🚀 基于 LangGraph + MCP 的 AI Agent 实战：从 0 搭建一个天气查询工具系统（2026最新版）

📌 一、项目背景

在传统的 LangChain Agent 开发中，我们通常会把工具（Tool）直接写在代码里，例如：

• 天气查询函数
• 搜索函数
• 文件操作函数

这种方式虽然简单，但存在明显问题：

• ❌ 工具无法复用
• ❌ Agent 与工具强耦合
• ❌ 不适合多 Agent 系统
• ❌ 难以工程化扩展

---

为了解决这些问题，本项目使用：

🔥 MCP（Model Context Protocol） + LangGraph + DeepSeek LLM

构建一个可扩展的工具服务化 AI Agent 系统。

---

🧠 二、系统架构设计

整体架构如下：

用户
  ↓
LangGraph Agent（大脑）
  ↓
MCP Client（工具调度器）
  ↓
MCP Server（天气工具服务）
  ↓
OpenWeather API（真实数据源）

---

🧩 核心思想

组件	作用
MCP Server	提供工具能力（天气查询）
MCP Client	发现并调用工具
LangGraph Agent	负责推理与决策
LLM（DeepSeek）	负责语言理解与生成

---

⚙️ 三、环境准备

1️⃣ 安装依赖

pip install langchain langgraph langchain-mcp-adapters loguru httpx python-dotenv

---

2️⃣ 配置环境变量（.env）

DEEPSEEK_API_KEY=你的key
OPENWEATHER_API_KEY=你的key

---

3️⃣ MCP 配置文件（mcp.json）

{
  "mcpServers": {
    "weather": {
      "url": "http://127.0.0.1:8000/sse",
      "transport": "sse"
    }
  }
}

---

🌩️ 四、MCP Server（工具服务端）

📌 代码：weather_server.py

import json
import os
import httpx
from dotenv import load_dotenv
from loguru import logger
from mcp.server.fastmcp import FastMCP

load_dotenv()

# 创建 MCP Server
mcp = FastMCP("WeatherServerSSE", host="0.0.0.0", port=8000)


@mcp.tool()
def get_weather(city: str) -> str:
    """
    查询指定城市天气
    """
    url = "https://api.openweathermap.org/data/2.5/weather"

    params = {
        "q": city,
        "appid": os.getenv("OPENWEATHER_API_KEY"),
        "units": "metric",
        "lang": "zh_cn"
    }

    resp = httpx.get(url, params=params, timeout=10)
    data = resp.json()

    logger.info(f"{city} 天气查询成功")

    return json.dumps(data, ensure_ascii=False)


if __name__ == "__main__":
    logger.info("🚀 MCP Weather Server 启动中...")
    mcp.run(transport="sse")

---

📌 作用

👉 将“天气查询能力”封装成可远程调用的工具服务

---

🔗 五、MCP Client + LangGraph Agent

📌 代码：client.py

import asyncio
import json
import os
from dotenv import load_dotenv
from loguru import logger

from langchain_mcp_adapters.client import MultiServerMCPClient
from langgraph.prebuilt import create_react_agent
from langchain.chat_models import init_chat_model

load_dotenv(override=True)


def load_servers(file_path="mcp.json"):
    with open(file_path, "r", encoding="utf-8") as f:
        return json.load(f)["mcpServers"]


async def main():

    # 1️⃣ 加载 MCP Server
    servers = load_servers()

    # 2️⃣ 创建 MCP Client
    client = MultiServerMCPClient(servers)

    # 3️⃣ 获取 tools
    tools = await client.get_tools()
    logger.info(f"🧩 Tools: {[t.name for t in tools]}")

    # 4️⃣ 初始化 LLM（DeepSeek）
    llm = init_chat_model(
        "deepseek-chat",
        model_provider="deepseek",
        api_key=os.getenv("DEEPSEEK_API_KEY")
    )

    # 5️⃣ 创建 Agent
    agent = create_react_agent(llm, tools)

    logger.info("🤖 MCP Agent 已启动")

    # 6️⃣ 交互循环
    while True:
        query = input("\n用户: ").strip()
        if query.lower() == "quit":
            break

        result = await agent.ainvoke({
            "messages": [("user", query)]
        })

        print("\nAI:", result["messages"][-1].content)


if __name__ == "__main__":
    asyncio.run(main())

---

📌 作用

👉 这是整个系统的“大脑 + 工具调度中心”

---

🔁 六、运行流程解析

一次完整请求流程如下：

用户输入问题
   ↓
LangGraph Agent（理解问题）
   ↓
判断需要调用工具
   ↓
MCP Client 获取 get_weather
   ↓
调用 MCP Server
   ↓
请求 OpenWeather API
   ↓
返回天气数据
   ↓
LLM总结输出结果

---

🔥 七、关键技术点总结

1️⃣ MCP（核心升级点）

相比传统 tool：

方式	特点
本地 tool	耦合强
MCP tool	服务化、可复用

---

2️⃣ LangGraph Agent

替代传统：

• AgentExecutor ❌
• ReAct 手动循环 ❌

使用：

• create_react_agent ✅

---

3️⃣ Async 全链路

必须统一：

• MCP tools → async
• Agent → ainvoke
• pipeline → async

---

---

🧠 八、总结

本项目完成了一个完整的：

🚀 基于 MCP + LangGraph 的工具化 AI Agent 系统

实现了：

• 工具服务化（MCP Server）
• 工具自动发现（MCP Client）
• AI推理调度（LangGraph）
• 多工具协同调用

---