推荐语
探索AI框架新趋势，掌握MCP集成关键技术。
核心内容：
1. 模型上下文协议（MCP）的行业标准实践
2. 支持MCP的AI框架Composio和Agents.json介绍
3. MCP如何促进LLM与外部工具的高效集成
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
AI智能体工具包为开发者提供了多样化的API接口，旨在为AI解决方案配备执行任务所需的工具，并确保输出结果的准确性以满足用户需求。然而，将这些工具集成至AI应用程序并进行有效管理往往面临诸多混乱。本文将通过模型上下文协议（MCP），向大家介绍为大型语言模型和智能体提供上下文的行业标准实践。
闲话少说，我们直接开始吧！
默认情况下，如果不为LLM（大语言模型）和AI聊天机器人提供适当的上下文，它们将无法获取实时信息、执行代码、调用外部工具和API，甚至无法代表用户使用浏览器。开发者可以采用以下方法来解决LLM和智能体的这一局限性。
Composio 提供了一套规范和工具库，用于集成AI智能体和LLM。除了现成的工具库外，Composio 近期还推出了 Composio MCP，使开发者能够连接100多个支持MCP的IDE服务器。通过下述链接，
链接：https://composio.dev/
大家可以查看 Composio MCP 工具分类，并在支持MCP的IDE（如Cursor、Claude和Windsurf）中将多个应用集成到您的项目中。
Agents.json 是基于OpenAI标准构建的规范，旨在优化AI智能体与API及外部工具的交互体验。尽管Agents.json是一个优秀的规范，但它的普及度远不如MCP，目前尚未被广泛采用。
链接：https://github.com/wild-card-ai/agents-json
大家可以参考其GitHub仓库了解更多信息并开始使用。
3. MCP（模型上下文协议）
MCP 为开发者提供了最佳方式，能够向LLM和AI助手提供上下文数据以解决问题。例如，我们可以搭建一个 MCP文档服务器，让IDE和智能体框架（类似于llms.txt文件的方式）完整访问我们的文档。
可以将MCP视为大语言模型（LLM）的第三次演进。在第一次进化阶段，LLM仅能基于训练数据中的信息准确回答用户提问，若遇到训练数据之外的查询，它们便无法给出有效回应，因为此时LLM尚未具备调用外部工具的能力。到了第二次进化阶段，我们为LLM提供了额外的上下文（工具），虽然这些工具的交互方式并不直观，但已能帮助LLM更精准地预测和响应用户意图。而第三次进化依然由LLM和工具构成，但这次我们构建了完善的底层架构，使其不仅能接入外部应用程序，还能确保整个系统的可维护性。在构建AI服务时，大家的企业数据可能存储在云端——比如用于处理客户支持工单的AI助手应用。MCP是Anthropic推出的开源协议，可帮助企业数据与AI系统建立连接。该协议提供了一种标准化方式，能够将内容存储库（GitHub、Notion）、开发环境、网络资源及商业工具与辅助型AI技术进行对接。目前最受欢迎且持续增长的MCP应用场景当属AI辅助编程：通过与Cursor、Windsurf等数百个开发环境和工具的MCP集成，开发者可以实现与外部应用程序的交互式开发。注：本文重点讲解如何为基于Python/TypeScript开发的AI助手和智能体系统实现MCP集成，而非IDE环境下的MCP对接方案。
在大语言模型（LLM）和智能体的应用场景中，MCP能够帮助它们对超出内置知识范围的用户查询作出有效响应。例如，当您要求ChatGPT向特定Slack频道发送消息、查看日历空闲时间并安排今日团队会议时，ChatGPT的回应往往会令人失望——因为它无法直接访问这些应用程序。而MCP的实施则能让这些智能助手输出真正可用的结果。开发者最常提出的第一个问题是：MCP如何运作？
MCP的基本操作方式是：用户向智能体发送查询，智能体随后决定调用哪个MCP服务器和工具，以获取相关信息用于完成任务。智能体再利用来自特定工具的数据，向用户提供响应。那么为什么需要将MCP用于AI Agent ?
