LangChain 集成 MCP 全链路实战：MultiServerMCPClient 自动获取工具及 Resource 资源注入

佚名 2026-07-14 08:23:59

LangChain 集成 MCP 全链路实战：MultiServerMCPClient 自动获取工具与 Resource 资源注入

前言

在之前的手写 MCP Server 文章中，我们实现了一个数据库查询 Server，注册了 query_user 工具。要把它接入 LangChain Agent，常规思路是：手动启动 MCP Server → 通过 stdio 通信 → 解析 JSON-RPC 消息 → 转换成 LangChain Tool 对象 → 绑定到模型。

LangChain 集成 MCP 全链路实战：MultiServerMCPClient 自动获取工具与 Resource 资源注入

太麻烦了。

@langchain/mcp-adapters 包的出现解决了这个问题。它提供了 MultiServerMCPClient，可以自动连接多个 MCP Server、自动获取所有工具和资源，然后用一行代码接入你的 LangChain 工作流。

同时，本文还会介绍 MCP 中一个被忽略但非常重要的概念——Resource（资源）。它不仅是 Tool 的补充，更是 RAG 之外丰富 LLM 上下文的另一种手段。

一、为什么需要 MultiServerMCPClient？

1.1 手动集成的麻烦

 复制代码//  手动集成的痛苦流程：
// 1. 手动启动 MCP Server 子进程
const child = spawn('node', ['my-mcp-server.mjs'], { stdio: 'pipe' });
// 2. 手动发送 JSON-RPC 消息到 stdin
// 3. 手动解析 stdout 返回的 JSON
// 4. 手动将 MCP 工具格式转换为 LangChain Tool 格式
// 5. 手动 bindTools

1.2 MultiServerMCPClient 的一行解决

 复制代码import { MultiServerMCPClient } from '@langchain/mcp-adapters';const mcpClient = new MultiServerMCPClient({
  mcpServers: {
    'my-mcp-server': {
      command: 'node',
      args: ['/path/to/my-mcp-server.mjs']
    }
  }
});// 自动获取所有工具
const tools = await mcpClient.getTools();
// tools 已经是 LangChain Tool 格式，直接绑定
const modelWithTools = model.bindTools(tools);

核心价值：

手动集成	MultiServerMCPClient
手动启动子进程	自动 spawn
手动发送 JSON-RPC	自动协议通信
手动解析返回格式	自动格式转换
手动构造 Tool 对象	自动 getTools()
一个 Server 一套代码	一个 Client 管理多个 Server

二、MCP Resource：RAG 之外丰富上下文的手段

2.1 Tool vs Resource 的区别

在 MCP 中，有两种扩展 LLM 上下文的方式：

概念	作用	触发时机	类比
Tool	让 LLM 做更多	LLM 主动判断并调用	人的手（执行动作）
Resource	让 LLM 知道更多	自动注入上下文	人的记忆（提供知识）

2.2 Resource 的本质

Resource（资源）是 MCP Server 向 Agent 暴露的静态知识片段。它们可以是：

项目文档（README、API 文档）
使用指南、配置说明
代码规范、开发手册
内部知识库文章

这些资源在 Agent 启动时自动获取，作为 SystemMessage 的一部分注入到 LLM 的上下文中，让 LLM 在回答问题时拥有更多背景知识。

2.3 Resource vs RAG

笔记中提到了一个精准的对比：

维度	Resource	RAG
触发方式	启动时自动注入	查询时实时检索
数据量	较小（文档级别）	较大（知识库级别）
适用场景	使用指南、配置、规范	海量文档、FAQ
上下文窗口	受 LLM 上下文限制	可以很大（检索后摘要）

 复制代码Resource：
  Agent 启动 → 读取 docs://guide → 注入 SystemMessage
  → LLM 始终知道"这个 Server 是做什么的"RAG：
  用户提问 → 向量化查询 → 检索相关文档 → 注入 Prompt
  → LLM 根据检索结果回答

