网页升级访问紧急通知狼宁波seo推广费用

网页升级访问紧急通知狼,宁波seo推广费用,用照片做视频的网站好,网站等级保护测评必须做吗简介 本文详细介绍了如何将MCP技术与LangChain框架集成#xff0c;通过4个实战示例展示了两种MCP通信模式#xff08;SSE和Stdio#xff09;与两种LangChain Agent创建方式#xff08;经典方式和1.0版本的create_agent函数#xff09;的组合应用。文章提供了完整的代码实…简介本文详细介绍了如何将MCP技术与LangChain框架集成通过4个实战示例展示了两种MCP通信模式SSE和Stdio与两种LangChain Agent创建方式经典方式和1.0版本的create_agent函数的组合应用。文章提供了完整的代码实现和部署指南帮助开发者利用丰富的MCP服务扩展AI Agent功能构建更强大、更灵活的应用程序。MCP 技术毋须多言了上半年火的一塌糊涂现在进入冷静期了。langchain 本身就很方便的集成进程内的工具但是加上 MCP 的功能就如虎添翼可以充分利用网上上万的 MCP 的服务。langchain 自从上个月融资了 1.25 亿美元之后资金充足也更加有动力推进产品的演化相继发布了 langchain/langgraph 1.0 的版本。 langchain 1.0 中统一了 agent 的创建使用create_agent代替之前的create_tool_calling_agent、create_react_agent、create_json_agent、create_xml_agent等。这篇文章介绍 2MCP 的两种模式 sse、stdio x 2 (经典的 langchain agent 和 1.0 最新版 create_agent 两个模式)一共 4 个例子介绍了 langchain 如何使用 MCP 工具丰富其功能。先决条件在运行这些示例之前请确保您已安装必要的库。您通常可以使用 pip 进行安装pip install langchain langchain-openai langchain-classic langchain-mcp-adapters mcp此外请确保您的环境中已安装python3。共同组件这两个示例都共享几个核心组件和一个共同目标使用 LangChain Agent 通过 MCP 服务器提供的工具来回答一个简单的数学问题。LLM 配置两个示例都使用ChatOpenAI配置为deepseek-v3模型温度为0。 这是我使用百度云上提供的 deepseek 服务你要是使用 deepseek 官方的服务需要修改模型为deepseek-chat。 我已经把 KEY 和调用地址配置在环境变量中了,所以在代码中不用显示指定export OPENAI_API_KEYbce-v3/abcsfsfdskgergerthntjrweeuidfu8324refbif3export OPENAI_API_BASEhttps://qianfan.baidubce.com/v2创建模型对象llm ChatOpenAI(modeldeepseek-v3, temperature0)Agent 提示ChatPromptTemplate用于定义 Agent 的角色并构建对话。它包括一个系统消息、可选的聊天历史记录、人类输入以及 Agent 暂存区用于规划其行动的占位符。plaintextprompt ChatPromptTemplate.from_messages( [ (“system”, “你是一个可以使用工具的得力助手。 தயவுசெய்து கருவிகளைப் பயன்படுத்தவும்.”), MessagesPlaceholder(“chat_history”, optionalTrue), (“human”, “{input}”), MessagesPlaceholder(“agent_scratchpad”), ])Agent 创建和执行create_tool_calling_agent函数用于构建能够使用工具的 Agent AgentExecutor用于运行 Agent 。plaintextagent create_tool_calling_agent(llm, tools, prompt)agent_executor AgentExecutor(agentagent, toolstools, verboseTrue) # SSE 示例中 verboseFalse任务 Agent 被调用输入为“123 456 等于多少”。MCP 服务Stdio 服务import asynciofrom mcp.server import FastMCP# 创建一个服务器实例server FastMCP(namemath_server, log_levelERROR)# 定义并注册 add 工具server.tool()def add(a: int, b: int) - int: 将两个整数相加。 return a basync def main(): await server.run_stdio_async()if __name__ __main__: asyncio.run(main())sse 服务import asynciofrom typing import Annotatedfrom mcp.server import FastMCP# 创建一个服务器实例server FastMCP(namemath_server, instructions一个可以做加法的简单数学服务器。, log_levelERROR)# 定义并注册 add 工具server.tool()def add( a: Annotated[int, 第一个整数], b: Annotated[int, 第二个整数]) - int: 将两个整数相加。 return a basync def main(): await server.run_sse_async()if __name__ __main__: asyncio.run(main())示例 1example_1_mcp_tool_stdio.py标准 I/O 通信此示例演示了如何设置一个 MCP 服务器该服务器通过标准输入和输出流与客户端通信。这适用于本地、单进程交互其中服务器可以作为子进程生成。目的example_1_mcp_tool_stdio.py脚本展示了如何定义一个通过 stdio 暴露工具的 MCP 服务器。创建一个stdio_client来连接到此服务器。