MCP正逐渐成为开发者构建AI系统的行业标准，使这些系统能够高效对接各类外部应用程序。微软近期宣布在Copilot Studio中集成MCP协议，大幅简化了AI应用和智能体调用工具的过程。无独有偶，OpenAI也宣布在其全线产品（包括智能体开发套件和ChatGPT桌面应用）中支持MCP协议。
虽然直接为AI助手配备工具并无不妥，但对于包含多个子智能体、需并行处理邮件收发、网络爬取、财务分析、实时天气查询等复杂任务的AI系统而言，这种直接集成方式会显得异常笨拙。
05
在上图中，有三个外部工具连接至大语言模型（LLM）。如果工具数量增加到100个以上，管理和保障其安全性将变得令人头疼。改进方案是通过MCP注册中心统一访问这些工具（甚至超过100个），如下所示。在这张图中，我们将智能体系统所需的工具整合起来，并通过MCP服务器统一访问，从而提供更连贯的用户体验。MCP方案通过集中化管理，使这些工具的安全维护和操作管理变得更加便捷。相较于传统将工具集成到AI智能体的方式，MCP具有多项关键优势。例如，没有MCP的工具集成可靠性值得怀疑，因为在对外部应用程序进行多次API调用时，可能会由于AI基础设施不兼容而导致多种错误。在引入MCP之前，每个希望添加到智能体的工具都必须使用自定义代码实现，通常需要数周时间。
- 架构：与为AI智能体预构建的工具规范不同，MCP具有一种清晰且灵活的架构，便于与工具和API交互。
- 改进的外部工具访问与管理：它通过标准化接口为AI模型提供工具访问，弥合了LLMs与第三方系统交互之间的通信差距。
- 解决独立工具实现的限制：MCP工具适用于单用户场景和团队合作。
- 社区驱动：MCP拥有许多开源服务器和开发者生态系统，在开发者社区中被广泛采用，适用于多种用例。
- 身份验证：它具有强大的内置认证和权限系统，用于控制工具访问。例如，使用Composio提供的MCP工具时，可以通过Google Sheets或Gmail对用户进行身份验证。
- 工具搜索：与传统的安装、配置和集成工具到AI聊天机器人方式不同，MCP使查找和寻找外部工具变得更加简单。
- 行业标准：虽然可以安装硬编码工具以为AI应用提供上下文，但MCP提供了行业标准，帮助智能体和LLMs获取所需的上下文信息。
07
Anthropic 的 MCP 规范提供了两种服务器形式，用于向智能体和 AI 项目添加工具。这些 MCP 服务器连接类型包括以下两种：大家选择的 AI 应用开发框架会提供连接这些服务器所需的类。
08
一些开源的托管MCP工具库旨在增强大型语言模型（LLMs）和智能体的能力，确保它们生成的响应更可靠。这些托管的MCP工具库被称为注册中心（registries），提供经过策划的服务集合。大家可以使用它们的工具将紫霞的AI应用连接到以下注册中心。此外，还可以选择不同的服务器类型，例如uvx，它由基于Python的工具组成，无需安装。此外，还有用于运行MCP工具的Docker选项，以及需要安装Node.js的npx基础服务器。- GitHub上的MCP服务器：由社区构建的服务器集合，包含额外的MCP资源。
链接：https://github.com/modelcontextprotocol/servers
链接：https://glama.ai/mcp/servers
Smithery Registry：通过Smithery，开发者可以访问超过2000个MCP服务器，增强AI代理和LLMs的能力。
smithery链接： https://smithery.ai/
opentools官网：https://opentools.com/
示例如下：
官网链接：https://www.pulsemcp.com/
官网链接：https://www.mcp.run/
官网链接：https://mcp.composio.dev/
官网链接：https://www.gumloop.com/mcp
09
使用OpenAI Agents SDK构建MCP智能体虽然MCP已经成为一个热词，且所有开发者社区近期都在讨论它，但要知道使用哪些MCP客户端框架以实现与AI应用和代理的集成并不容易。我们进行了调研，发现以下在Python和TypeScript基础上用于智能体工作流和AI助手的领先MCP客户端平台。
注意：以下内容展示了在构建AI解决方案的框架中实现MCP的方法。
使用OpenAI Agents SDK构建智能体时，大家可以通过SDK的MCPServerStdio和MCPServerSse类连接到这些由社区开发的MCP服务器。以下的MCP智能体示例实现会访问你本地Git仓库的根目录，并对用户关于该仓库的查询作出响应。
import asyncioimport shutilimport streamlit as stfrom agents import Agent, Runner, tracefrom agents.mcp import MCPServer, MCPServerStdioasync def query_git_repo(mcp_server: MCPServer, directory_path: str, query: str): agent = Agent( name="Assistant", instructions=f"Answer questions about the localgit repository at {directory_path}, use that for repo_path", mcp_servers=[mcp_server], ) with st.spinner(f"Running query: {query}"): result = await Runner.run(starting_agent=agent, input=query) return