v0.1.0

.gitignore

@@ -0,0 +1,11 @@
+# Python-generated files
+__pycache__/
+*.py[oc]
+build/
+dist/
+wheels/
+*.egg-info
+
+# Virtual environments
+.venv
+.env

.python-version

@@ -0,0 +1 @@
+3.13

README.md

@@ -0,0 +1,183 @@
+# LangChain Learning Project
+
+> 基于 LangChain 1.0.3 的 AI Agent 学习项目，展示如何使用 MCP (Model Context Protocol) 构建智能代理
+
+## 项目概述
+
+本项目是一个 LangChain 学习与实践项目，演示了如何构建具有外部工具调用能力的 AI Agent。通过集成 MCP 服务器，实现了对外部服务的调用，如天气查询、数学运算、学术搜索等功能。
+
+## 技术栈
+
+| 技术 | 版本 | 用途 |
+|------|------|------|
+| **LangChain** | 1.0.3 | 核心框架 |
+| **LangChain-Community** | 0.4.1 | 社区组件 |
+| **LangChain-MCP-Adapters** | ≥0.1.11 | MCP 客户端 |
+| **FastMCP** | ≥2.13.0 | MCP 协议实现 |
+| **LangChain-Ollama** | ≥1.0.0 | Ollama 本地模型 |
+| **LangGraph** | - | Agent 记忆组件 |
+
+## 项目结构
+
+```
+langchain-learning/
+├── agent/
+│   ├── langchain_agent.py          # MCP Agent (Ollama + weather + math)
+│   └── langchain_agent_tool_mcp.py  # 扩展 Agent (+ arxiv + wikipedia + 自定义工具)
+├── mcp/
+│   ├── math_server.py               # 数学运算 MCP 服务器 (stdio)
+│   └── get_weather_server.py        # 天气查询 MCP 服务器 (HTTP)
+├── ollama/
+│   └── ollama_demo.py               # Ollama 本地模型调用示例
+├── main.py                          # 程序入口
+├── pyproject.toml                   # 项目配置
+└── .env                             # 环境变量 (API Keys)
+```
+
+## 功能特性
+
+### MCP 服务器
+
+| 服务器 | 功能 | 传输方式 | 端口 |
+|--------|------|----------|------|
+| `math_server` | 加法、乘法运算 | stdio | - |
+| `weather_server` | 城市天气查询 | HTTP/SSE | 9000 |
+
+### 支持的 LLM
+
+| 模型 | 类型 | 调用方式 |
+|------|------|----------|
+| `gemma4:e2b` / `gemma4:26b` | Ollama 本地 | `langchain_ollama` |
+| `Qwen/Qwen3-14B` | SiliconFlow 云端 | OpenAI 兼容接口 |
+
+### 工具集成
+
+| 来源 | 工具 |
+|------|------|
+| **MCP Servers** | `get_weather`, `add`, `multiply` |
+| **内置 (load_tools)** | `arxiv`, `wikipedia` |
+| **自定义** | `greet(name)` |
+
+## 快速开始
+
+### 1. 安装依赖
+
+```bash
+uv sync
+```
+
+### 2. 配置环境变量
+
+编辑 `.env` 文件：
+
+```env
+# Ollama (本地)
+OLLAMA_API_KEY=ollama
+OLLAMA_BASE_URL=http://localhost:11434/v1
+
+# SiliconFlow (可选云端)
