语言图谱-MCP
项目介绍
LangGraph 多MCP数学代理
这是一个使用多个模型上下文协议（MCP）服务器进行数学运算的LangGraph演示项目。该项目展示了如何构建一个智能代理，该代理可以无缝地使用不同的MCP服务器执行各种数学计算。
🚀 特性
- 多MCP集成：使用多个MCP服务器进行不同的数学运算
- 对话上下文：在多次查询中维护对话历史
- 智能工具选择：根据用户查询自动选择合适的工具
- 错误处理：具有强大错误处理能力并进行适当验证
- 可扩展架构：易于添加新的MCP服务器和数学运算
🏗️ 架构
系统由以下部分组成：
- 主代理（
client.py）：基于LangGraph的代理，协调多个MCP服务器 - 基础数学服务器（
elementary_math_server.py）：基本算术运算 - 高级数学服务器（
exponentiation_math_server.py）：幂运算和高级数学
┌─────────────────┐
│ LangGraph │
│ 数学代理 │
└─────────┬───────┘
│
├── 基础数学MCP服务器
│ ├── 加法
│ ├── 减法
│ ├── 乘法
│ └── 除法
│
└── 高级数学MCP服务器
├── 幂/指数
├── 平方
├── 立方
└── 平方根
📋 先决条件
- Python 3.8+
- Google Cloud凭证（用于Vertex AI Gemini模型）
- 运行MCP服务器的能力
🛠️ 安装
-
克隆仓库：
git clone <你的仓库地址> cd langgraph-multi-mcp-math -
安装依赖项：
pip install -r requirements.txt -
设置Google Cloud凭证：
# 选项1：使用gcloud CLI gcloud auth application-default login # 选项2：使用服务账户密钥 export GOOGLE_APPLICATION_CREDENTIALS="path/to/your/service-account-key.json"
🚀 使用方法
基本用法
运行主要演示：
python client.py
这将启动数学代理，并展示跨多个查询的各种数学运算。
示例交互
演示包括几个示例查询：
- 基本算术：
"3 + 5 的结果乘以 12 是多少？" - 上下文后续：
"现在我想得到那个结果的平方" - 高级运算：
"2的8次方加15等于多少？"
样例输出
🧮 LangGraph 多MCP数学代理演示
========================================
🔍 查询1：3 + 5 的结果乘以 12 是多少？
----------------------------------------
基础数学：3 + 5 = 8
基础数学：8 × 12 = 96
AI：(3 + 5) × 12 的结果是 96。
🔍 查询2：现在我想得到那个结果的平方
----------------------------------------
高级数学：96² = 9216
AI：96 的平方是 9,216。
🔍 查询3：2的8次方加15等于多少？
----------------------------------------
高级数学：2^8 = 256
基础数学：256 + 15 = 271
AI：2^8 + 15 等于 271。
📁 项目结构
├── client.py # 主LangGraph代理
├── elementary_math_server.py # 基础数学运算MCP服务器
├── exponentiation_math_server.py # 高级数学运算MCP服务器
├── requirements.txt # Python依赖项
└── README.md # 本文档
🔧 可用操作
基础数学服务器
- 加法：
add(a, b)- 将两个整数相加 - 减法：
subtract(a, b)- 将两个整数相减 - 乘法：
multiply(a, b)- 将两个整数相乘 - 除法：
divide(a, b)- 执行带商和余数的除法
高级数学服务器
- 幂：
power(base, exponent)- 计算base^exponent - 平方：
square(number)- 计算number² - 立方：
cube(number)- 计算number³ - 平方根：
square_root(number)- 计算√number
🎯 关键组件
MathAgent 类
核心的MathAgent类提供了：
- 初始化：设置MCP客户端和工具
- 图构建：创建LangGraph工作流
- 查询处理：处理带有上下文的单个查询
- 消息管理：格式化和显示对话历史
LangGraph 工作流
代理使用简单但有效的工作流：
- 模型调用：LLM分析查询并决定工具使用
- 工具执行：如果需要工具，则通过MCP服务器执行它们
- 响应生成：基于工具结果生成最终响应
- 继续逻辑：确定是否需要更多的工具调用
🔄 扩展系统
添加新的MCP服务器
-
创建一个新的MCP服务器：
from mcp.server.fastmcp import FastMCP mcp = FastMCP("您的服务器名称") @mcp.tool() def your_function(param: int) -> int: """您的函数描述""" return param * 2 if __name__ == "__main__": mcp.run(transport="stdio") -
添加到客户端配置：
server_config = { "your_server": { "command": "python", "args": ["your_server.py"], "transport": "stdio", }, # ... 现有服务器 }
添加新操作
只需向适当的服务器文件添加新的@mcp.tool()装饰函数。
🐛 故障排除
常见问题
-
Google Cloud认证：
# 验证认证 gcloud auth list gcloud config list -
MCP服务器连接问题：
- 确保Python脚本可执行
- 检查MCP服务器是否无误启动
- 验证stdio传输是否正常工作
-
未找到工具错误：
- 检查所有MCP服务器是否正确配置
- 验证服务器和客户端之间的工具名称匹配
调试模式
通过修改日志级别启用详细日志记录：
logging.basicConfig(level=logging.DEBUG)
📊 性能考虑
- 工具缓存：MCP工具在初始化期间加载一次
- 消息上下文：对话历史随着每次查询增长
- 并发操作：MCP服务器异步处理请求
🤝 贡献
- 分叉仓库
- 创建功能分支
- 添加改进
- 彻底测试
- 提交拉取请求
📝 许可
此项目采用MIT许可 - 查看LICENSE文件了解详情。
🙏 致谢
- LangGraph 为基于图的代理框架
- 模型上下文协议 为MCP规范
- Google Vertex AI 为Gemini模型
📞 支持
对于问题或问题：
- 查看上面的故障排除部分
- 查阅LangGraph文档
- 查阅MCP文档
- 在此仓库中打开一个问题
愉快编码！ 🧮✨