MCP 如何与 LangChain、LlamaIndex 等 AI 框架集成？

MCP（Model Context Protocol）是 Anthropic 推出的开放标准协议，用于统一 AI 模型与外部工具、数据源的连接方式。2026 年，MCP 已成为 AI 开发领域的基础设施层，LangChain、LlamaIndex、CrewAI 等主流框架均已原生支持 MCP。

本文将介绍 MCP 与主要 AI 框架的集成方法，重点讲解 2026 年最新的官方适配方案，并提供可直接运行的代码示例。

MCP 集成的核心思路

MCP 的设计理念是"协议标准化，实现解耦"。集成的基本模式是：

• MCP Server 暴露工具和资源，遵循统一的 JSON-RPC 接口
• AI 框架 作为 MCP Client，通过标准协议调用工具
• 传输层 支持 stdio（子进程管道）和 streamable_http（网络）两种方式

这意味着：你只需编写一次 MCP Server，就能被所有兼容 MCP 的框架使用，无需为每个框架写单独的适配器。

1. 与 LangChain 集成（官方推荐方案）

LangChain 通过 langchain-mcp-adapters 包提供官方 MCP 支持，这是目前最成熟的集成方式。

安装依赖

bash
pip install langchain-mcp-adapters langchain-openai langgraph

基本集成：使用 MultiServerMCPClient

python
from langchain_mcp_adapters.client import MultiServerMCPClient
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI

# 配置 MCP 服务器连接
client = MultiServerMCPClient(
    {
        "math_server": {
            "command": "python",
            "args": ["math_mcp_server.py"],
            "transport": "stdio",
        },
        "search_server": {
            "url": "http://localhost:8000/mcp",
            "transport": "streamable_http",
        }
    }
)

# 获取 MCP 工具并创建 Agent
async def run():
    async with client:
        tools = client.get_tools()
        llm = ChatOpenAI(model="gpt-4o")
        agent = create_react_agent(llm, tools)

        result = await agent.ainvoke({
            "messages": [{"role": "user", "content": "计算 15 的平方根，然后搜索这个数的数学意义"}]
        })
        print(result)

import asyncio
asyncio.run(run())

关键特性

• MultiServerMCPClient 是统一入口，同时管理多个 MCP 服务器连接
• 自动将 MCP 工具转换为 LangChain Tool 格式，无需手动适配
• 支持 stdio 和 streamable_http 两种传输方式
• 与 LangGraph 深度集成，可直接用于构建多步骤 Agent 工作流

实际场景：RAG + MCP 工具联动

python
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent

async def rag_with_mcp_tools():
    client = MultiServerMCPClient(
        {
            "db_server": {
                "url": "http://localhost:8001/mcp",
                "transport": "streamable_http",
            }
        }
    )

    async with client:
        tools = client.get_tools()
        llm = ChatOpenAI(model="gpt-4o", temperature=0)
        agent = create_react_agent(llm, tools)

        result = await agent.ainvoke({
            "messages": [{"role": "user", "content": "查找最近的订单中金额最高的客户信息"}]
        })
        return result

2. 与 LlamaIndex 集成

LlamaIndex 通过 MCP 工具适配器将 MCP Server 暴露的工具整合到其查询引擎和 Agent 中。

安装依赖

bash
pip install llama-index mcp

集成示例

python
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from llama_index.core.tools import FunctionTool
from llama_index.core.agent import ReActAgent
from llama_index.llms.openai import OpenAI

async def create_mcp_tool(session, tool_info):
    async def tool_fn(**kwargs):
        result = await session.call_tool(tool_info.name, arguments=kwargs)
        return result

    return FunctionTool.from_defaults(
        fn=tool_fn,
        name=tool_info.name,
        description=tool_info.description
    )

async def llamaindex_with_mcp():
    server_params = StdioServerParameters(
        command="python",
        args=["my_mcp_server.py"],
    )