+SILICONFLOW_API_KEY=your_siliconflow_key
+SILICONFLOW_BASE_URL=https://api.siliconflow.cn/v1
+
+# 天气API
+WEATHER_API_KEY=your_weatherapi_key
+```
+
+### 3. 启动 MCP 服务器
+
+```bash
+# 终端 1: 启动天气服务器 (HTTP)
+python mcp/get_weather_server.py
+
+# 终端 2: 启动数学服务器 (stdio)
+python mcp/math_server.py
+```
+
+### 4. 运行 Agent
+
+```bash
+# Agent 1: Ollama + MCP (weather + math)
+python agent/langchain_agent.py
+
+# Agent 2: Ollama + MCP + 内置工具 + 自定义工具
+python agent/langchain_agent_tool_mcp.py
+```
+
+### 5. Ollama 直接调用示例
+
+```bash
+python ollama/ollama_demo.py
+```
+
+## 使用示例
+
+```
+请输入你的问题（输入exit则退出） > 北京天气怎么样
+
+计算过程:
+- 调用工具: get_weather({'city': '北京'})
+- get_weather 的结果是: {"location":{"name":"北京",...},"current":{"temp_c":22.0,...}}
+
+最终答案: 北京的天气晴朗，温度约22°C。
+```
+
+## Agent 对比
+
+| Agent | 模型 | MCP | 内置工具 | 自定义工具 |
+|-------|------|-----|----------|------------|
+| `langchain_agent.py` | Ollama | ✅ weather, math | ❌ | ❌ |
+| `langchain_agent_tool_mcp.py` | Ollama | ✅ weather, math | ✅ arxiv, wikipedia | ✅ greet |
+
+## 核心代码说明
+
+### MCP 客户端配置
+
+```python
+client = MultiServerMCPClient({
+    "weather": {
+        "url": "http://localhost:9000/mcp",
+        "transport": "streamable_http",
+    },
+    "math": {
+        "command": sys.executable,  # 使用当前解释器
+        "args": ["./mcp/math_server.py"],
+        "transport": "stdio"
+    }
+})
+```
+
+### Agent 创建
+
+```python
+from langchain.agents import create_agent
+from langgraph.checkpoint.memory import InMemorySaver
+
+agent = create_agent(
+    model=llm,
+    tools=tools,
+    checkpointer=InMemorySaver()  # 会话记忆
+)
+```
+
+## 依赖列表
+
+核心依赖见 `pyproject.toml`：
+
+- `langchain >= 1.0.3`
+- `langchain-community >= 0.4.1`
+- `langchain-mcp-adapters >= 0.1.11`
+- `langchain-ollama >= 1.0.0`
+- `fastmcp >= 2.13.0.2`
+- `wikipedia >= 1.4.0`
+- `arxiv >= 2.2.0`
+
+## 学习资源
+
+- [LangChain 官方文档](https://python.langchain.com/)
+- [MCP 协议规范](https://modelcontextprotocol.io/)
+- [LangChain GitHub](https://github.com/langchain-ai/langchain)
+- [FastMCP 文档](https://github.com/jlowin/fastmcp)
+
+## License
+
+MIT License

