# 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