agent/examples/mcp_modes

MCP 集成三种用法总览

本节汇总了在 LangGraph + Qwen 自定义模型（ChatQwenOpenAICompat） 下使用 MCP 工具的三种常见模式：ReAct 代理、直接工具循环、计划-执行（Plan & Execute）。每种模式都支持从 代码、配置文件（JSON/YAML） 或 环境变量 加载 MCP 服务器；既可连接本地 stdio（如 npx/python 启动的 MCP server），也可连接远程 HTTP streamable 服务器。

---

配置来源与优先级

可通过任意方式声明 MCP 服务器，内部合并优先级如下（后者覆盖前者同名项）：

1. 配置文件：config_path 或 MCP_CONFIG_PATH（JSON/YAML）
2. 环境变量：MCP_SERVERS_JSON（JSON 字符串）
3. 代码传入：servers: Dict[str, Dict[str, Any]]
4. 兜底：本地 weather HTTP server（http://127.0.0.1:8000/mcp/，transport=streamable_http）

示例：JSON 配置（mcp_servers.json）

{
  "servers": {
    "weather": {
      "url": "http://127.0.0.1:8000/mcp/",
      "transport": "streamable_http"
    },
    "airbnb": {
      "command": "npx",
      "args": ["-y", "@openbnb/mcp-server-airbnb"],
      "transport": "stdio"
    }
  }
}

示例：YAML 配置（mcp_servers.yaml）

servers:
  weather:
    url: http://127.0.0.1:8000/mcp/
    transport: streamable_http
  playwright:
    command: npx
    args: ["@playwright/mcp@latest"]
    transport: stdio
    env:
      DISPLAY: ":1"

环境变量（任选）：

• MCP_CONFIG_PATH=./mcp_servers.yaml
• MCP_SERVERS_JSON='{"weather":{"url":"http://127.0.0.1:8000/mcp/","transport":"streamable_http"}}'

---

用法一：ReAct 代理（最简单、默认推荐）

特点

• 一行创建：自动把 MCP 工具注入 LangGraph 的 ReAct 代理（ToolNode 自动执行工具）。
• 支持 多次工具调用；通过 config={"recursion_limit": N} 显式限制步数。
• 适合“让模型自由决策何时调用哪个工具”的通用智能体场景。

典型场景

• 对话检索、计划+查证、简单自动化任务编排。
• 工具数量较多、先不想自己写调用逻辑。

最小示例

from langchain_core.messages import HumanMessage
from langgraph_qwen.mcp import create_qwen_agent_with_mcp_async

SERVERS = {
    "weather": {"url": "http://127.0.0.1:8000/mcp/", "transport": "streamable_http"},
    # "airbnb": {"command":"npx","args":["-y","@openbnb/mcp-server-airbnb"],"transport":"stdio"},
}

agent = await create_qwen_agent_with_mcp_async(
    servers=SERVERS,               # 或者传 config_path / 用 MCP_SERVERS_JSON
    tool_choice="auto",            # 也可 "none" 做两阶段（先思考再注入）
)

res = await agent.ainvoke(
    {"messages": [HumanMessage(content="列出可用工具，演示一次调用并总结。")]},
    config={"recursion_limit": 6}  # ★ 控制最大工具交互步数
)
print(res["messages"][-1].content)

---

用法二：直接工具循环（完全可控）

特点

• 不用 LangGraph 的 ToolNode，由你在循环里手动执行工具（识别 AIMessage.tool_calls，再调用 tool.invoke/ainvoke，最后用 ToolMessage 回传）。
• 对每一步是否调用工具、如何合并结果、失败如何重试，有 100% 控制权。
• 适合需要严格可控的业务流程、精细化容错与审计。

典型场景

• 合规/金融/科研等对工具副作用与审计有严格要求的系统。
• 多工具“串行+并行”的复杂编排、阶段性切换工具集。

最小示例

from langchain_core.messages import HumanMessage, ToolMessage
from langgraph_qwen.chat_model import ChatQwenOpenAICompat
from langgraph_qwen.mcp import load_mcp_tools

tools = await load_mcp_tools(servers={
    "math":   {"command":"python","args":["/abs/path/to/math_server.py"],"transport":"stdio"},
    "weather":{"url":"http://127.0.0.1:8000/mcp/","transport":"streamable_http"},
})

model = ChatQwenOpenAICompat(temperature=0).bind_tools(tools).bind(tool_choice="auto")
tool_map = {t.name: t for t in tools}

msgs = [HumanMessage(content="先算 12*(3+5)，再查北京天气，最后总结。")]
for _ in range(8):  # ★ 最大步骤
    ai = await model.ainvoke(msgs)
    msgs.append(ai)
    calls = getattr(ai, "tool_calls", []) or ai.additional_kwargs.get("tool_calls", [])
    if not calls:
        break
    for call in calls:
        name, args, call_id = call["name"], call.get("args", {}), call.get("id") or ""
        tool = tool_map.get(name)
        if not tool:
            msgs.append(ToolMessage(tool_call_id=call_id, content=f"Unknown tool: {name}"))
            continue
        out = await tool.ainvoke(args) if hasattr(tool, "ainvoke") else tool.invoke(args)
        msgs.append(ToolMessage(tool_call_id=call_id, content=str(out)))

final = await model.ainvoke(msgs)
print(final.content)