agent/langchain_agent.py

@@ -0,0 +1,113 @@
+import asyncio
+import logging
+import sys
+from langchain_openai import ChatOpenAI
+from langchain_mcp_adapters.client import MultiServerMCPClient
+import os
+import dotenv
+from langgraph.checkpoint.memory import InMemorySaver
+
+logging.basicConfig(
+    level=logging.DEBUG,
+    format="%(asctime)s - %(name)s - %(levelname)s - %(message)s"
+)
+
+dotenv.load_dotenv()
+
+## 设置环境变量
+os.environ['OPENAI_API_KEY'] = os.getenv("OLLAMA_API_KEY")
+os.environ['OPENAI_BASE_URL'] = os.getenv("OLLAMA_BASE_URL")
+
+# 默认的 'model_name': 'deepseek-ai/DeepSeek-V3.1',
+llm = ChatOpenAI(model="gemma4:e2b")
+
+
+def print_optimized_result(agent_response):
+    """
+        解析代理响应并输出优化后的结果。
+        :param agent_response: 代理返回的完整响应
+        """
+    messages = agent_response.get("messages", [])
+    steps = []  # 用于记录计算步骤
+    final_answer = None  # 最终答案
+
+    for message in messages:
+        if hasattr(message, "additional_kwargs") and "tool_calls" in message.additional_kwargs:
+            # 提取工具调用信息
+            tool_calls = message.additional_kwargs["tool_calls"]
+            for tool_call in tool_calls:
+                tool_name = tool_call["function"]["name"]
+                tool_args = tool_call["function"]["arguments"]
+                steps.append(f"调用工具: {tool_name}({tool_args})")
+        elif message.type == "tool":
+            # 提取工具执行结果
+            tool_name = message.name
+            tool_result = message.content
+            steps.append(f"{tool_name} 的结果是: {tool_result}")
+        elif message.type == "ai":
+            # 提取最终答案
+            final_answer = message.content
+
+    # 打印优化后的结果
+    print("\n计算过程:")
+    for step in steps:
+        print(f"- {step}")
+    if final_answer:
+        print(f"\n最终答案: {final_answer}")
+
+
+async def execute():
+    # 1. 创建langchain中的mcp客户端  ——  uv add langchain_mcp_adapters
+    client = MultiServerMCPClient(
+        #         mcp.run(transport="streamable-http", host="127.0.0.1", port=9000)
+        {
+            # 这里是定义服务端信息的，可以有多个服务端
+            "weather": {
+                "url": "http://localhost:9000/mcp",
+                "transport": "streamable_http",
+            },
+            "math": {
+                # "command": "python",  # npx uvx
+                "command": sys.executable,
+                "args": ["./mcp/math_server.py"],
+                "transport": "stdio"
+            }
+        }
+    )
+
+    try:
+        # 2. 通过客户端获取工具列表
+        ## 这里是通过服务端获取，所以可能会有异常（比如服务端没有启动，或者网络连接有问题
+        tools = await client.get_tools()
+
+        # 3. 创建一个智能代理，能够完成 思考--> 行动 --> 观察 --> 思考 --> 行动 --> ... --> 最终答案
+
+        from langchain.agents import create_agent
+        ## 创建一个带记忆和工具的agent
+        agent = create_agent(
+            model=llm,
+            tools=tools,
+            # 配置记忆后，必须增加thread_id, checkpoint_ns, checkpoint_id参数之一，用于区分会话
+            checkpointer=InMemorySaver()
+        )
+
+        while True:
+            user_input = input("请输入你的问题（输入exit则退出） > ")
+            if user_input == "exit":
+                print("感谢使用，再见👋🏻")
+                break
+            agent_response = await agent.ainvoke(
+                {"messages": [{"role": "user", "content": user_input}]},
+                {"configurable": {"thread_id": "1"}},
+            )
+            ## agent会自己去调用 tools ，不需要我们去进行调用
+            print_optimized_result(agent_response)
+
+    finally:
+        # 资源回收
+        if hasattr(client, 'close'):
+            client.close()
+
+
+if __name__ == '__main__':
+    asyncio.run(execute())