result.final_outputasync def run_streamlit_app(): st.title("Local Git Repo Explorer") st.write("This app allows you to query information about a local git repository.") directory_path = st.text_input("Enter the path to the git repository:") if directory_path: # Common queries as buttons col1, col2 = st.columns(2) with col1: if st.button("Most frequent contributor"): query = "Who's the most frequent contributor?" run_query(directory_path, query) with col2: if st.button("Last change summary"): query = "Summarize the last change in the repository." run_query(directory_path, query) # Custom query custom_query = st.text_input("Or enter your own query:") if st.button("Run Custom Query") and custom_query: run_query(directory_path, custom_query)def run_query(directory_path, query): if not shutil.which("uvx"): st.error("uvx is not installed. Please install it with `pip install uvx`.") return async def execute_query(): async with MCPServerStdio( cache_tools_list=True, params={ "command": "python", "args": [ "-m", "mcp_server_git", "--repository", directory_path ] }, ) as server: with trace(workflow_name="MCP Git Query"): result = await query_git_repo(server, directory_path, query) st.markdown("### Result") st.write(result) asyncio.run(execute_query())if __name__ == "__main__": st.set_page_config( page_title="Local Git Repo Explorer", page_icon="?", layout="centered" ) # Change from async to synchronous implementation # Since Streamlit doesn't work well with asyncio in the main thread # Define a synchronous version of our app def main_streamlit_app(): st.title("Local Git Repo Explorer") st.write("This app allows you to query information about a Git repository.") directory_path = st.text_input("Enter the path to the git repository:") if directory_path: # Common queries as buttons col1, col2 = st.columns(2) with col1: if st.button("Most frequent contributor"): query = "Who's the most frequent contributor?" run_query(directory_path, query) with col2: if st.button("Last change summary"): query = "Summarize the last change in the repository." run_query(directory_path, query) # Custom query custom_query = st.text_input("Or enter your own query:") if st.button("Run Custom Query") and custom_query: run_query(directory_path, custom_query) # Run the synchronous app main_streamlit_app()上述代码将Streamlit与OpenAI MCP代理集成，允许你通过Git MCP服务器与本地Git仓库进行聊天。要运行此示例，你需要安装以下软件包：
pip install streamlit openai-agents mcp-server-git
然后，使用以下命令导出你的OpenAI API密钥：
exportOPENAI_API_KEY=sk-...
