两者看成一回事没有太大问题。早先业界多提Function Calling,如今更多直接说MCP。
Function Calling 指大模型在对话中输出结构化的工具调用请求(通常是工具名加 JSON 参数),由应用侧解析并实际执行,再把结果回传给模型。它本质是一种模型侧的「输出约定」,各家厂商的参数格式、工具描述字段并不完全一致。MCP 则更进一步,把工具的注册发现、调用请求、结果返回乃至资源与提示词模板都纳入统一协议,由独立的 MCP Server 对外暴露能力,客户端按协议连接即可。可以理解为:Function Calling 解决的是「模型如何表达要调用工具」,MCP 解决的是「工具如何被标准化地发布和接入」,两者处于不同层次,实践中常配合使用。
LangChain内部工具的两个局限
先看LangChain原生定义工具的方式。代码中用createAgent创建Agent,第一个参数指定模型,第二个参数tools指定工具列表。工具通过addTool方式定义,比如getStockPrice根据传入公司获取股价,searchNews搜索公司相关新闻。这两个工具与MCP没有任何关系。

这种写法有两个局限。第一是复用性差:工具写在当前代码里,第二个代码构建新Agent想用同样的工具,就得重新定义一遍。第二是框架绑定:LangChain方式定义的工具,只有LangChain开发的Agent能识别,Cloud SDK、OpenAI SDK乃至各类AI编程工具构建的Agent都调用不了。
MCP接入Agent的两个收益
把工具改成MCP Server后,收益体现在两个层面。
工具复用:多个代码文件构建的多个Agent需要相同工具时,用MCP统一管理,不必重复定义。
跨框架解耦:符合MCP协议的工具可以提供给任何Agent使用,不管是LangChain、Cloud SDK还是OpenAI SDK构建的,完全没有框架限制。
主讲人在直播中演示了把本地工具和MCP开发的工具放在同一个Agent里使用的案例,直观对比两者的差异。这也是理解MCP价值最直接的方式——同一个Agent,两种工具来源,行为上的区别一目了然。
版本与选型建议
教程基于LangChain 1.3版本。对于想开发智能体的学习者,主讲人建议直接用LangChain开发,不必纠结国内还是国外的智能体——智能体本身没有国内外之分,有国内外之分的是大模型。国产大模型如DeepSeek发展已经相当成熟,其v4pro版本能力很强。
至于Codex、Cursor这类工具,主要面向编程辅助场景,与在企业中构建自有AI应用是两条路径。前者适合作为个人编程助手,后者才是企业AI应用开发的主战场。
MCP Server 是承载具体工具能力的独立服务进程,按协议对外声明自己提供哪些工具及其参数结构;Agent 侧通过 MCP Client 连接 Server,先拉取工具列表,再由模型决定调用哪一个,请求经协议转发给 Server 执行并回传结果。两者之间可采用本地进程通信(stdio)或远程传输(如 HTTP/SSE),因此工具既可与 Agent 同机部署,也可作为独立服务被多个 Agent 共享。这正是「工具复用」得以成立的技术前提:工具不再是代码里的一个函数,而是可被发现、可被多方连接的能力端点。
小结
LangChain解决的是Agent怎么搭的问题,MCP解决的是工具怎么接的问题。前者提供开发框架与分层API,后者提供跨厂商的工具连接标准。企业做AI应用时,工具一次开发、多框架复用、换模型不改代码,这三个诉求正是两者组合的核心价值所在。
相关推荐

Gemini 4 Neon发布:前沿智能与高效任务执行的平衡之作
Google DeepMind 发布 Gemini 4 Neon,主打前沿智能与快速端到端任务执行。本文解析其在编程、企业分析、科学推理与网络安全上的基准表现、四档思考等级、定价与安全对齐数据。

AI是全球断网元凶?NSA、FAA接连宕机背后的信任危机
NSA机密网络五天内第四起重大故障,微软称软件bug、FAA否认新AI系统有关、NSA称例行维护。参议员沃纳提出AI加速漏洞发现导致仓促修复的另一种解释,而39%美国人对AI的负面看法让信任危机浮出水面。

机器人开发者自研B-rep内核,测试达3487项
机器人开发者自研B-rep几何内核并编写3,487项测试,探讨机器人领域为何需要专用CAD工具,以及自研内核的机遇与门槛。