agent/langchain_agent_tool_mcp.py

@@ -0,0 +1,136 @@
+import asyncio
+import logging
+import sys
+from docutils.nodes import description
+from langchain_community.agent_toolkits.load_tools import load_tools
+from langchain_core.tools import tool
+from langchain_openai import ChatOpenAI
+from langchain_mcp_adapters.client import MultiServerMCPClient
+import os
+import dotenv
+from langgraph.checkpoint.memory import InMemorySaver
+from pydantic import BaseModel, Field
+
+logging.basicConfig(
+    level=logging.DEBUG,
+    format="%(asctime)s - %(name)s - %(levelname)s - %(message)s"
+)
+
+dotenv.load_dotenv()
+
+## 设置环境变量
+os.environ['OPENAI_API_KEY'] = os.getenv("OLLAMA_API_KEY")
+os.environ['OPENAI_BASE_URL'] = os.getenv("OLLAMA_BASE_URL")
+
+# 默认的 'model_name': 'deepseek-ai/DeepSeek-V3.1',
+llm = ChatOpenAI(model="gemma4:e2b")
+
+
+def print_optimized_result(agent_response):
+    """
+        解析代理响应并输出优化后的结果。
+        :param agent_response: 代理返回的完整响应
+        """
+    messages = agent_response.get("messages", [])
+    steps = []  # 用于记录计算步骤
+    final_answer = None  # 最终答案
+
+    for message in messages:
+        if hasattr(message, "additional_kwargs") and "tool_calls" in message.additional_kwargs:
+            # 提取工具调用信息
+            tool_calls = message.additional_kwargs["tool_calls"]
+            for tool_call in tool_calls:
+                tool_name = tool_call["function"]["name"]
+                tool_args = tool_call["function"]["arguments"]
+                steps.append(f"调用工具: {tool_name}({tool_args})")
+        elif message.type == "tool":
+            # 提取工具执行结果
+            tool_name = message.name
+            tool_result = message.content
+            steps.append(f"{tool_name} 的结果是: {tool_result}")
+        elif message.type == "ai":
+            # 提取最终答案
+            final_answer = message.content
+
+    # 打印优化后的结果
+    print("\n计算过程:")
+    for step in steps:
+        print(f"- {step}")
+    if final_answer:
+        print(f"\n最终答案: {final_answer}")
+
+
+def greet(name: str) -> str:
+    """用于打招呼的函数"""
+    return f"你好呀，{name}"
+
+
+class greetInput(BaseModel):
+    name: str = Field(description="打招呼的对象")
+
+
+async def execute():
+    # 1. 创建langchain中的mcp客户端  ——  uv add langchain_mcp_adapters
+    client = MultiServerMCPClient(
+        #         mcp.run(transport="streamable-http", host="127.0.0.1", port=9000)
+        {
+            # 这里是定义服务端信息的，可以有多个服务端
+            # 这里是定义服务端信息的，可以有多个服务端
+            "weather": {
+                "url": "http://localhost:9000/mcp",
+                "transport": "streamable_http",
+            },
+            "math": {
+                # "command": "python",  # npx uvx
+                "command": sys.executable,
+                "args": ["./mcp/math_server.py"],
+                "transport": "stdio"
+            }
+        }
+    )
+
+    try:
+        # 2. 通过客户端获取工具列表
+        ## 这里是通过服务端获取，所以可能会有异常（比如服务端没有启动，或者网络连接有问题
+        tools_mcp = await client.get_tools()
+
+        tools = tools_mcp + tools_internal + [tools_custom]
+        # 3. 创建一个智能代理，能够完成 思考--> 行动 --> 观察 --> 思考 --> 行动 --> ... --> 最终答案
+
+        from langchain.agents import create_agent
+        ## 创建一个带记忆和工具的agent
+        agent = create_agent(
+            model=llm,
+            tools=tools,
+            # 配置记忆后，必须增加thread_id, checkpoint_ns, checkpoint_id参数之一，用于区分会话
+            checkpointer=InMemorySaver()
+        )
+
+        while True:
+            user_input = input("请输入你的问题（输入exit则退出） > ")
+            if user_input == "exit":
+                print("感谢使用，再见👋🏻")
+                break
+            agent_response = await agent.ainvoke(
+                {"messages": [{"role": "user", "content": user_input}]},
+                {"configurable": {"thread_id": "1"}},
+            )
+            ## agent会自己去调用 tools ，不需要我们去进行调用
+            print_optimized_result(agent_response)
+
+    finally:
+        # 资源回收
+        if hasattr(client, 'close'):
+            client.close()
+
+
+if __name__ == '__main__':
+
+    tools_internal = load_tools(["arxiv", "wikipedia"], llm=llm, allow_dangerous_tools=True)
+    tools_custom = tool(
+        name_or_callable="greet",
+        runnable=greet,
+        description="用于打招呼的函数",
+        args_schema=greetInput
+    )
+    asyncio.run(execute())

main.py

@@ -0,0 +1,6 @@
+def main():
+    print("Hello from langchain-learning-new!")
+
+
+if __name__ == "__main__":
+    main()