在你运行Python文件时，应该会看到类似如下的结果。
大家可以在GitHub上探索其他关于OpenAI MCP的示例。
链接：https://github.com/openai/openai-agents-python/tree/main/examples/mcp
使用Agents SDK的MCP集成的一个优点是它在OpenAI的控制面板中内置的MCP智能体监控系统。该功能会自动捕捉你的智能体的MCP操作，例如工具列表、POST响应以及获取有关函数调用的数据。下图展示了运行上述代码后，本节中Git MCP示例的追踪信息。你可以从OpenAI的控制面板中访问所有已记录的信息。
10
Praison AI是一个基于Python的人工智能框架，用于构建智能体。它提供了最简单的方法，将MCP服务器工具加入智能体工作流，仅需一行代码，就像为智能体配备传统工具一样。下面的示例将Airbnb的MCP服务器与Praison AI智能体集成，使用Streamlit界面帮助用户在指定地点寻找公寓。
要使用Praison AI创建你的第一个MCP代理，大家应当安装以下软件包：
pip install streamlit mcp praisonaiagents
然后，使用以下命令导出你的OpenAI API密钥：exportOPENAI_API_KEY=sk-...
import streamlit as stfrom praisonaiagents import Agent, MCP
st.title("? Airbnb Booking Assistant")
# Create the agent@st.cache_resourcedef get_agent(): return Agent( instructions="""You help book apartments on Airbnb.""", llm="gpt-4o-mini", tools=MCP("npx -y @openbnb/mcp-server-airbnb --ignore-robots-txt") )
# Initialize chat historyif "messages" not in st.session_state: st.session_state.messages = []
# Display chat historyfor message in st.session_state.messages: with st.chat_message(message["role"]): st.markdown(message["content"])
# User input formwith st.form("booking_form"): st.subheader("Enter your booking details")
destination = st.text_input("Destination:", "Paris")
col1, col2 = st.columns(2) with col1: check_in = st.date_input("Check-in date") with col2: check_out = st.date_input("Check-out date")
adults = st.number_input("Number of adults:", min_value=1, max_value=10, value=2)
submitted = st.form_submit_button("Search for accommodations")
if submitted: search_agent = get_agent()
query = f"I want to book an apartment in {destination} from {check_in.strftime('%m/%d/%Y')} to {check_out.strftime('%m/%d/%Y')} for {adults} adults"
st.session_state.messages.append({"role": "user", "content": query})
with st.chat_message("user"): st.markdown(query)
with st.chat_message("assistant"): with st.spinner("Searching for accommodations..."): response = search_agent.start(query) st.markdown(response)
st.session_state.messages.append({"role": "assistant", "content": response})
# Allow for follow-up questionsif st.session_state.messages: prompt = st.chat_input("Ask a follow-up question about the accommodations") if prompt: search_agent = get_agent()
st.session_state.messages.append({"role": "user", "content": prompt})
with st.chat_message("user"): st.markdown(prompt)
with st.chat_message("assistant"): with st.spinner("Thinking..."): response = search_agent.start(prompt) st.markdown(response)
st.session_state.messages.append({"role": "assistant", "content": response})
运行示例代码将调用所需的 Airbnb MCP 工具，为大家查找特定位置的公寓，如下所示。 tools=MCP("npx -y @openbnb/mcp-server-airbnb --ignore-robots-txt")我们就可以为代理添加MCP支持，其中npx代表运行启动MCP服务器的命令，-y是传递给该命令的命令行参数。有关更多信息，请参考OpenAI Agents SDK文档。
11
LangChain支持使用工具调用（tool-calling）与MCP集成。这种支持允许你设置Python函数，以访问不同的MCP服务器并获取工具，从而在AI项目中执行各种任务。以下示例代码连接到一个安全的MCP文件系统服务器，使大型语言模型（LLM）能够准确回答你提供的任何文件相关的问题。# Copyright (C) 2024 Andrew Wason# SPDX-License-Identifier: MIT
import asyncioimport pathlibimport sysimport typing as t
