B站讲解最细最全的Langchain+MCP零基础智能体开发实战教程！适合0基础小白学习！直接少走99%的弯路！

一、为什么现在要学智能体开发

很多同学刚接触大模型时，第一反应都是惊叹：它能写文章、能翻译、能回答问题。但只要多用几天就会发现，纯聊天的大模型有几个明显短板：知识有截止日期，不知道今天发生了什么；不能主动联网查资料；更不能帮你操作电脑、查数据库、调接口。简单来说，它只会“说”，不会“做”。

智能体（Agent）就是为了补上这个能力而生的。所谓智能体，就是给大模型装上一双手，让它不仅能思考，还能调用工具、执行任务、观察结果、继续行动。比如你问它“帮我查一下下周北京的天气，再算一下 128 乘以 37”，一个合格的智能体会先调用天气查询工具，再调用计算工具，最后把两部分结果整合成一句完整回答。

而本教程的主角之一 MCP（Model Context Protocol，模型上下文协议），解决的是“怎样让智能体方便地接入各种工具”的老大难问题。过去每接一个外部工具，都要写一堆定制化的桥接代码；有了 MCP，工具接入就像给电脑插 USB 设备一样标准化。学会 LangChain + MCP 这套组合，你就拿到了进入智能体开发大门的钥匙。

本文将按照“概念扫盲 → 环境搭建 → 第一个智能体 → 编写 MCP 服务器 → LangChain 连接 MCP → 完整实战 → 排错与进阶”的顺序，带你从零开始，一步步跑通整个流程。

二、零基础必懂的三个核心概念

2.1 大模型（LLM）

大模型就是我们要驱动的“大脑”，比如 OpenAI 的 GPT、DeepSeek、通义千问等。你给大模型一段文字（提示词），它返回一段文字（回答）。它擅长理解、推理和生成，但它本身不能联网、不能读文件、不能执行命令。所有“动手”的事，都需要通过工具来完成。

2.2 智能体（Agent）

智能体可以理解为一个自动化的决策循环：

• 接收任务：用户提出一个问题或目标。
• 思考规划：大模型判断“要不要调用工具、调用哪个工具、传什么参数”。
• 执行动作：Agent 框架真正去调用对应的工具。
• 观察结果：把工具返回的结果重新交给大模型。
• 继续或收尾：如果信息还不够，继续调用；否则生成最终回答。

所以，智能体不是某个软件，而是一套“模型 + 工具 + 循环逻辑”组合起来的运行方式。LangChain 就是帮我们把这套循环逻辑搭起来的框架。

2.3 工具（Tool）与函数调用（Function Calling）

工具的本质就是一个普通函数。比如 add(a, b) 可以做加法，get_weather(city) 可以查天气。关键问题是：大模型怎么知道自己该调用 add 还是 get_weather？又怎么知道参数该怎么传？

这就靠“函数调用”。我们把所有工具的名称、用途、参数格式告诉大模型，大模型在需要时输出一段结构化的“调用指令”，例如：调用工具 add，参数 a=12, b=34。框架拿到指令后执行真正的函数，再把结果送回模型，由模型生成人类能看懂的最终答案。

理解这个闭环，后面写代码就会非常轻松。

三、MCP 是什么？为什么它是智能体的“USB 接口”

3.1 MCP 解决了什么问题

在没有 MCP 之前，开发者接入一个工具往往要针对每个平台、每个 API 单独编写适配代码。接入 10 个工具可能要写 10 套完全不同的胶水逻辑，费时费力，换一个 Agent 框架还要重写一遍。

MCP 把“模型如何调用工具”这件事标准化了。它定义了一套统一的协议，不管是数学计算工具、天气查询工具，还是 GitHub 操作工具，只要把它们包装成符合 MCP 规范的服务器，任何支持 MCP 的客户端（包括 LangChain）都能用统一方式加载和调用。

一句话总结：MCP 之于智能体，就像 USB 接口之于电脑外设。电脑不需要为每个鼠标、键盘、U 盘各做一个专用插口，统一用 USB 就行了。智能体接入工具也一样，统一走 MCP。