mcp/get_weather_server.py

@@ -0,0 +1,32 @@
+#  uv add fastmcp
+import os
+import logging
+import requests
+from fastmcp import FastMCP
+
+mcp = FastMCP("mcp demo")
+WEATHER_API_KEY = os.getenv("WEATHER_API_KEY")
+
+# @mcp.tool()
+# async def get_weather(city: str) -> str:
+#     """获取传入的城市的天气信息"""
+#     logging.info(f"调用了查询天气服务，传入的参数为{city}")
+#     return f"{city}的天气很好，阳光明媚，晴空万里"
+
+
+@mcp.tool()
+async def get_weather(city: str) -> str:
+    """获取传入的城市的天气信息"""
+    logging.info("The get_weather method is called: city=%s", city)
+    api_key = os.getenv("WEATHER_API_KEY")
+    # url = f"https://api.weatherapi.com/v1/current.json?key=6056d3b7245449069d0152825252910&q={city}"
+    url = f"https://api.weatherapi.com/v1/current.json?key={WEATHER_API_KEY}&q={city}"
+    response = requests.get(url, timeout=10)
+    response.raise_for_status()
+    return response.text
+
+
+if __name__ == "__main__":
+    logging.info("启动一个可以通过MCP调用获取天气的服务")
+    mcp.run(transport="streamable-http", host="127.0.0.1", port=9000)
+    # mcp.run(transport="stdio", host="127.0.0.1", port=9000)

mcp/math_server.py

@@ -0,0 +1,29 @@
+from fastmcp import FastMCP
+import logging
+
+# 配置日志记录器
+logging.basicConfig(
+    level=logging.INFO,  # 设置日志级别为 INFO
+    format="%(asctime)s - %(levelname)s - %(message)s"  # 日志格式
+)
+logger = logging.getLogger(__name__)
+
+# 创建 FastMCP 实例
+mcp = FastMCP("Math")
+
+@mcp.tool()
+def add(a: int, b: int) -> int:
+    """Add two numbers"""
+    logger.info("The add method is called: a=%d, b=%d", a, b)  # 记录加法调用日志
+    return a + b
+
+@mcp.tool()
+def multiply(a: int, b: int) -> int:
+    """Multiply two numbers"""
+    logger.info("The multiply method is called: a=%d, b=%d", a, b)  # 记录乘法调用日志
+    return a * b
+
+if __name__ == "__main__":
+    logger.info("Start math server through MCP")  # 记录服务启动日志
+    # mcp.run(transport="streamable-http",port=8081,path='/mcp')  # 启动服务并使用标准输入输出通信
+    mcp.run(transport="stdio")  # 启动服务并使用标准输入输出通信（子进程）

ollama/ollama_demo.py

@@ -0,0 +1,26 @@
+#  配置一下解释器
+#  uv add langchain_ollama
+
+from langchain_core.messages import HumanMessage
+from langchain_ollama import ChatOllama
+
+#此时调用的是本地的大模型。省略base_url、api-key
+llm = ChatOllama(
+    model = "gemma4:26b",
+)
+
+
+# llm.invoke("你好，请介绍一下你自己！")
+
+
+messages = [
+    HumanMessage(content="你好，请介绍一下你自己！")
+]
+
+# response = llm.invoke(messages)
+# print(response.content)
+
+chunks = []
+for chunk in llm.stream(messages):
+    # chunks.append(chunk)
+    print(chunk.content, end="", flush=True)

pyproject.toml

@@ -0,0 +1,21 @@
+[project]
+name = "langchain-new"
+version = "0.1.0"
+description = "Add your description here"
+requires-python = ">=3.13"
+dependencies = [
+    "langchain>=1.1.3",
+    "langchain-community>=0.4.1",
+    "langchain-mcp-adapters>=0.1.11",
+    "langchain-openai>=1.0.1",
+    "langchain-text-splitters>=1.0.0",
+    "numexpr>=2.10.2",
+    "wikipedia>=1.4.0",
+    "arxiv>=2.2.0",
+    "httpx>=0.28.1",
+    "socksio>=1.0.0",
+    "fastmcp>=2.13.0.2",
+    "langchain-ollama>=1.0.0",
+    "langgraph-prebuilt>=1.0.9",
+    "uvicorn[standard]>=0.30.0",
+]