Production-Ready-Multi-Server-Model-Context-Protocol

# 🚀 面向生产的MCP多服务器模型上下文协议平台，使用FastMCP、LangGraph、LangChain和Groq Llama 3.3 一个面向生产的 **模型上下文协议（MCP）** 平台，展示了现代AI助手如何通过标准化的MCP服务器安全地发现、调用和编排多个外部工具。 该项目展示了一个完整的 **多服务器MCP架构**，使用 **FastMCP**、**LangChain MCP适配器**、**LangGraph ReAct智能体**、**Groq Llama 3.3** 和 **STDIO** 和 **可流式HTTP** 通信传输协议构建。 与传统AI应用程序不同，传统AI应用程序中工具与应用程序逻辑紧密耦合，该项目展示了AI模型如何与独立的MCP服务器动态通信，发现可用能力，智能调用工具，并通过标准化的协议通信产生上下文感知响应。 该存储库展示了 **模型上下文协议（MCP）** 如何通过将推理与执行分离，简化AI工具集成，实现可扩展、模块化、可重用和面向生产的AI架构。 --- # 📑 目录 - 🌟 项目亮点 - 📖 概述 - 🎯 项目目标 - 💼 业务问题 - 💡 解决方案 - 🏗️ 架构演进 - 🏗️ 系统架构 - ⚙️ 技术实现 - 🔄 端到端工作流 - 📸 截图 - 📥 安装 - 📁 项目结构 - 📚 涵盖的概念 - 🧩 工程挑战 - 🎯 展示的技能 - 🛠 技术栈 - 🚀 未来增强 - 📖 学习成果 - 📜 许可 --- # 🌟 项目亮点 ## 🚀 本项目展示的内容 - 模型上下文协议（MCP） - 多服务器MCP架构 - FastMCP服务器开发 - LangChain MCP客户端 - LangGraph ReAct智能体 - Groq Llama 3.3集成 - 动态工具发现 - 智能工具调用 - AI智能体编排 - 标准化的AI工具通信 - 可流式HTTP传输 - STDIO传输 - 多个独立的MCP服务器 - 模块化AI工具架构 - 企业AI集成模式 - 面向生产的AI工程 --- # 📖 概述 现代AI系统越来越多地依赖外部工具来执行现实世界的任务，例如检索天气信息、执行数学计算、访问数据库、搜索网络或与企业服务交互。 传统上，这些工具在应用程序代码中紧密集成，使得系统难以扩展、维护和扩展。 **模型上下文协议（MCP）**引入了一个标准化的通信层，使AI模型能够通过独立的MCP服务器发现和调用外部能力。 该项目展示了多个MCP服务器如何协同工作，同时保持完全独立。 与将所有功能嵌入单个AI应用程序中不同，专门的MCP服务器公开了可以被智能AI智能体动态发现和调用的工具。 实现展示了现代AI工程实践，包括： - 基于协议的AI通信 - 动态工具发现 - 模块化服务器架构 - 基于ReAct的推理 - 多服务器编排 - 标准化的AI工具接口 - 面向企业的AI集成 --- # 🎯 项目目标 该项目的主要目标是展示 **模型上下文协议（MCP）** 如何使AI助手能够通过标准化的基于协议的交互安全地与多个外部工具通信。 该项目关注： - 构建面向生产的MCP服务器 - 开发可重用的AI工具 - 实现多个独立的MCP服务器 - 展示基于协议的AI通信 - 集成LangGraph ReAct智能体 - 连接LangChain MCP客户端 - 支持多种传输机制 - 实现智能工具发现 - 构建可扩展的AI架构 与其将外部功能直接硬编码到AI应用程序中，该项目展示了智能体如何动态发现和调用通过MCP服务器公开的专用工具。 --- # 💼 业务问题 现代企业AI应用程序通常需要访问外部服务，例如： - 天气API - 数学计算 - 数据库 - 搜索引擎 - 内部企业服务 - 文档存储库 - 商业智能系统 - 第三方API 将每个外部集成直接嵌入到AI应用程序中会带来几个挑战： - 紧密耦合 - 可扩展性差 - 维护困难 - 可重用性有限 - 部署复杂 - 工具管理困难 - 模块性降低 - 供应商特定集成 随着AI生态系统的不断增长，组织需要一种标准化的协议，使AI模型能够与外部工具通信，而无需将业务逻辑与各个应用程序紧密耦合。 --- # 💡 解决方案 该项目通过实现一个完整的 **多服务器模型上下文协议（MCP）平台** 来解决这些挑战。 