from langchain_core.messages import AIMessage, BaseMessage, HumanMessagefrom langchain_core.output_parsers import StrOutputParserfrom langchain_core.tools import BaseToolfrom langchain_groq import ChatGroqfrom mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_client
from langchain_mcp import MCPToolkit
asyncdefrun(tools: list[BaseTool], prompt: str) -> str: model = ChatGroq(model_name="llama-3.1-8b-instant", stop_sequences=None) tools_map = {tool.name: tool for tool in tools} tools_model = model.bind_tools(tools) messages: list[BaseMessage] = [HumanMessage(prompt)] ai_message = t.cast(AIMessage, await tools_model.ainvoke(messages)) messages.append(ai_message)for tool_call in ai_message.tool_calls: selected_tool = tools_map[tool_call["name"].lower()] tool_msg = await selected_tool.ainvoke(tool_call) messages.append(tool_msg)returnawait (tools_model | StrOutputParser()).ainvoke(messages)
asyncdefmain(prompt: str) -> None: server_params = StdioServerParameters( command="npx", args=["-y", "@modelcontextprotocol/server-filesystem", str(pathlib.Path(__file__).parent.parent)], )asyncwith stdio_client(server_params) as (read, write):asyncwith ClientSession(read, write) as session: toolkit = MCPToolkit(session=session)await toolkit.initialize() response = await run(toolkit.get_tools(), prompt)print(response)
if __name__ == "__main__": prompt = sys.argv[1] iflen(sys.argv) > 1else"Read and summarize the file ./readme.md" asyncio.run(main(prompt))
pip install streamlit mcp praisonaiagents
pm install -g @modelcontextprotocol/server-filesystem
所有必需的包安装完毕后，如果你向项目中添加了一个文件，并在 Python 脚本中按照示例代码（如上所示的 ./readme.md）引用它，你应该会看到类似如下的输出。
12
Chainlit 是一个用于用 Python 构建 AI 应用的平台。它内置支持 MCP 服务器，因此你可以配置你的应用程序以发现可用的 MCP 工具，并将工具调用集成到应用流程中，以实现更优的效果。你还可以将 Chainlit 应用与服务器推送事件（SSE）和命令行（stdio）等服务进行集成。在以下示例中，我们将把一个 Chainlit 应用连接到 Linear MCP 服务器，以便应用可以管理 Linear 的问题、项目和团队。你可以使用本示例中的 Linear 工具创建、更新、搜索或获取用户问题，或在问题中添加评论。首先，我们需要注册 MCP 连接：在此步骤中，你应当实现 Chainlit异步函数on_mcp_connect，以建立成功的连接。你还可以实现函数on_mcp_disconnect来进行清理工作。# pip install chainlit
import chainlit as clfrom mcp import ClientSession
@cl.on_mcp_connectasyncdefon_mcp_connect(connection, session: ClientSession):"""Called when an MCP connection is established"""# Your connection initialization code here# This handler is required for MCP to work
@cl.on_mcp_disconnectasyncdefon_mcp_disconnect(name: str, session: ClientSession):"""Called when an MCP connection is terminated"""# Optional handler: Cleanup your code here
其次，需要配置 MCP 客户端（Chainlit、LangChain、Mastra）：为了让 MCP 服务器与 Chainlit 应用正常工作，客户端应通过 Chainlit 的界面提供连接信息。npx -y linear-mcp-server --tools=all --api-key=lin_api_your_linear_API_Key
建立 MCP 服务器连接后，大家可以在 MCP 会话中执行工具。最终，你可以通过工具调用，将 MCP 工具无缝集成到你的 Chainlit 应用的模型或代理（agents）中。你可以在 GitHub 上的 Chainlit 示例应用中找到此 Linear MCP 集成的完整源代码。代码链接：https://github.com/Chainlit/cookbook/tree/main/mcp-linear
13
Agno 是一个用于构建复杂代理工作流的 Python 框架。它因其简洁、易用以及与 MCP 服务器的无缝集成而受到欢迎。本节的示例 MCP 实现与由四个不同的贡献代理组成的多智能体团队协作，包括 Airbnb、Google Maps、网络搜索和天气 MCP 代理。这些 Agno 多智能体协作，旨在提供关于特定地点旅行的信息。
