v0.0.11

mcp

.env

@@ -12,4 +12,8 @@ MINIMAX_API_KEY = "sk-cp-wWkzvRP-BiQia-6izxvqgehEsHSz8v4_PtDJAuT3OI0s8QFcEOsxIHc
 MINIMAX_BASE_URL = "https://api.minimaxi.com/v1"
 
 BAILIAN_API_KEY = "sk-8c8bec7a613249dbbed08bc3affeef72"
-BAILIAN_BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1"
+BAILIAN_BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1"
+
+# gemma4:e2b
+CHERRY_API_KEY = "w6qWTWfnmF5t9OKGDPYpCoLJlga4F7Ezj4OT2XiDtJ3PFCqG"
+CHERRY_BASE_URL = "https://open.cherryin.cc/v1"

.gitignore

@@ -0,0 +1,24 @@
+# Python
+.venv/
+__pycache__/
+*.pyc
+*.pyo
+*.pyd
+.Python
+*.egg-info/
+dist/
+build/
+
+# Env
+.env
+
+# IDE
+.idea/
+.vscode/
+*.swp
+*.swo
+
+# OS
+.DS_Store
+Thumbs.db
+.env

.python-version

@@ -1 +1 @@
-3.11
+3.13

README.md

@@ -1,14 +1,16 @@
 # LangChain Learning
 
-[![](https://img.shields.io/badge/version-0.0.10-blue.svg)](https://github.com/your-repo/langchain-learning)
+[![](https://img.shields.io/badge/version-0.0.11-blue.svg)](https://github.com/your-repo/langchain-learning)
 [![](https://img.shields.io/badge/python-3.11+-green.svg)](https://www.python.org/)
-[![](https://img.shields.io/badge/LangChain-v1.2-orange.svg)](https://www.langchain.com/)
+[![](https://img.shields.io/badge/LangChain-v0.3.27-orange.svg)](https://www.langchain.com/)
 
-> LangChain 框架学习项目，集成 SiliconFlow & Ollama API
+> 基于 LangChain 0.3.27 的学习项目，集成 SiliconFlow & Ollama API
 
 ## 功能特性
 
 - **多 LLM 集成**：支持 OpenAI API、SiliconFlow、Ollama 及 LangChain 抽象层
+- **MCP 协议支持**：通过 MultiServerMCPClient 连接多个 MCP 服务器
+- **Agent 智能体**：基于 LangGraph 的 ReAct Agent 实现自主推理与工具调用
 - **RAG 检索增强生成**：基于向量库（FAISS）的文档检索与问答
 - **流式响应**：实时流式输出，带来更好的使用体验
 - **Prompt 工程**：多种 Prompt 模板构建方式
@@ -18,14 +20,13 @@
 - **内存管理**：实现对话历史持久化（ConversationBufferMemory, SummaryMemory）
 - **Rich 终端界面**：支持 Markdown 渲染、多行输入等高级交互
 - **模型测速工具**：测试模型的首字延迟 (TTFT) 和每秒生成速度 (TPS)
-- **实战示例**：从基础到进阶的使用模式
 
 ## 快速开始
 
 ### 1. 安装依赖
 
 ```bash
-pip install langchain>=1.2.15 langchain-community>=0.4.1 langchain-siliconflow>=1.0.0 requests>=2.33.1 rich openai pydantic
+uv sync
 ```
 
 ### 2. 配置环境变量
@@ -80,6 +81,21 @@ OLLAMA_API_KEY=ollama
 | 工具定义 | `python tools/tool_definition.py` | 演示 @tool 装饰器和 StructuredTool 定义方式 |
 | 工具调用 | `python tools/tool_demo.py` | 演示模型如何调用工具并获取结果 |
 
+**MCP 示例**
+
+| 示例 | 命令 | 说明 |
+|------|------|------|
+| MCP 客户端 | `python mcp/mcp_client.py` | 连接 MCP 服务器并获取工具列表 |
+| Agent + MCP | `python mcp/mcp_client_with_agent.py` | 使用 ReAct Agent 调用 MCP 工具 |
+| Agent + MCP (简易版) | `python mcp/mcp_client_with_agent_simple.py` | 简化版的 Agent MCP 调用 |
+
+**MCP 服务端示例**
+
+| 示例 | 命令 | 说明 |
+|------|------|------|
+| 天气服务 | `python mcp/get_weather_server.py` | 提供天气查询的 MCP 服务端 |
+| 数学服务 | `python mcp/math_server.py` | 提供数学计算的 MCP 服务端 |
+
 **Token 用量示例**
 