---

用法三：计划-执行（Plan & Execute，动态工具集）

特点

• 第一步用模型把任务拆解为多个步骤（Planner）。
• 对每个步骤，可动态选择/切换工具集（可按阶段加载不同的 MCP 配置）。
• 执行器部分类似“直接工具循环”，可精细控制每步最多调用几次工具。

典型场景

• 旅行/采购/研究类 多阶段任务：先找资源，再比较价格，再路线规划，再汇总。
• 不同阶段接入不同 MCP 工具（如：Airbnb → Google Maps → Weather）。

最小示例（摘录）

from langchain_core.messages import HumanMessage
from langgraph_qwen.chat_model import ChatQwenOpenAICompat
from langgraph_qwen.mcp import load_mcp_tools

# 规划
planner = ChatQwenOpenAICompat(temperature=0)
steps_ai = await planner.ainvoke([HumanMessage(content="把任务拆成可执行步骤（每行一步）：...")])
steps = [s for s in str(steps_ai.content).splitlines() if s][:8]

# 每步执行（动态加载工具集）
for i, step in enumerate(steps, 1):
    tools = await load_mcp_tools(servers=(
        {"weather": {"url":"http://127.0.0.1:8000/mcp/","transport":"streamable_http"}}
        if i % 2 == 0 else
        {"airbnb": {"command":"npx","args":["-y","@openbnb/mcp-server-airbnb"],"transport":"stdio"}}
    ))
    model = ChatQwenOpenAICompat(temperature=0).bind_tools(tools).bind(tool_choice="auto")
    # … 按“直接工具循环”方式执行，给每步设 max_tool_steps_per_step

---

选择建议

• 先用 ReAct：如果你需要最快跑通“让模型自己决定如何用工具”的智能体，且可接受自动化行为 → 用法一。
• 需要强控/审计/容错：你希望精确掌控每次工具调用、失败重试、输出格式 → 用法二。
• 多阶段任务：需要“先规划、再按阶段注入不同工具” → 用法三。

---

常见问题与提示

• 工具是异步还是同步？
  langchain-mcp-adapters 返回的工具通常是 StructuredTool/BaseTool 封装，可能只实现 ainvoke（异步）。
  调用前建议检测：await tool.ainvoke(args) if hasattr(tool, "ainvoke") else tool.invoke(args)。

• 连接失败 (ConnectError)
  大多是 HTTP MCP 服务器没启动/端口不对；请确认 url 可访问，或本地 stdio 的 command/args 正确。

• 工具模式兼容
  后端（如 vLLM / llama.cpp / llama-box）对 tools/tool_choice 的支持程度有差异。若遇到 5xx/模板错误：

  1. 先用最小工具 schema（type=object，properties 简单）验证；
  2. 暂时将 tool_choice="none" 做“两阶段”：先思考生成计划，再注入目标工具并允许调用。

• 代理与鉴权

  • 如需禁用系统代理：QWEN_HTTP_TRUST_ENV=0（适配器会传给 httpx）。
  • 自定义鉴权头/前缀：QWEN_AUTH_HEADER（默认 Authorization）、QWEN_AUTH_SCHEME（默认 Bearer，设空即裸 Key）。

• 配置复用
  建议把多套 MCP 服务器写在一个 mcp_servers.yaml，运行时以 config_path 选择，或用 MCP_SERVERS_JSON 动态注入，配合三种模式灵活切换。

---

相关 API（来自 langgraph_qwen/mcp.py）

• resolve_servers_config(servers=None, config_path=None) -> Dict: 合并并解析配置。
• load_mcp_tools(servers=None, config_path=None) -> List[Tool]: 异步加载 MCP 工具。
• create_qwen_agent_with_mcp_async(..., tool_choice="auto"): ReAct 代理（异步）。
• create_qwen_agent_with_mcp(..., tool_choice="auto"): ReAct 代理（同步包装；在异步环境请用上面的异步接口）。

所有模式均依赖：pip install langchain-mcp-adapters。工具服务端可混合 streamable_http 与 stdio（本地 npx/python/node 等）。