# Define server parameters airbnb_server_params = StdioServerParameters( command="npx", args=["-y", "@openbnb/mcp-server-airbnb", "--ignore-robots-txt"], env=env, )
maps_server_params = StdioServerParameters( command="npx", args=["-y", "@modelcontextprotocol/server-google-maps"], env=env )
# Use contextlib.AsyncExitStack to manage multiple async context managersasyncwith contextlib.AsyncExitStack() as stack:# Create stdio clients for each server airbnb_client, _ = await stack.enter_async_context(stdio_client(airbnb_server_params)) maps_client, _ = await stack.enter_async_context(stdio_client(maps_server_params))
# Create all agents airbnb_agent = Agent( name="Airbnb", role="Airbnb Agent", model=OpenAIChat("gpt-4o"), tools=[airbnb_client], instructions=dedent("""\ You are an agent that can find Airbnb listings for a given location.\ """), add_datetime_to_instructions=True, )
从Agno的GitHub仓库获取完整的源代码。安装所需的包，完成所有上述配置，然后运行完整的GitHub示例代码，应该会显示类似于此预览的输出。代码链接：https://github.com/agno-agi/agno/blob/main/cookbook/examples/teams/coordinate/travel_planner_mcp_team.py
14
Upsonic是一个用于创建AI智能体的Python框架。使用Upsonic，您可以构建您的代理，定义代理的任务，并使用MCP工具处理每个任务定义，正如下面的示例代码所演示的那样。import osfrom dotenv import load_dotenvfrom upsonic import Task, Agent, Directfrom upsonic.client.tools import Search
# Load environment variables from .env fileload_dotenv()
# Get the OpenAI API key from environment variablesopenai_api_key = os.getenv("OPENAI_API_KEY")ifnot openai_api_key:raise ValueError("OPENAI_API_KEY not found in .env file")
# Set your OpenAI API key for the sessionos.environ["OPENAI_API_KEY"] = openai_api_key
# Define the HackerNews MCP tool# Using the correct MCP setup for HackerNews based on Upsonic documentationclassHackerNewsMCP: command = "uvx" args = ["mcp-hn"]# No environment variables are needed for this MCP
# Create a task to analyze the latest HackerNews stories# Adding Search as a fallback in case HackerNews MCP failstask = Task("Analyze the top 5 HackerNews stories for today. Provide a brief summary of each story, ""identify any common themes or trends, and highlight which stories might be most relevant ""for someone interested in AI and software development.", tools=[HackerNewsMCP, Search] )
# Create an agent specialized in tech news analysisagent = Agent("Tech News Analyst", company_url="https://news.ycombinator.com/", company_objective="To provide insightful analysis of tech industry news and trends")
# Execute the task with the agent and print the resultsprint("Analyzing HackerNews stories...")agent.print_do(task)
# Alternatively, you can use a Direct LLM call if the task is straightforward# print("Direct analysis of HackerNews stories...")# Direct.print_do(task)
# If you want to access the response programmatically:# agent.do(task)# result = task.response# print(result)
在上述示例中，我们在Upsonic中创建了一个AI智能体，用于获取Hackernews中最新的五条新闻。如果你执行pip install upsonic并运行上面的Python代码，你应该会看到类似于此图片的输出。本教程向大家介绍了MCP，并解释了为什么它在开发者社区中变得如此流行。除了上述内容，我们还在六种不同的Python和TypeScript框架中实现了MCP，用于构建基于大语言模型（LLM）的应用、AI助手和智能体。然而，MCP的强大之处也伴随着一些挑战。当你为你的项目寻找MCP工具时，可能会发现难以评估或验证其质量，也难以确定其在你的AI项目中的具体应用。这是因为其工具的搜索和发现机制尚未标准化。此外，由于不同的MCP服务器提供商使用不同的架构，其配置也无法提供一致的用户体验。目前，MCP生态系统正在讨论标准化其各个方面。未来，可能会有一种标准化的方式来安装基于MCP的应用，就像我们用pip安装Python包一样。
粤ICP备14082021号
免费POC，
零成本试错