将服务器提供的工具加载到 LangChain Agent 中。使用 Agent 解决需要加载工具的问题。关键组件和代码import asyncioimport osfrom pathlib import Pathfrom langchain_openai import ChatOpenAIfrom langchain_classic.agents import AgentExecutor, create_tool_calling_agentfrom langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholderfrom langchain_mcp_adapters.tools import load_mcp_toolsfrom mcp.client.stdio import stdio_clientfrom mcp import ClientSession, StdioServerParametersasync def run_mcp_tool_example(): # ... (LLM 和提示设置如共同组件中所述) ... # 1. 定义 MCP 数学服务器的路径 # 此行构建了 stdio 数学服务器脚本的绝对路径。 # Path(__file__).parent 获取当前脚本的目录。 mcp_server_path Path(__file__).parent / mcp_math_server_stdio.py # 2. 为 MCP 服务器设置 stdio 客户端参数 # StdioServerParameters 指定如何运行 MCP 服务器。 # commandpython3 指示解释器。 # args[str(mcp_server_path)] 提供要作为参数执行的脚本。 server_params StdioServerParameters( commandpython3, args[str(mcp_server_path)], ) # 3. 建立 stdio 客户端会话 # stdio_client(server_params) 创建一个异步上下文管理器 # 它生成服务器进程并提供用于通信的读/写流。 async with stdio_client(server_params) as (read, write): # 4. 创建 MCP 客户端会话 # ClientSession 通过提供的读/写流管理 MCP 协议。 async with ClientSession(read, write) as session: # 5. 初始化连接 # 此步骤对于客户端和服务器建立 MCP 连接至关重要。 await session.initialize() # 6. 从 MCP 服务器获取工具 # load_mcp_tools(session) 从 MCP 服务器获取工具定义 # 并将它们转换为 LangChain 兼容的工具对象。 tools await load_mcp_tools(session) # ... ( Agent 创建和执行如共同组件中所述) ... print(正在调用 agent 回答一个数学问题...) response await agent_executor.ainvoke( {input: 123 456 等于多少, chat_history: []} ) print(fAgent 回答: {response[output]})if __name__ __main__: asyncio.run(run_mcp_tool_example())如何运行要运行此示例只需执行 Python 脚本python3 example_1_mcp_tool_stdio.py您将看到 Agent 的思考过程和最终答案打印到控制台。示例 2example_1_mcp_tool_sse.py服务器发送事件通信此示例演示了如何集成一个 MCP 服务器该服务器通过 HTTP 上的服务器发送事件SSE暴露其工具。此方法更适用于工具服务器可能是独立网络服务的情况。目的example_1_mcp_tool_sse.py脚本展示了如何将 MCP SSE 服务器作为单独的进程启动。创建一个MultiServerMCPClient来连接到此基于 HTTP 的服务器。将服务器提供的工具加载到 LangChain Agent 中。使用 Agent 解决需要加载工具的问题。关键组件和代码演练import asyncioimport osfrom pathlib import Pathimport sysfrom langchain_openai import ChatOpenAIfrom langchain_classic.agents import AgentExecutor, create_tool_calling_agentfrom langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholderfrom langchain_mcp_adapters.client import MultiServerMCPClientasync def run_mcp_tool_example(): # ... (LLM 和提示设置如共同组件中所述) ... # 1. 启动 MCP 数学服务器作为子进程 # 这将 mcp_math_server_sse.py 脚本作为单独的 Python 进程启动。 # sys.executable 确保使用正确的 Python 解释器。 # stdoutasyncio.subprocess.PIPE 和 stderrasyncio.subprocess.PIPE # 捕获子进程的输出尽管此处未明确读取。 mcp_server_path Path(__file__).parent / mcp_math_server_sse.py server_process await asyncio.create_subprocess_exec( sys.executable, str(mcp_server_path), stdoutasyncio.subprocess.PIPE, stderrasyncio.subprocess.PIPE, ) # 2. 等待服务器启动 # 添加一个小的延迟以使 SSE 服务器有时间初始化并开始监听。 await asyncio.sleep(5) # 3. 