3.2 MCP 的核心角色

• MCP Host：宿主程序，也就是使用工具的智能体应用本身，例如我们后面要写的 LangChain Agent。
• MCP Client：运行在 Host 内部的客户端，负责与服务器建立连接、发现工具、发起调用。
• MCP Server：工具提供方，内部包含具体的工具函数，例如一个提供加法和乘法运算的服务器。
• Tool / Resource / Prompt：服务器对外提供的能力类型。Tool 是可以执行的动作；Resource 是可以读取的数据；Prompt 是可复用的提示模板。零基础阶段重点掌握 Tool 即可。

3.3 整体架构

下面的架构图展示了用户、智能体、大模型和 MCP 服务器之间的关系：

flowchart LR
    U[用户] --> A[LangChain Agent]
    A --> L[大模型 LLM]
    A -->|MCP 协议| S1[MCP 服务器：数学运算]
    A -->|MCP 协议| S2[MCP 服务器：天气查询]
    S1 --> T1[add / multiply 工具]
    S2 --> T2[get_weather 工具]

从图中可以看到，Agent 是调度中心，大模型负责思考和规划，真正干活的函数都由 MCP 服务器提供，三者分工明确。

四、环境准备：从零搭建开发环境

4.1 安装 Python

本教程代码使用 Python 编写。建议安装 Python 3.10 或更高版本。安装完成后，在终端（Windows 用户可打开 CMD 或 PowerShell）执行以下命令确认版本：

python --version

如果提示找不到命令，可以试试：

py --version

下文统一使用 python，如果你的电脑上只有 py，请自行替换。

4.2 准备大模型 API Key

智能体需要一个真实的大模型来“思考”。国内用户推荐使用 DeepSeek 或通义千问的 OpenAI 兼容接口，因为它们便宜、稳定，而且接入方式与 OpenAI 基本一致。

以 DeepSeek 为例：

• 访问 DeepSeek 开放平台并注册账号。
• 在“API Keys”页面创建一个 Key，形如 sk-xxxxxxxx。
• 保存好这个 Key，后面代码里会用到。

如果你使用其他模型，只需替换 model、api_key 和 base_url 三个参数即可，思路完全相同。

4.3 创建项目目录

新建一个空文件夹，例如 langchain-mcp-demo，后续所有代码都放在这个目录里。

mkdir langchain-mcp-demo
cd langchain-mcp-demo

4.4 安装依赖

在项目目录下执行以下命令，一次性安装核心依赖：

pip install langchain langchain-openai langchain-mcp-adapters mcp

各包的作用如下：

• langchain：智能体开发框架。
• langchain-openai：用于接入 OpenAI 及兼容接口的大模型。
• langchain-mcp-adapters：LangChain 官方的 MCP 适配器。
• mcp：MCP 官方 Python SDK，用来编写 MCP 服务器。

五、第一个 LangChain 智能体：先不用 MCP 跑通全流程

在接触 MCP 之前，我们先写一个最简单、不接任何工具的语言模型调用示例，熟悉 LangChain 的基本用法。

新建文件 hello_agent.py，写入以下内容：

from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
1. 创建大模型：以 DeepSeek 为例，可替换成任意 OpenAI 兼容模型
llm = ChatOpenAI(
model="deepseek-chat",
api_key="sk-你的APIKey",
base_url="https://api.deepseek.com/v1",
temperature=0,
)
2. 创建一个最简单的智能体：暂时不接任何工具
agent = create_agent(llm, tools=[])
3. 和智能体对话
response = agent.invoke({
"messages": [
{"role": "user", "content": "你好，请用一句话介绍什么是智能体？"}
]
})
4. 打印最后一条 AI 回复
print(response["messages"][-1].content)

运行命令：

python hello_agent.py

如果能正常输出一段介绍智能体的文字，说明你的环境已经打通。这里有几个关键点需要理解：

• ChatOpenAI 负责连接大模型，把 api_key 和 base_url 换成你自己的即可。
• create_agent(llm, tools=[]) 创建了一个智能体，目前工具列表为空，所以它只能回答问题，不能执行动作。
• messages 是对话历史，格式为“角色 + 内容”。用户消息的 role 是 user，模型回复的 role 会是 assistant。