Resource 是 RAG 之外丰富上下文的另一种手段——适合那些不需要检索、但需要 LLM 始终知道的小段文档。

三、实战：完整的 MCP Server + Resource + MultiServerMCPClient

3.1 MCP Server 端：注册 Tool + Resource

my-mcp-server.mjs：

 复制代码import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';
import { z } from 'zod';const database = {
  users: {
    '001': { id: '001', name: '祖豪', email: '[email protected]', role: 'admin' },
    '002': { id: '002', name: '光光', email: '[email protected]', role: 'user' },
    '003': { id: '003', name: '小红', email: '[email protected]', role: 'user' },
  }
};const server = new McpServer({
  name: 'my-mcp-server',
  version: '1.0.0'
});// ===== 注册 Tool =====
server.registerTool('query_user', {
  description: '查询数据库中的用户信息',
  inputSchema: {
    userId: z.string().describe('用户ID, 例如：001, 002, 003')
  }
}, async ({ userId }) => {
  const user = database.users[userId];
  if (!user) {
    return {
      content: [{ type: 'text', text: `用户 ID ${userId} 不存在。可用的ID: 001, 002, 003` }]
    };
  }
  return {
    content: [{
      type: 'text',
      text: `用户 ${user.id} 的信息：姓名：${user.name}, 邮箱：${user.email}, 角色：${user.role}`
    }]
  };
});// ===== 注册 Resource（关键新增）=====
server.registerResource(
  '使用指南',                           // 资源名称
  'docs://guide',                      // URI（统一资源标识符）
  {                                    // 元信息
    description: 'MCP Server 使用指南',
    mimeType: 'text/plain'
  },
  async () => {                        // 资源内容提供函数
    return {
      contents: [{
        uri: 'docs://guide',
        mimeType: 'text/plain',
        text: `
MCP Server 使用指南
功能：提供用户查询等工具。
使用：在 Cursor 等 MCP Client 中通过自然语言对话，
      Client 会自动调用相应工具。
        `
      }]
    };
  }
);// 启动 stdio 传输
const transport = new StdioServerTransport();
await server.connect(transport);

Resource 注册的关键点：

参数	说明
`name`	资源名称（LLM 可见）
`uri`	统一资源标识符（如 `docs://guide`）
`metadata`	描述和 MIME 类型
`handler`	返回资源内容的异步函数

3.2 LangChain 客户端：MultiServerMCPClient

langchain-mcp-test.mjs：

 复制代码import 'dotenv/config';
import { MultiServerMCPClient } from '@langchain/mcp-adapters';
import { ChatOpenAI } from '@langchain/openai';
import chalk from 'chalk';
import {
  HumanMessage,
  SystemMessage,
  ToolMessage
} from '@langchain/core/messages';// 1. 创建 LLM
const model = new ChatOpenAI({
  modelName: 'deepseek-v4-pro',
  apiKey: process.env.DEEPSEEK_API_KEY,
  temperature: 0,
  configuration: {
    baseURL: 'https://api.deepseek.com/v1',
  },
});// 2. 创建 MultiServerMCPClient
const mcpClient = new MultiServerMCPClient({
  mcpServers: {
    'my-mcp-server': {
      command: 'node',
      args: ['/path/to/my-mcp-server.mjs']
    }
  }
});// 3. 自动获取所有工具
const tools = await mcpClient.getTools();
console.log(`获取到 ${tools.length} 个工具`);// 4. 获取所有 Resource 资源
const res = await mcpClient.listResources();
let resourceContent = '';
for (const [serverName, resources] of Object.entries(res)) {
  for (const resource of resources) {
    const content = await mcpClient.readResource(serverName, resource.uri);
    resourceContent += content[0].text;
  }
}
console.log(resourceContent, '---------------');// 5. 绑定工具到模型
const modelWithTools = model.bindTools(tools);

