一、LangChain 在 Agent 生态中的地位

LangChain 是目前最流行的 Agent 开发框架之一。它提供了完整的工具链，从模型调用、提示词管理、输出解析，到工具调用、链式编排、记忆管理。LangChain 的核心理念是“可组合性”——开发者可以将各种组件像乐高积木一样拼装起来，快速构建复杂的 Agent 应用。

然而，LangChain 的工具调用生态是相对封闭的。开发者需要按照 LangChain 的 BaseTool 接口编写工具，这些工具只能在 LangChain 框架内使用。一个为 LangChain 开发的工具，无法被 AutoGen 或 CrewAI 的 Agent 直接调用。这种生态孤岛限制了工具的复用和共享。

MCP 的介入打破了这种孤岛。通过将 LangChain 的工具抽象与 MCP 的 Skill 抽象进行桥接，开发者可以一次开发 Skill，被所有支持 MCP 的 Agent 框架使用。反过来，LangChain Agent 也可以调用整个 MCP 生态中的海量 Skill。

本章将探讨 LangChain 与 MCP 的深度集成，包括工具抽象到 Skill 的映射、原生 MCP 工具加载器的实现、链式调用与 Skill 编排，以及性能对比和经验总结。

二、LangChain 的工具抽象

在深入集成之前，需要理解 LangChain 的工具抽象。

BaseTool 是 LangChain 中所有工具的基类。开发者通过继承 BaseTool 并实现 _run 方法来定义工具。工具的核心属性包括 name，工具的唯一标识符，用于模型识别。description，工具的描述，用于模型决策何时调用。args_schema，输入参数的 JSON Schema，用于验证参数格式。return_direct，是否直接返回结果而不经过模型再次处理。

LangChain Agent 使用 ReAct 模式进行推理。模型输出包含 Thought 和 Action。Action 指定工具名称和输入参数。Agent 执行工具后，将 Observation 返回给模型。模型继续推理直到任务完成。

这种模式与 MCP 的 Action 调用模式非常相似。两者都是模型决定调用什么能力，框架负责执行，结果返回模型。这是 MCP 与 LangChain 能够深度集成的根本原因。

三、适配器模式：快速打通 MCP 与 LangChain

最简单的集成方式是开发一个适配器，将 MCP Skill 包装为 LangChain 的 BaseTool。

适配器的工作原理

MCPTool 适配器继承 BaseTool，内部持有 MCP 客户端的引用。在构造函数中，从 Skill 的规范中读取 name、description、args_schema 等元数据，自动填充到 BaseTool 的属性中。在 _run 方法中，适配器接收LangChain 传入的参数，构造 MCP Action，通过 MCP 客户端发送到 Peta 网关，等待响应，将 ActionResult 转换为字符串返回。

整个过程中，LangChain Agent 不知道它调用的是 MCP Skill。它只看到一个普通的 BaseTool。MCP Skill 不知道它被 LangChain 调用。它只收到一个标准的 MCP Action。

适配器的优势

适配器模式的优势在于快速。开发者可以在不修改 LangChain 核心代码的情况下集成 MCP。MCP 生态中已有的 Skill 可以直接被 LangChain Agent 使用。适配器代码量小，易于维护。

适配器的局限

适配器模式的局限在于性能和功能。每次调用都需要通过适配器进行参数转换和结果转换，有额外开销。流式调用、进度通知等高级功能在适配器中难以实现。错误信息的传递可能丢失部分上下文。

四、原生支持：LangChain 直接理解 MCP

更好的集成方式是让 LangChain 原生理解 MCP 协议。这意味着 LangChain 内部增加 MCP 工具加载器和 MCP 调用执行器。

MCP 工具加载器

LangChain 增加一个 MCP 工具加载器。加载器连接到 Peta 网关，从 Skill 注册表中读取可用的 Skill 列表。对于每个 Skill，加载器自动创建一个 LangChain Tool 对象，使用 Skill 规范中的元数据填充 name、description、args_schema。

当 Skill 列表发生变化时，加载器自动同步。开发者不需要手动注册或注销工具。

MCP 调用执行器

当 LangChain Agent 决定调用一个 MCP Skill 时，执行器直接构造 MCP Action，通过 MCP 协议发送，处理响应。执行器支持同步调用和流式调用。执行器将 MCP 的错误码映射为 LangChain 的异常类型。