 | 示例 | 命令 | 说明 |
@@ -124,6 +140,12 @@ langchain-learning/
 ├── tools/
 │   ├── tool_definition.py             # 工具定义方式演示
 │   └── tool_demo.py                   # 工具调用完整流程演示
+├── mcp/
+│   ├── mcp_client.py                   # MCP 客户端基础用法
+│   ├── mcp_client_with_agent.py       # Agent + MCP 工具调用
+│   ├── mcp_client_with_agent_simple.py # Agent + MCP 简易版
+│   ├── get_weather_server.py           # 天气查询 MCP 服务端
+│   └── math_server.py                 # 数学计算 MCP 服务端
 ├── token/
 │   └── token_demo.py                  # Token 用量追踪示例
 ├── memory/
@@ -156,8 +178,10 @@ langchain-learning/
 
 | 类别 | 技术 |
 |------|------|
-| 框架 | LangChain |
+| 框架 | LangChain 0.3.27 |
+| Agent | LangGraph |
 | LLM 提供商 | SiliconFlow, Ollama |
+| MCP | langchain-mcp-adapters |
 | 向量库 | FAISS |
 | 终端美化 | Rich |
 | 数据验证 | Pydantic |

mcp/get_weather_server.py

@@ -0,0 +1,20 @@
+#  uv add fastmcp
+import logging
+
+from fastmcp import FastMCP
+
+mcp = FastMCP("mcp demo")
+
+
+@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"
+
+
+
+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）

mcp/mcp_client.py

@@ -0,0 +1,12 @@
+import asyncio
+from fastmcp import Client
+
+client = Client("http://localhost:9000/mcp")
+
+async def call_tool(city: str):
+    async with client:
+        result = await client.call_tool("get_weather", {"city": city})
+        print(result)
+## 启动服务端后，再启动客户端进行连接和调用
+## 这种方式是通过fastmcp的客户端直接调用的
+asyncio.run(call_tool("北京"))

mcp/mcp_client_with_agent.py

@@ -0,0 +1,102 @@
+import asyncio
+import logging
+
+# from langchain.agents import create_react_agent
+from langgraph.prebuilt import create_react_agent
+from langchain_openai import ChatOpenAI
+from langchain_mcp_adapters.client import MultiServerMCPClient
+import os
+import dotenv
+
+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="gemma4:26b")
+
+
+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
+                "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
+        agent = create_react_agent(model=llm, tools=tools)
+        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": user_input})
+            ## 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())

mcp/mcp_client_with_agent_simple.py

@@ -0,0 +1,56 @@
+import asyncio
+import logging
+
+# from langchain.agents import create_react_agent
+from langgraph.prebuilt import create_react_agent
+from langchain_openai import ChatOpenAI
+from langchain_mcp_adapters.client import MultiServerMCPClient
+import os
+import dotenv
+
+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="gemma4:26b")
+
+
+async def execute():
+    # 1. 创建langchain中的mcp客户端
+    # uv add langchain_mcp_adapters
+    client = MultiServerMCPClient(
+        {
+            # 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",
+            }
+        }
+    )
+
+    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
+        agent = create_react_agent(model=llm, tools=tools)
+        agent_response = await agent.ainvoke({"messages":"北京的天气怎么样？适合出门吗？"})
+        print(agent_response)
+
+    finally:
+        # 资源回收
+        if hasattr(client, 'close'):
+            client.close()
+
+
+if __name__ == '__main__':
+    asyncio.run(execute())

pyproject.toml

@@ -6,9 +6,14 @@ readme = "README.md"
 requires-python = ">=3.11"
 dependencies = [
     "faiss-cpu>=1.13.2",
-    "langchain==0.3.27",
+    "fastmcp>=3.2.4",
-    "langchain-community==0.3.31",
+    "langchain>=0.3.27",
-    "langchain-siliconflow==0.1.3",
+    "langchain-community>=0.3.31",
+    "langchain-core>=0.3.40",
+    "langchain-mcp-adapters>=0.0.1",
+    "langchain-openai>=0.3.35",
+    "langchain-siliconflow>=0.1.3",
+    "langgraph>=1.0.1",
     "requests>=2.33.1",
     "rich>=15.0.0",
 ]