跑通这一步后，下一节我们给智能体装上真正的工具。

六、实战：编写自己的第一个 MCP 服务器

为了让智能体拥有“查天气”“算加减乘除”的能力，我们先写一个本地 MCP 服务器。这里使用 MCP 官方 SDK 中的 FastMCP 框架，它可以用最少的代码把普通函数暴露成工具。

新建文件 math_server.py，写入以下内容：

from mcp.server.fastmcp import FastMCP
创建 MCP 服务器，命名为 Math
mcp = FastMCP("Math")
@mcp.tool()
def add(a: int, b: int) -> int:
"""计算两个整数之和。"""
return a + b
@mcp.tool()
def multiply(a: int, b: int) -> int:
"""计算两个整数的乘积。"""
return a * b
@mcp.tool()
def get_weather(city: str) -> str:
"""查询某个城市的模拟天气。"""
weather_data = {
"北京": "晴，25度",
"上海": "多云，28度",
"深圳": "小雨，26度",
}
return weather_data.get(city, "暂时没有该城市的天气数据")
if name == "main":
# 以 stdio 传输方式启动 MCP 服务器
mcp.run()

代码说明：

• FastMCP("Math") 创建了一个 MCP 服务器实例。
• @mcp.tool() 装饰器会把函数注册为服务器上的一个工具。
• 函数的文档字符串（"""计算两个整数之和。""" 等）非常重要，它是给大模型看的“工具说明书”。说明书写得越清楚，模型调用越准确。
• mcp.run() 启动服务器，默认通过 stdio 与外部通信。

单独运行这个文件时，服务器会进入等待状态，不会直接打印结果，这是正常现象。真正调用它的是下一节的 LangChain 客户端。

七、实战：让 LangChain 通过 MCP 调用工具

现在我们把 LangChain 智能体和刚刚写好的 MCP 服务器连接起来，让模型自己决定何时调用工具。

新建文件 main.py，写入以下内容：

import asyncio
from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
from langchain_mcp_adapters.client import MultiServerMCPClient
llm = ChatOpenAI(
model="deepseek-chat",
api_key="sk-你的APIKey",
base_url="https://api.deepseek.com/v1",
temperature=0,
)
async def main():
# 1. 通过 MCP 客户端连接本地的 math_server.py
async with MultiServerMCPClient({
"math": {
"command": "python",
"args": ["math_server.py"],
"transport": "stdio",
}
}) as client:
# 2. 把 MCP 服务器上的工具全部加载出来
tools = client.get_tools()
print("已加载工具：", [tool.name for tool in tools])
    # 3. 创建带工具的智能体
    agent = create_agent(llm, tools)
# 4. 让智能体自己判断并调用工具
question = "请帮我计算：12 加 34，再乘以 2，结果是多少？另外查一下北京的天气。"
response = await agent.ainvoke({
    "messages": [{"role": "user", "content": question}]
})
5. 输出最终答案
print("AI 回答：", response["messages"][-1].content)
if name == "main":
asyncio.run(main())

运行命令：

python main.py

如果一切正常，终端会先打印出已加载的工具名称，例如 add、multiply、get_weather，随后模型会自动完成计算和天气查询，并给出最终答案。

这段代码背后的执行流程是这样的：

1. MultiServerMCPClient 启动 math_server.py，建立 MCP 连接。
2. get_tools() 把服务器上的 add、multiply、get_weather 转成 LangChain 可识别的工具对象。
3. 用户提出问题后，大模型判断需要先调用 add(12, 34)，得到 46；再调用 multiply(46, 2)，得到 92；最后调用 get_weather("北京")。
4. 所有工具结果汇总回大模型，模型生成一句包含最终答案的自然语言回复。