3.3 Resource 注入 SystemMessage

 复制代码async function runAgentWithTools(query, maxIterations = 30) {
  const messages = [
    //  Resource 内容作为 SystemMessage，自动注入上下文
    new SystemMessage(resourceContent),
    new HumanMessage(query)
  ];  for (let i = 0; i < maxIterations; i++) {
    console.log(chalk.bgGreen(`正在等待AI思考, 第${i}轮....`));
    const response = await modelWithTools.invoke(messages);
    messages.push(response);    // 没有 tool_calls → 直接回答
    if (!response.tool_calls || response.tool_calls.length === 0) {
      console.log(`n AI 最终回复： n ${response.content}`);
      return response.content;
    }    console.log(chalk.bgBlue(`检测到 ${response.tool_calls.length} 个工具调用`));
    console.log(chalk.bgBlue(`工具调用: ${response.tool_calls.map(t => t.name).join(', ')}`));    // 执行工具调用
    for (const toolCall of response.tool_calls) {
      const foundTool = tools.find(t => t.name === toolCall.name);
      if (foundTool) {
        const toolResult = await foundTool.invoke(toolCall.args);
        messages.push(new ToolMessage({
          content: toolResult,
          tool_call_id: toolCall.id
        }));
      }
    }
  }  return messages[messages.length - 1].content;
}// 查询用户信息
await runAgentWithTools('查一下用户002的信息');// 询问使用指南（Resource 内容已注入 SystemMessage）
await runAgentWithTools('MCP Server的使用指南是什么？');

3.4 资源释放：mcpClient.close()

 复制代码// 关闭所有 MCP 子进程与通信通道，释放进程资源
await mcpClient.close();

为什么必须 close()？

 复制代码node langchain-mcp-test.mjs
  → 启动主进程
  → MultiServerMCPClient 内部 spawn 子进程
  → 子进程启动 my-mcp-server.mjs（stdio 连接）
  → 主进程通过 stdio 和子进程通信如果不 close()：
  → 子进程一直运行
  → 主进程退出后，子进程变成"孤儿进程"
  → 占用系统资源close() 的作用：
  → 关闭 stdio 通信通道
  → 终止子进程
  → 释放所有相关资源

四、完整链路架构图

 复制代码┌─────────────────────────────────────────────────────────────────────┐
│                    LangChain + MCP 全链路架构                          │
├─────────────────────────────────────────────────────────────────────┤
│  LangChain 客户端（langchain-mcp-test.mjs）                           │
│  ┌──────────────────────────────────────────────────────────────┐   │
│  │  MultiServerMCPClient                                         │   │
│  │  ├── mcpClient.getTools()  → 自动获取所有 Tool               │   │
│  │  ├── mcpClient.listResources() → 列出所有 Resource            │   │
│  │  ├── mcpClient.readResource() → 读取 Resource 内容           │   │
│  │  └── mcpClient.close() → 释放资源                            │   │
│  └──────────────────────────────────────────────────────────────┘   │
│                         ↓ stdio（JSON-RPC）                         │
│  ┌──────────────────────────────────────────────────────────────┐   │
│  │  ChatOpenAI + bindTools(tools)                                │   │
│  │  SystemMessage(resourceContent)  ← Resource 注入上下文         │   │
│  │  ReAct 循环：invoke → tool_calls → ToolMessage → invoke      │   │
│  └──────────────────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────────────┐
│  MCP Server（my-mcp-server.mjs）                                      │
│  ┌──────────────────────────────────────────────────────────────┐   │
│  │  registerTool('query_user')                                   │   │
│  │    → 查询 database.users                                      │   │
│  │                                                               │   │
│  │  registerResource('使用指南', 'docs://guide')                │   │
│  │    → 返回静态文档内容                                         │   │
│  └──────────────────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────────────────┘

五、从单个 Server 到多个 Server

MultiServerMCPClient 的核心优势之一就是支持多个 MCP Server：

 复制代码const mcpClient = new MultiServerMCPClient({
  mcpServers: {
    'user-db': {
      command: 'node',
      args: ['/path/to/user-db-server.mjs']
    },
    'file-system': {
      command: 'node',
      args: ['/path/to/filesystem-server.mjs']
    },
    'weather-api': {
      command: 'node',
      args: ['/path/to/weather-server.mjs']
    }
  }
});// 自动合并所有 Server 的工具
const tools = await mcpClient.getTools();
// tools 包含 user-db + file-system + weather-api 的所有工具