原生支持的优势

原生集成消除了适配器的转换开销。LangChain 可以直接处理 MCP 的流式响应。错误信息完整传递。调用链追踪信息可以从 LangChain 传递到 MCP 网关和 Skill，实现端到端可见性。

五、链式调用与 Skill 编排

LangChain 最强的能力之一是链式编排。开发者可以用 SequentialChain、LCEL 等方式组合多个工具。当这些工具是 MCP Skill 时，编排能力同样适用。

顺序编排

开发者可以创建一个链，先调用 query_order Skill 获取订单详情，然后根据订单状态决定是否调用 refund Skill。LangChain 的链会自动处理依赖关系和数据传递。

路由编排

使用 RouterChain，可以根据模型输出动态选择下一个 Skill。例如，用户输入“查询我的订单”，Agent 先调用intent_classification Skill 识别意图，然后路由到对应的订单查询链。

并行编排

使用 RunnableParallel，可以同时调用多个只读 Skill。例如，同时查询商品信息、库存状态、价格历史。MCP 网关支持并发调用，LangChain 的并行编排可以充分利用这一能力。

六、记忆管理与 Context 传递

LangChain 提供了多种记忆管理方案，如 ConversationBufferMemory、ConversationSummaryMemory、VectorStoreRetrieverMemory。MCP 的 Context 机制可以与之结合。

记忆存储与加载

LangChain 的记忆可以存储在 Peta 的 Context 存储中。Agent 在每次调用时，从 Context 中加载历史记忆。Skill 也可以读取和更新 Context 中的记忆字段。

跨 Agent 记忆共享

当多个 LangChain Agent 协同工作时，它们可以共享同一个 Context。一个 Agent 写入的记忆，可以被另一个Agent 读取。这为多 Agent 协作提供了基础。

七、Peta 与 LangChain 的集成实践

Peta 提供了与 LangChain 集成的官方支持。

安装与配置

开发者可以通过 pip 安装 langchain-mcp 扩展包。配置中指定 Peta 网关地址和认证凭证。MCP 工具加载器自动发现可用的 Skill。

代码示例示意

开发者创建 MCP 客户端连接到 Peta 网关。创建 MCP 工具加载器，从网关加载 Skill 列表。创建 LangChain Agent，将加载的工具传入。Agent 运行时自动调用 MCP Skill。

性能数据

在 Peta 的内部测试中，原生集成比适配器模式的调用延迟降低约百分之十五到百分之二十。流式调用的延迟差异更为显著，原生集成减少约百分之四十的开销。

常见问题与解决方案

问题一是 Skill 列表过大。如果 MCP 网关上有数百个 Skill，加载到 LangChain 会导致 Prompt 过长。解决方案是使用 Skill 分组和选择性加载，只加载与当前 Agent 任务相关的 Skill。

问题二是调用超时。某些 Skill 执行时间较长，超过 LangChain 的默认超时。解决方案是配置 Skill 级别的超时参数，与 Peta 网关的超时设置保持一致。

问题三是错误处理。MCP 错误码与 LangChain 异常类型的映射需要合理设计。Peta 的 SDK 已经内置了完整的错误映射。

八、小结

本章的核心结论可以总结为以下几点。

第一，LangChain 是 Agent 生态中的重要框架，但其工具生态相对封闭。MCP 提供了打破生态孤岛的标准协议。

第二，LangChain 的 BaseTool 抽象与 MCP 的 Skill 抽象高度相似，为集成提供了天然基础。

第三，适配器模式可以快速打通 MCP 与 LangChain，适合快速验证和原型开发。

第四，原生支持让 LangChain 直接理解 MCP 协议，性能更优、功能更全，适合生产部署。

第五，LangChain 的链式编排能力可以无缝应用于 MCP Skill，支持顺序、路由、并行等多种编排模式。

第六，LangChain 的记忆管理与 MCP Context 可以结合，实现跨 Skill、跨 Agent 的记忆共享。

第七，Peta 提供了官方集成，包括工具加载器、调用执行器、错误映射，支持生产级部署。

在下一章，我们将讨论 AutoGen 与 MCP 的深度集成——多 Agent 对话中的 MCP 调用。