整个过程你只写了工具函数和连接代码，调度、传参、整合答案全部由框架和模型自动完成。这就是 MCP 带来的效率提升。

八、完整案例：打造一个会算数、会查天气的 AI 小助手

把前面两节的代码合在一起，你就拥有了一个可以持续对话的小助手。为了让体验更好，我们再加一个循环，让用户可以连续提问，输入 exit 退出。

新建文件 assistant.py，写入以下内容：

import asyncio
from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
from langchain_mcp_adapters.client import MultiServerMCPClient
llm = ChatOpenAI(
model="deepseek-chat",
api_key="sk-你的APIKey",
base_url="https://api.deepseek.com/v1",
temperature=0,
)
async def run_assistant(client):
# 加载 MCP 工具并创建智能体
tools = client.get_tools()
agent = create_agent(llm, tools)
# 维护对话历史，让模型记住上下文
messages = []
print("AI 小助手已上线，输入 exit 退出。")
while True:
question = input("你：")
if question.strip().lower() == "exit":
print("再见！")
break
messages.append({"role": "user", "content": question})
response = await agent.ainvoke({"messages": messages})
answer = response["messages"][-1].content
messages.append({"role": "assistant", "content": answer})
print("AI：", answer)
async def main():
async with MultiServerMCPClient({
"math": {
"command": "python",
"args": ["math_server.py"],
"transport": "stdio",
}
}) as client:
await run_assistant(client)
if name == "main":
asyncio.run(main())

运行后，你可以连续输入类似下面的问题：

• “3 乘以 7 等于多少？”
• “帮我查下上海的天气。”
• “把 100 先除以 4，再减去 5，结果是多少？”
• “北京和深圳今天哪个城市更适合出去玩？”

前三个问题会触发不同的工具调用，最后一个问题需要模型结合天气结果进行推理。到这一步，你已经完成了一个真正意义上的“工具增强型智能体”。

九、常见报错与排查思路

新手在跑这套代码时，最容易遇到下面几类问题，逐一对照排查即可：

• ModuleNotFoundError: No module named 'mcp'：说明 MCP SDK 没装好，重新执行 pip install mcp。
• 401 或鉴权失败：API Key 写错、Key 失效，或者 base_url 和 model 不匹配。检查平台控制台里的 Key 和模型名称。
• 连接超时：网络无法访问模型服务地址，确认 API 地址可达，必要时使用国内模型接口。
• MCP 服务器启动失败：检查 math_server.py 是否在当前目录下，以及 args 里的文件名是否拼写正确。Windows 用户可以尝试把 python 改成 py。
• 工具没有被调用：优先检查工具函数的文档字符串是否清晰。模型是靠描述来判断工具用途的，描述含糊会导致调用失败。
• Windows 下 asyncio 报错：确认异步入口写在 if __name__ == "__main__" 里，并使用 asyncio.run(main()) 启动。

十、进阶路线：接下来该学什么

跑通上面的项目后，你已经掌握了智能体开发最核心的链路。下一步可以沿着以下方向深入：

• 学习 LangGraph：当任务需要多步骤、多分支、循环和状态管理时，用 LangGraph 构建有状态的工作流会更清晰、更可控。
• 学习 MCP 的 Resource 和 Prompt：除了 Tool，MCP 还支持把文件内容当作资源读取，以及复用提示模板，适合复杂业务场景。
• 使用社区现成的 MCP 服务器：GitHub 已经有大量开箱即用的 MCP 服务器，比如文件系统、浏览器、数据库操作等，可以直接接入自己的智能体。
• 尝试 HTTP/SSE 传输：stdio 适合本地单个进程，上线部署时通常改用 HTTP 或 SSE，让 MCP 服务器独立运行、多客户端共享。
• 关注安全边界：智能体一旦拥有真实工具，就要注意权限控制、输入校验和人工确认机制，避免误操作造成损失。

总结

本文从完全零基础出发，带你完成了 LangChain + MCP 智能体开发的完整闭环：理解了大模型、智能体和工具的关系，弄懂了 MCP 为什么能统一工具接入，亲手编写了一个 MCP 服务器，并用 LangChain 让智能体自动调用工具完成任务。

学习智能体开发，最忌讳只看不练。建议你现在就打开编辑器，把 hello_agent.py、math_server.py、assistant.py 三个文件完整敲一遍，跑通后再尝试给 math_server.py 增加一个减法工具或者自己的自定义工具。走完这一步，你已经超过了大部分只看教程不写代码的人，真正开始走上智能体开发的正轨。