为 MCP 服务器设置客户端 # MultiServerMCPClient 用于基于 HTTP 的 MCP 服务器。 # 它接受一个字典其中键是服务器名称例如“math”值 # 指定传输类型“sse”和 SSE 端点的 URL。 client MultiServerMCPClient( { math: { transport: sse, url: http://localhost:8000/sse, }, } ) # 4. 从 MCP 服务器获取工具 # client.get_tools() 连接到指定的 SSE 端点 # 检索工具定义并将其作为 LangChain 工具提供。 tools await client.get_tools() # ... ( Agent 创建和执行如共同组件中所述) ... print(正在调用 agent 回答一个数学问题...) response await agent_executor.ainvoke( {input: 123 456 等于多少, chat_history: []} ) print(fAgent 回答: {response[output]}) # 5. 终止服务器进程 # 通过终止已启动的子进程进行清理非常重要。 server_process.terminate() await server_process.wait()if __name__ __main__: asyncio.run(run_mcp_tool_example())如何运行要运行此示例只需执行 Python 脚本python3 example_1_mcp_tool_sse.py您将看到 Agent 的思考过程和最终答案打印到控制台。请注意在此示例中AgentExecutor的verbose标志设置为False以避免 SSE 服务器子进程产生过多的输出。比较Stdio 与 SSEStdio标准 I/O简单性更易于设置本地、单机通信。执行MCP 服务器通常作为客户端应用程序的子进程生成。用例适用于紧密耦合的组件或者当您希望将工具服务器直接与应用程序捆绑时。SSE服务器发送事件灵活性允许 MCP 服务器作为独立的网络服务运行可能在不同的机器上。可伸缩性可以成为更大微服务架构的一部分。执行客户端连接到正在运行的 HTTP 端点。服务器需要单独启动如示例中通过asyncio.create_subprocess_exec所示。用例适用于分布式系统、基于 Web 的应用程序或者当工具服务器需要被多个客户端访问时。这两种方法都有效地允许 LangChain Agent 发现和利用使用多客户端协议定义的工具从而为这些工具的部署和访问提供了灵活性。这两个示例都是 langchain 经典的 Agent 开发模型他们演示了 langchain 将 MCP 工具与 LangChain Agent 集成的强大功能和灵活性。无论它们是通过 stdio 还是 SSE 暴露。这使得健壮且可伸缩的 Agent 应用程序成为可能。接下来我介绍如何使用 Langchain 1.0 中新的create_agent函数来构建 Agent 并将其与 MCP 工具集成。与之前的示例不同create_agent提供了一种更简洁的方式来定义 Agent 直接接受 LLM 模型、工具列表和系统提示并返回一个可流式传输的图graph对象。示例 3使用 Langchain 1.0 create_agent 的 MCP SSE 工具集成此示例展示了如何将 MCP SSE 服务器提供的工具与 Langchain 1.0 的create_agent函数结合使用。它演示了如何启动 SSE 服务器、获取工具然后使用新的 Agent 创建和调用模式来解决数学问题。import asyncioimport osfrom pathlib import Pathimport sysfrom langchain_openai import ChatOpenAIfrom langchain.agents import create_agentfrom langchain_mcp_adapters.client import MultiServerMCPClientasync def run_mcp_sse_new_agent_example(): server_process None try: # 启动 MCP 数学服务器作为子进程 mcp_server_path Path(__file__).parent / mcp_math_server_sse.py server_process await asyncio.create_subprocess_exec( sys.executable, str(mcp_server_path), stdoutasyncio.subprocess.PIPE, stderrasyncio.subprocess.PIPE, ) # 等待服务器启动 await asyncio.sleep(5) # 为 MCP 服务器设置客户端 client MultiServerMCPClient( { math: { transport: sse, url: http://localhost:8000/sse, }, } ) # 从 MCP 服务器获取工具 tools await client.get_tools() # 使用用户偏好配置 LLM llm ChatOpenAI(modeldeepseek-v3, temperature0) # 创建一个 agent graph create_agent( modelllm, toolstools, system_prompt你是一个可以使用工具的得力助手。 