    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            await session.initialize()
            tools_result = await session.list_tools()

            llama_tools = []
            for tool_info in tools_result.tools:
                tool = await create_mcp_tool(session, tool_info)
                llama_tools.append(tool)

            llm = OpenAI(model="gpt-4o")
            agent = ReActAgent.from_tools(llama_tools, llm=llm, verbose=True)
            response = agent.query("帮我查询今天的天气并分析适合的出行建议")
            print(response)

import asyncio
asyncio.run(llamaindex_with_mcp())

LlamaIndex 集成要点

• LlamaIndex 适合文档密集型应用，MCP 工具可补充其外部数据获取能力
• 优先使用 ReActAgent，它能根据查询自动决定是否调用 MCP 工具
• MCP 工具可与 LlamaIndex 内置的 QueryEngineTool 混合使用

3. 与 OpenAI Agents SDK 集成

OpenAI 的 Agents SDK 原生支持 MCP，通过 MCPServerStdio 和 MCPServerSse 两种类连接 MCP 服务器。

python
from agents import Agent, Runner
from agents.mcp import MCPServerStdio, MCPServerSse

async def openai_with_mcp():
    mcp_server = MCPServerStdio(
        name="file_system",
        params={"command": "python", "args": ["fs_mcp_server.py"]}
    )

    mcp_remote = MCPServerSse(
        name="search",
        url="http://localhost:8000/sse"
    )

    agent = Agent(
        name="MCP Assistant",
        instructions="你可以使用文件系统和搜索工具来帮助用户。",
        mcp_servers=[mcp_server, mcp_remote]
    )

    result = await Runner.run(agent, "读取 config.json 并搜索相关的配置说明")
    print(result.final_output)

4. 与 CrewAI 集成

CrewAI 支持 MCP 作为工具源，可快速为多智能体团队添加外部能力。

python
from crewai import Agent, Task, Crew
from mcp import StdioServerParameters
from crewai_tools import MCPTool

async def crewai_with_mcp():
    server_params = StdioServerParameters(
        command="python",
        args=["research_mcp_server.py"]
    )

    mcp_tool = MCPTool(server_params=server_params)
    tools = await mcp_tool.get_tools()

    researcher = Agent(
        role="研究员",
        goal="收集和分析信息",
        tools=tools,
        verbose=True
    )

    task = Task(
        description="研究 MCP 协议的最新发展趋势",
        agent=researcher
    )

    crew = Crew(agents=[researcher], tasks=[task])
    result = crew.kickoff()
    print(result)

各框架集成对比

框架	MCP 支持方式	适用场景	成熟度
LangChain	langchain-mcp-adapters 官方包	工具编排、多步骤 Agent	高
LlamaIndex	手动适配 + MCP Client	RAG + 外部工具增强	中
OpenAI Agents SDK	原生 MCPServerStdio/Sse	OpenAI 模型优先场景	高
CrewAI	MCPTool 适配器	多智能体协作	中

实战建议

选择策略

• 已有 LangChain 项目：直接使用 langchain-mcp-adapters，零侵入集成
• 文档密集型应用：LlamaIndex + MCP 工具，检索与工具调用互补
• OpenAI 生态：Agents SDK 原生支持，配置最简洁
• 多智能体场景：CrewAI + MCP，每个 Agent 可连接不同的 MCP Server

性能优化

• MCP 单次工具调用额外开销约 5-50ms，对大多数场景可忽略
• 频繁调用的工具结果可缓存，减少重复 MCP 请求
• 使用 streamable_http 传输时，建议配置连接池复用

调试技巧

使用 Anthropic 官方提供的 MCP Inspector 可视化调试工具：

bash
npx @modelcontextprotocol/inspector python my_server.py

该工具支持：

• 可视化测试每个 MCP 工具的输入输出
• 浏览 MCP Server 暴露的资源列表
• 实时查看请求/响应日志

总结

MCP 的价值在于一次编写，多框架复用。2026 年主流 AI 框架已全面拥抱 MCP，langchain-mcp-adapters 是目前最成熟的集成方案。建议优先使用各框架的官方 MCP 适配器，而非自行编写桥接代码，以确保兼容性和可维护性。