多 Server 的价值：

Server	负责	语言
user-db	用户数据查询	Node.js
file-system	文件读写	Node.js
weather-api	天气查询	Python

Agent 只需要一个 MultiServerMCPClient，就能同时调用三个 Server 的工具——跨进程、跨语言、统一管理。

知识树

 复制代码LangChain 集成 MCP 全链路实战
├── MultiServerMCPClient 核心价值
│   ├── 自动 spawn 子进程
│   ├── 自动 JSON-RPC 通信
│   ├── 自动格式转换
│   └── 自动 getTools()
├── MCP Resource（资源）
│   ├── Tool vs Resource 区别（做 vs 知道）
│   ├── Resource vs RAG 对比（启动注入 vs 实时检索）
│   ├── registerResource(name, uri, meta, handler)
│   └── Resource 注入 SystemMessage
├── 完整链路
│   ├── Server 端：registerTool + registerResource
│   ├── Client 端：MultiServerMCPClient
│   │   ├── getTools() → bindTools
│   │   ├── listResources() + readResource()
│   │   └── close() → 释放资源
│   └── ReAct 循环：SystemMessage(resource) + HumanMessage
├── 审查纠正
│   ├── registerTool handler 参数（{userId} 对象解构）
│   ├── Resource URI 拼写一致性
│   ├── Promise.all 风险提示
│   └── chalk.bgBlue 重复调用
└── 进阶：多 Server 统一管理

结语

从手写 MCP Server 到 LangChain MultiServerMCPClient，我们完成了 MCP 集成的最后一公里：

MCP Server：注册 Tool + Resource，独立运行
MultiServerMCPClient：自动获取工具和资源，一行代码接入
Resource 注入：静态文档自动成为 SystemMessage，丰富 LLM 上下文
资源释放：mcpClient.close() 防止子进程泄漏

这套组合的价值在于：MCP Server 的开发者专注于工具实现，LangChain Agent 的开发者专注于业务逻辑，两者通过标准协议解耦。

参考与拓展阅读：

@langchain/mcp-adapters 官方文档
MCP 协议规范（Model Context Protocol Specification）
《MCP 跨进程工具调用深度解析》—— LangChain Tool 的局限与 MCP 解耦
《手写 MCP Server 全栈实战》—— Node.js + Zod 构建工具
《从零手写 AI Agent》—— LangChain Tool 注册入门

#MCP #LangChain #MultiServerMCPClient #Resource #AIAgent #掘金技术社区

详情

导航

详情

LangChain 集成 MCP 全链路实战：MultiServerMCPClient 自动获取工具及 Resource 资源注入

LangChain 集成 MCP 全链路实战：MultiServerMCPClient 自动获取工具与 Resource 资源注入

前言

一、为什么需要 MultiServerMCPClient？

1.1 手动集成的麻烦

1.2 MultiServerMCPClient 的一行解决

二、MCP Resource：RAG 之外丰富上下文的手段

2.1 Tool vs Resource 的区别

2.2 Resource 的本质

2.3 Resource vs RAG

三、实战：完整的 MCP Server + Resource + MultiServerMCPClient

3.1 MCP Server 端：注册 Tool + Resource

3.2 LangChain 客户端：MultiServerMCPClient

3.3 Resource 注入 SystemMessage

3.4 资源释放：mcpClient.close()

四、完整链路架构图

五、从单个 Server 到多个 Server

知识树

结语

拯救笨蛋男友

生态陕西

黄衣宝宝模拟

野草论坛

残喘

尺子测量全能王

ANITABImap地图

闹鬼殡仪馆

家有好医

智子风暴

漫社堂

胡闹西游

爱贝孕育

顶级富豪

国际校讯通

坦克来了

切片相机

csp绘画

龙兽争霸4深海狂魔

真实赛车3满级版

人生回忆录APP

他们来了

精灵识字

快递头条