தயவுசெய்து கருவிகளைப் பயன்படுத்தவும்., ) print(正在调用 agent 回答一个数学问题...) inputs {messages: [{role: user, content: 123 456 等于多少}]} async for chunk in graph.astream(inputs, stream_modeupdates): print(chunk) finally: if server_process and server_process.returncode is None: print(\nTerminating server process...) server_process.terminate() await server_process.wait() elif server_process and server_process.returncode is not None: print(f\nServer process exited with code: {server_process.returncode}) if server_process and server_process.stderr: stderr_output await server_process.stderr.read() if stderr_output: print(\nServer stderr output:) print(stderr_output.decode())if __name__ __main__: asyncio.run(run_mcp_sse_new_agent_example())示例 4使用 Langchain 1.0 create_agent 的 MCP Stdio 工具集成此示例演示了如何将 MCP Stdio 服务器提供的工具与 Langchain 1.0 的create_agent函数结合使用。它展示了如何通过 stdio 客户端连接到服务器、获取工具然后使用新的 Agent 创建和调用模式来解决数学问题。import asyncioimport osfrom pathlib import Pathfrom langchain_openai import ChatOpenAIfrom langchain.agents import create_agentfrom langchain_mcp_adapters.tools import load_mcp_toolsfrom mcp.client.stdio import stdio_clientfrom mcp import ClientSession, StdioServerParametersasync def run_mcp_stdio_new_agent_example(): # 定义 MCP 数学服务器的路径 mcp_server_path Path(__file__).parent / mcp_math_server_stdio.py # 为 MCP 服务器设置 stdio 客户端 server_params StdioServerParameters( commandpython3, args[str(mcp_server_path)], ) async with stdio_client(server_params) as (read, write): async with ClientSession(read, write) as session: # 初始化连接 await session.initialize() # 从 MCP 服务器获取工具 tools await load_mcp_tools(session) # 使用用户偏好配置 LLM llm ChatOpenAI(modeldeepseek-v3, temperature0) # 创建一个 agent graph create_agent( modelllm, toolstools, system_prompt你是一个可以使用工具的得力助手。 தயவுசெய்து கருவிகளைப் பயன்படுத்தவும்., ) print(正在调用 agent 回答一个数学问题...) inputs {messages: [{role: user, content: 123 456 等于多少}]} async for chunk in graph.astream(inputs, stream_modeupdates): print(chunk)if __name__ __main__: asyncio.run(run_mcp_stdio_new_agent_example())读者福利如果大家对大模型感兴趣这套大模型学习资料一定对你有用对于0基础小白入门如果你是零基础小白想快速入门大模型是可以考虑的。一方面是学习时间相对较短学习内容更全面更集中。二方面是可以根据这些资料规划好学习计划和方向。包括大模型学习线路汇总、学习阶段大模型实战案例大模型学习视频人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】AI大模型学习路线汇总大模型学习路线图整体分为7个大的阶段全套教程文末领取哈第一阶段从大模型系统设计入手讲解大模型的主要方法第二阶段在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用第三阶段大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统第四阶段大模型知识库应用开发以LangChain框架为例构建物流行业咨询智能问答系统第五阶段大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型第六阶段以SD多模态大模型为主搭建了文生图小程序案例第七阶段以大模型平台应用与开发为主通过星火大模型文心大模型等成熟大模型构建大模型行业应用。大模型实战案例光学理论是没用的要学会跟着一起做要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。大模型视频和PDF合集观看零基础学习书籍和视频看书籍和视频学习是最快捷也是最有效果的方式跟着视频中老师的思路从基础到深入还是很容易入门的。学会后的收获• 基于大模型全栈工程实现前端、后端、产品经理、设计、数据分析等通过这门课可获得不同能力• 能够利用大模型解决相关实际项目需求大数据时代越来越多的企业和机构需要处理海量数据利用大模型技术可以更好地处理这些数据提高数据分析和决策的准确性。因此掌握大模型应用开发技能可以让程序员更好地应对实际项目需求• 基于大模型和企业数据AI应用开发实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能学会Fine-tuning垂直训练大模型数据准备、数据蒸馏、大模型部署一站式掌握• 能够完成时下热门大模型垂直领域模型训练能力提高程序员的编码能力大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握可以提高程序员的编码能力和分析能力让程序员更加熟练地编写高质量的代码。获取方式一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】