与其将外部功能直接嵌入AI助手，不如由专门的MCP服务器独立公开可重用的工具，可以被动态发现和调用。 架构包括： ### 🤖 FastMCP服务器 独立的MCP服务器通过标准化的MCP接口公开专用能力，例如数学运算和天气信息。 --- ### 🔌 LangChain MCP客户端 LangChain MCP客户端与多个MCP服务器建立通信，并自动发现其可用工具。 --- ### 🧠 LangGraph ReAct智能体 LangGraph ReAct智能体根据用户请求智能地确定应调用哪些外部工具。 --- ### ⚡ 多服务器工具编排 AI助手可以同时与多个独立的MCP服务器通信，同时保持统一的推理工作流。 --- ### 🌐 标准化的通信 实现支持 **STDIO** 和 **可流式HTTP** 传输，展示了模型上下文协议在不同部署场景下的灵活性。 --- ### 🏗️ 模块化AI架构 每个MCP服务器保持完全独立，使系统更容易扩展、维护和扩展为附加的AI工具。 # 🏗️ 架构演进 该项目的主要优势之一在于它展示了现代AI应用程序如何从紧密耦合的工具集成演变为使用 **模型上下文协议（MCP）** 的标准化的基于协议的架构。 该项目展示了MCP生态系统的实际实现，其中多个独立的服务器公开了专用能力，而智能AI智能体动态发现和调用这些工具。 架构通过三个主要层演进： --- # 🔹 第一层 - 独立的MCP服务器 该项目的基础由多个独立的MCP服务器组成。 每个服务器负责通过模型上下文协议公开一组专用的工具。 示例包括： - 数学MCP服务器 - 天气MCP服务器 ### 特征 - 独立部署 - 模块化实现 - 标准化的MCP接口 - 可重用的工具 - 易于维护 - 高可扩展性 --- # 🔹 第二层 - 多服务器MCP客户端 与其直接调用Python函数，不如使用LangChain MCP客户端连接多个MCP服务器。 客户端自动： - 连接到多个MCP服务器 - 发现可用的工具 - 加载工具元数据 - 使工具可用于AI智能体 ### 特征 - 动态工具发现 - 多服务器连接 - 基于协议的通信 - 解耦架构 - 灵活的工具管理 --- # 🔹 第三层 - 智能AI智能体 在最高级别，LangGraph ReAct智能体执行推理。 与其由开发人员决定应该执行哪个工具，不如由AI智能体： - 理解用户请求 - 选择适当的MCP工具 - 调用外部服务器 - 接收结果 - 生成最终响应 这创建了一个生产风格的AI工作流，其中推理和执行保持完全分离。 --- # 🏛️ 多服务器架构比较 该项目展示了AI系统如何从传统的应用程序架构演变为标准化的基于协议的系统。 | 架构 | 工具访问 | 可扩展性 | 可重用性 | 面向企业 | |--------------|-------------|-------------|--------------|----------------------| | 传统AI应用程序 | 直接函数调用 | 低 | 低 | 有限 | | 单MCP服务器 | 基于协议 | 中等 | 高 | 良好 | | 多服务器MCP平台 | 动态工具发现 | 非常高 | 优秀 | 面向生产 | --- # 🌍 现实世界应用 该项目中展示的架构可以扩展到构建企业AI系统，例如： 🏢 企业知识助手 📊 商业智能平台 📈 金融分析系统 🌦 智能天气助手 🧮 科学计算平台 🏥 医疗保健决策支持 📚 教育AI辅导员 ⚖️ 法律研究系统 🛒 电子商务AI助手 🤖 企业AI自动化平台 🏦 银行AI助手 📑 内部公司知识机器人 --- # 🌟 为什么该项目脱颖而出 与外部功能紧密集成到应用程序代码中的传统AI应用程序不同，该项目展示了现代AI系统如何通过标准化的协议与外部能力通信。 实现展示了： - 模型上下文协议（MCP） - 多服务器AI架构 - FastMCP服务器开发 - LangChain MCP集成 - LangGraph ReAct智能体 - 动态工具发现 - 智能工具调用 - 标准化的AI通信 - 多种通信传输 - 模块化AI工程 这些架构模式与现代企业AI平台密切相关，通过标准化的接口公开可重用的能力，而不是将所有功能嵌入单个应用程序中。 --- # 📊 项目指标 | 指标 | 值 | |---------|-------| | AI框架 | LangGraph | | MCP框架 | FastMCP | | LLM框架 | LangChain | | 语言模型 | Groq Llama 3.3 | | MCP服务器 | 2 | | AI智能体 | ReAct智能体 | | 客户端架构 | MultiServerMCPClient | | 通信传输 | STDIO 和 可流式HTTP | | 工具发现 | 动态 | | 编程语言 | Python | | 开发环境 | Jupyter Notebook | --- # 🏗️ 系统架构 以下架构图说明了 **LangGraph ReAct智能体**、**LangChain MultiServerMCPClient** 和多个 **FastMCP服务器** 如何使用 **模型上下文协议（MCP）** 协同处理用户请求。 架构将推理、通信和执行分离为独立的组件，使系统模块化、可扩展，适用于面向生产的AI应用程序。 --- # 🖼️ 总体系统架构 该图提供了完整的AI工作流的高级概述。 <img width="1536" height="1024" alt="ChatGPT Image Jul 27, 2026, 08_06_06 PM" src="https://github.com/user-attachments/assets/ecc23a15-e8aa-4b8f-97a7-87515866772c" /> 工作流从用户请求开始，由LangGraph ReAct智能体处理。智能体与LangChain MultiServerMCPClient通信，以动态发现和调用由独立的FastMCP服务器公开的工具。执行结果返回给智能体，智能体生成最终的自然语言响应。 --- # 🖼️ 多服务器MCP通信流程 该图说明了AI智能体和MCP服务器之间的完整通信生命周期。 <img width="1536" height="1024" alt="ChatGPT Image Jul 27, 2026, 08_09_43 PM" src="https://github.com/user-attachments/assets/c7896812-b3b5-40c4-8968-c741f9fb40a5" /> MCP客户端自动发现可用的工具，选择适当的服务器，调用请求的能力，并通过标准化的MCP通信将执行结果返回给AI智能体。 --- # 🖼️ 多服务器部署架构 该部署图展示了多个MCP服务器如何独立运行，同时为公共AI应用程序提供服务。 <p align="center"> <img src="Architecture/Deployment_Architecture.png" width="95%"> </p> 每个FastMCP服务器都可以独立开发、部署、更新和扩展，使组织能够构建模块化的AI生态系统，并在无需修改现有服务的情况下引入新能力。 --- # 🖼️ 端到端工作流 以下工作流总结了从用户请求到生成响应的完整执行管道。 <p align="center"> <img src="Architecture/Workflow.png" width="95%"> </p> 智能体执行推理，确定是否需要外部工具，发现可用的MCP工具，调用适当的服务器，接收执行结果，并为用户合成最终响应。 --- # ✨ 关键架构亮点 - 通过模型上下文协议（MCP）进行标准化的通信 - 使用LangGraph ReAct智能体的智能推理 - 使用LangChain MultiServerMCPClient的动态工具发现 - 独立的FastMCP服务器公开可重用的能力 - 支持可扩展的AI生态系统的模块化架构 - 包括STDIO和可流式HTTP在内的多种传输机制 - 推理、通信和执行之间的清晰分离 - 遵循现代AI工程原则的面向生产的架构 --- # 1️⃣ 总体系统架构 ```text 用户 │ ▼ LangGraph ReAct智能体 │ ▼ LangChain MultiServerMCPClient ┌──────────────┴──────────────┐ │ │ ▼ ▼ FastMCP数学服务器 FastMCP天气服务器 │ │ ▼ ▼ 数学计算工具 天气信息工具 ``` LangGraph ReAct智能体执行推理，而LangChain MCP客户端与多个FastMCP服务器动态通信，以发现和调用外部工具。 --- # 2️⃣ 多服务器MCP通信 ```text 用户请求 │ ▼ AI智能体 │ ▼ 发现可用的MCP工具 │ ▼ 选择适当的工具 │ ▼ 调用MCP服务器 │ ▼ 执行工具 │ ▼ 返回工具结果 │ ▼ 生成最终响应 ``` 此通信工作流展示了推理如何通过标准化的MCP交互与执行保持分离。 --- # 3️⃣ 多服务器部署架构 ```text AI应用程序 │ ▼ 多服务器MCP客户端 ┌──────────────┴──────────────┐ │ │ ▼ ▼ 数学MCP服务器 天气MCP服务器 │ │ ▼ ▼ 算术API 天气工具API ``` 每个服务器独立运行，可以独立开发、部署和扩展，而不会影响其他服务。 --- # 4️⃣ 通信传输 该项目演示了MCP支持的两种不同的通信机制。 ### 🖥️ STDIO传输 适用于客户端作为子进程启动MCP服务器并通过标准输入/输出流进行通信的本地开发。 **优势** - 轻量级 - 本地执行速度快 - 配置最小 - 适用于开发 --- ### 🌐 可流式HTTP传输 适用于MCP服务器作为独立网络服务运行的分布式部署。 **优势** - 远程可访问性 - 独立部署 - 更好的可扩展性 - 面向企业的架构 - 云友好通信 实现展示了相同的MCP服务器如何支持不同的部署策略，而无需更改工具实现。 --- # ⚡ 技术栈概览 | 层 | 技术 | 责任 | |--------|------------|----------------| | 编程语言 | Python | 核心应用程序开发 | | AI框架 | LangGraph | AI智能体编排和推理 | | MCP框架 | FastMCP | 构建符合MCP的服务器 | | LLM集成 | LangChain | MCP客户端集成和工具管理 | | 语言模型 | Groq Llama 3.3 | 自然语言推理和决策 | | MCP客户端 | MultiServerMCPClient | 同时连接到多个MCP服务器 | | 通信 | 模型上下文协议（MCP） | AI智能体和外部工具之间的标准化通信 | | 传输 | STDIO 和 可流式HTTP | 本地和远程通信机制 | | 开发环境 | Jupyter Notebook | 交互式实验和开发 | 该项目展示了现代 **AI应用程序** 如何利用 **模型上下文协议（MCP）** 通过标准化的接口安全地与外部工具通信。 与其将每个功能直接嵌入AI应用程序中，不如由独立的 **FastMCP服务器** 公开可重用的工具，而 **LangGraph ReAct智能体** 执行推理，并通过 **LangChain MultiServerMCPClient** 动态调用适当的工具。 整体架构将 **推理**、**工具发现**、**通信** 和 **执行** 分离为独立的组件，从而形成一个模块化和可扩展的AI系统。 实现由以下主要组件组成： - FastMCP服务器 - LangChain MultiServerMCPClient - LangGraph ReAct智能体 - Groq Llama 3.3 - 动态工具发现 - 多种通信传输 - 独立的工具执行 --- # 执行流程 应用程序的完整执行流程可以概括如下： ```text 用户查询 │ ▼ LangGraph ReAct 代理 │ ▼ 推理与工具选择 │ ▼ LangChain 多服务器MCP客户端 │ ▼ 发现可用MCP工具 │ ▼ 调用合适FastMCP服务器 │ ▼ 执行工具 │ ▼ 返回结果 │ ▼ 生成最终响应 ``` 该流程突出了推理、通信和执行之间的清晰分离，同时演示了模型上下文协议如何实现AI代理和外部工具之间的标准化交互。 --- # FastMCP服务器 该项目的基础设施由多个 **FastMCP服务器** 组成。 每个服务器负责通过 **模型上下文协议** 公开一组专用的工具。 与所有功能驻留在单个代码库中的传统应用程序不同，每个MCP服务器保持独立且可重用。 当前MCP服务器包括： - 数学MCP服务器 - 天气MCP服务器 每个服务器都遵循MCP规范，允许AI应用程序发现和调用工具而无需自定义集成。 --- # 数学MCP服务器 数学MCP服务器通过标准化的MCP工具公开算术运算。 可用的功能包括： - 加法 - 减法 - 乘法 - 除法 这些计算不是在AI应用程序中直接实现的，而是由专用的MCP服务器执行。 ### 优势 - 可重用的数学服务 - 独立部署 - 标准化工具接口 - 易于扩展额外操作 - 更好的模块化 --- # 天气MCP服务器 天气MCP服务器演示了如何通过MCP公开外部信息服务。 天气服务器独立提供天气信息作为MCP工具，而不是将天气相关逻辑嵌入AI助手中。 ### 优势 - 独立服务架构 - 模块化部署 - 可重用的天气功能 - 易于与未来API集成 - 标准化通信 --- # LangChain 多服务器MCP客户端 该项目使用 **LangChain的多服务器MCP客户端** 与多个MCP服务器建立通信。 该客户端不是连接到单个工具提供程序，而是同时管理多个独立的MCP服务器。 其职责包括： - 连接到MCP服务器 - 发现可用工具 - 加载工具元数据 - 管理通信 - 调用外部工具 - 将结果返回给AI代理 这种抽象允许AI应用程序通过统一的接口与多个服务通信。 --- # LangGraph ReAct 代理 推理层使用 **LangGraph ReAct代理** 实现。 开发人员不是手动选择应该执行哪个工具，而是ReAct代理： - 理解用户意图 - 确定是否需要工具 - 选择合适的MCP工具 - 调用工具 - 解释结果 - 生成最终响应 这实现了智能决策，同时保持推理过程与工具执行独立。 --- # 动态工具发现 MCP的一个主要优势是 **动态工具发现**。 模型上下文协议的一个定义特征是 **动态工具发现**。 不是在AI应用程序中硬编码工具定义，而是MultiServerMCPClient自动查询连接的MCP服务器，检索每个公开功能的元数据，并使这些工具立即可用于LangGraph代理。 这种设计实现了即插即用可扩展性，可以在不修改应用程序推理逻辑的情况下引入额外的MCP服务器。 这允许AI应用程序： - 发现新工具 - 动态加载功能 - 在不修改应用程序逻辑的情况下扩展 - 支持即插即用集成 当引入新的MCP服务器时，客户端可以立即访问其公开的工具。 --- # 工具注册 每个FastMCP服务器使用MCP框架注册其工具。 每个注册的工具都包含： - 工具名称 - 描述 - 输入参数 - 返回类型 - 执行逻辑 此元数据使AI代理能够理解如何以及何时调用每个工具。 --- # 智能工具调用 当用户提交请求时，工作流程遵循以下步骤： 1. 接收用户查询 2. 分析用户意图 3. 确定是否需要外部工具 4. 发现可用的MCP工具 5. 选择最合适的工具 6. 调用相应的MCP服务器 7. 执行工具逻辑 8. 返回执行结果 9. 生成最终AI响应 这种智能路由允许AI助手在不紧密耦合应用程序逻辑与特定服务的情况下，利用外部功能。 --- # 通信传输 该项目演示了MCP支持的两种通信机制。 --- ## STDIO传输 STDIO通信主要用于本地开发。 在此模式下： - 客户端将MCP服务器作为子进程启动。 - 通过标准输入和输出流进行通信。 - 不需要HTTP服务器配置。 ### 优势 - 轻量级 - 最小化设置 - 快速本地执行 - 适用于开发和测试 --- ## 流式HTTP传输 流式HTTP使MCP服务器能够作为独立的网络服务运行。 不是本地子进程通信，而是客户端通过HTTP进行通信。 ### 优势 - 远程部署 - 独立扩展 - 面向服务的架构 - 云兼容性 - 企业级通信 支持多种传输方式展示了MCP协议在不同部署环境下的灵活性。 --- # Groq Llama 3.3集成 该项目将 **Groq Llama 3.3** 作为推理引擎，负责解释用户请求。 语言模型： - 理解用户意图 - 确定何时需要工具执行 - 协调推理 - 解释工具输出 - 生成自然语言响应 推理（LLM）和执行（MCP服务器）的分离提高了模块化和可维护性。 --- # 工具职责 每个MCP工具都有一个集中的职责，确保关注点的清晰分离。 | 工具 | 主要职责 | |------|------------------------| | 添加 | 执行数值加法 | | 减去 | 执行减法运算 | | 乘以 | 计算乘法 | | 除以 | 计算除法并适当处理 | | 天气 | 检索天气信息 | 每个工具都旨在独立、可重用，并通过模型上下文协议可发现。 --- # 核心技术 | 组件 | 目的 | |------------|---------| | Python | 编程语言 | | FastMCP | MCP服务器框架 | | 模型上下文协议 | 标准化的AI工具通信 | | LangChain | MCP客户端集成 | | 多服务器MCP客户端 | 多服务器连接 | | LangGraph | AI代理编排 | | ReAct代理 | 智能工具选择 | | Groq Llama 3.3 | 大型语言模型 | | STDIO传输 | 本地MCP通信 | | 流式HTTP | 远程MCP通信 | | Jupyter Notebook | 交互式开发环境 | --- # 端到端工作流程 ```text 用户请求 │ ▼ LangGraph ReAct代理 │ ▼ 分析用户意图和推理 │ ▼ 多服务器MCP客户端发现工具 │ ┌────────────┴────────────┐ │ │ ▼ ▼ FastMCP数学服务器 FastMCP天气服务器 │ │ ▼ ▼ 执行算术运算 检索天气数据 │ │ └────────────┬────────────┘ ▼ 返回工具结果 │ ▼ 生成最终AI响应 │ ▼ 返回给用户 ``` --- | 步骤 | 描述 | |------|-------------| | 1 | 用户提交自然语言请求 | | 2 | LangGraph ReAct代理分析请求 | | 3 | 多服务器MCP客户端发现可用的MCP工具 | | 4 | 选择最合适的工具 | | 5 | 相应的FastMCP服务器执行请求 | | 6 | 通过MCP返回执行结果 | | 7 | AI代理合成自然语言响应 | --- # 截图 ## 数学MCP服务器 演示一个专用的FastMCP服务器，通过模型上下文协议公开算术运算。 > *(在此处添加数学MCP服务器执行截图。)* --- ## 天气MCP服务器 演示一个专用的FastMCP服务器，通过模型上下文协议公开天气信息。 > *(在此处添加天气MCP服务器执行截图。)* --- ## 多服务器MCP客户端 显示LangChain多服务器MCP客户端与多个MCP服务器建立通信。 > *(在此处添加截图。)* --- ## LangGraph ReAct代理 说明AI代理动态选择和调用合适的MCP工具。 > *(在此处添加截图。)* --- ## 示例执行 显示一个示例对话，其中AI代理自动调用正确的MCP工具并生成最终响应。 > *(在此处添加一个或多个截图。)* --- # 安装 ## 克隆仓库 ```bash git clone https://github.com/Deepak-gogula03/Production-Ready-Multi-Server-Model-Context-Protocol-MCP.git ``` --- ## 导航到项目 ```bash cd Production-Ready-Multi-Server-Model-Context-Protocol-MCP ``` --- ## 创建虚拟环境 ### Windows ```bash python -m venv venv ``` ### Linux / macOS ```bash python3 -m venv venv ``` --- ## 激活虚拟环境 ### Windows ```bash venv\Scripts\activate ``` ### Linux / macOS ```bash source venv/bin/activate ``` --- ## 安装依赖 ```bash pip install -r requirements.txt ``` --- # 环境配置 在项目根目录下创建一个`.env`文件。 ```env GROQ_API_KEY=YOUR_GROQ_API_KEY ``` 如果在未来的增强中添加了额外的API集成，也可以通过同一个环境文件进行配置。 --- # 运行项目 ### 启动数学MCP服务器 ```bash python math_server.py ``` --- ### 启动天气MCP服务器 ```bash python weather_server.py ``` --- ### 运行LangGraph MCP客户端 ```bash python client.py ``` --- ### 执行笔记本 ```bash jupyter notebook ``` 或 ```bash jupyter lab ``` 打开笔记本并依次执行所有单元格，以探索完整的MCP工作流程。 --- # 项目结构 ```text Production-Ready-Multi-Server-Model-Context-Protocol-MCP/ │ ├── mathserver.py ├── weather.py ├── client.py ├── requirements.txt ├── README.md ├── .env ``` --- # 涵盖的概念 该项目演示了多个现代AI工程概念的实际实现。 - 模型上下文协议（MCP） - FastMCP - 多服务器架构 - LangChain MCP客户端 - 多服务器MCP客户端 - LangGraph ReAct代理 - AI工具调用 - 动态工具发现 - 基于协议的AI通信 - 模块化AI架构 - STDIO传输 - 流式HTTP传输 - 企业AI集成模式 --- # 解决的工程挑战 ## 挑战1 — 构建独立的AI工具 ### 方法 实现了多个FastMCP服务器，每个服务器通过模型上下文协议公开专用功能。 ### 结果 可重用和独立部署的AI工具。 --- ## 挑战2 — 动态工具发现 ### 方法 使用LangChain多服务器MCP客户端自动发现可用的MCP工具。 ### 结果 无需硬编码功能即可实现即插即用工具集成。 --- ## 挑战3 — 智能工具选择 ### 方法 集成了一个LangGraph ReAct代理，能够在选择MCP工具之前推理用户请求。 ### 结果 上下文感知工具调用和智能工作流执行。 --- ## 挑战4 — 标准化的AI通信 ### 方法 使用模型上下文协议连接AI代理和MCP服务器。 ### 结果 推理和执行之间的松散耦合。 --- ## 挑战5 — 支持多种通信机制 ### 方法 配置项目以支持STDIO和流式HTTP传输。 ### 结果 为本地和分布式环境提供灵活的部署选项。 --- # 展示的AI工程概念 ## 模型上下文协议 - MCP架构 - MCP工具注册 - 工具发现 - 工具调用 - 基于协议的通信 --- ## LangGraph - ReAct代理 - AI工作流 - 智能推理 - 代理决策 - 工具编排 --- ## LangChain - 多服务器MCP客户端 - MCP集成 - AI工具通信 - 外部工具连接 --- ## LLM工程 - 提示工程 - 工具调用 - 上下文感知推理 - AI决策 --- ## 软件工程 - 模块化设计 - 独立服务 - 可重用组件 - 关注点分离 - 可扩展架构 --- # 技术栈 | 组件 | 技术 | |-----------|------------| | 编程语言 | Python | | MCP框架 | FastMCP | | AI框架 | LangGraph | | LLM框架 | LangChain | | 语言模型 | Groq Llama 3.3 | | MCP客户端 | 多服务器MCP客户端 | | 通信 | STDIO和流式HTTP | | 开发环境 | Jupyter Notebook | --- # 未来增强 可以扩展该项目的潜在方向包括： - 数据库MCP服务器 - 文件系统MCP服务器 - 网络搜索MCP服务器 - SQL查询MCP服务器 - 向量数据库集成 - RAG启用MCP工具 - 人在环中审批工作流 - FastAPI部署 - Docker支持 - Kubernetes部署 - 身份验证和授权 - 基于角色的工具访问 - AI工具监控仪表板 - 多LLM支持 - 工具性能分析 --- # 为什么这个项目很重要 传统的AI应用程序通常依赖于紧密耦合的工具集成，随着系统的增长，维护变得越来越困难。 该项目演示了 **模型上下文协议（MCP）** 如何通过分离推理和执行并通过标准化接口公开功能来实现更清洁、更模块化的方法。 该实现展示了： - 多服务器MCP架构 - 动态工具发现 - FastMCP服务器开发 - LangGraph ReAct代理 - LangChain MCP集成 - 智能工具调用 - 标准化的AI通信 - 模块化AI工程 这些架构模式为构建可扩展、可维护和面向企业的AI系统奠定了基础，能够集成多样化的外部功能。 --- # 许可证 该项目在 **MIT许可证** 下获得许可。 您可以根据许可证条款自由使用、修改和分发该项目。 ---