前言

在 昨天 Day 18，我們看到 MCP (Model Context Protocol) 如何把工具抽象成獨立服務，讓同一個工具能被 Claude Desktop、VSCode 插件，甚至不同 Agent 框架共用，大幅提升可攜性與治理彈性。

昨天我們先嘗試了 Claude Desktop 的整合，體驗了 MCP 如何讓外部 API 工具以獨立服務的方式接入應用。

今天，我們要把這個概念延伸到 LangChain (最新 v1.0 版) —— 讓 Agent 也能透過 MCP 來呼叫工具，並把結果整理成自然語言回覆。

這一步，就像在不同框架之間搭起一座橋，讓同一個工具可以跨平台使用。

為什麼要結合 MCP 與 LangChain？

雖然 LangChain 本身已經有完整的工具系統（例如 @tool、ToolNode 等），
MCP 的價值在於，它讓工具可以 脫離框架束縛，成為獨立的「跨平台服務」。

這樣的設計有幾個好處：

1. 共用性
   一個 MCP 工具，可以同時給 Claude、LangChain、VSCode 用，無需重寫。
2. 維護性
   工具與 Agent 流程分離（解耦），更新工具程式碼時，Agent 邏輯不需更動。
3. 一致性
   不同應用程式呼叫 MCP 工具，拿到的結果一致，避免版本分歧。

更直觀的比喻是：
MCP 就像一個標準化的「USB 插槽」，把不同工具變成可以隨插即用的裝置；
LangChain Agent 則像「電腦」，透過插槽與工具互動，依需求來運用它們。
電腦不需要理解滑鼠或隨身碟的內部設計，只要透過 USB 插槽，就能順利使用。

Demo：LangChain Agent 呼叫 MCP Weather Tool

我們延續昨天的例子 —— 查詢維也納天氣。
不同的是，這次改由 LangChain Agent 透過 MCP 工具來完成。

(以下程式寫法皆使用 LangChain 最新 v1.0 版，官方預計十月份（這個月）會全面切換到 v1.0 版本)

架構流程

圖：使用者提出問題後，LangChain Agent 判斷需要工具，呼叫 MCP Server 的 get_weather。MCP Server 負責轉接至 AccuWeather API，取得天氣資料，再回傳給 Agent，由 Agent 整理成自然語言回覆給使用者。

整個流程可以分成三個層次：

1. 使用者層

   • 輸入自然語言問題（例：「維也納的天氣如何？」）。

2. LangChain Agent 層

   • 推理後判斷需要外部工具。
   • 呼叫 MCP 工具（get_weather）。
   • 拿到 MCP 回傳結果，整理成自然語言回答。

3. MCP Server 層

   • MCP 工具 get_weather 負責與 AccuWeather API 溝通。
   • API 的結構化資料經由 MCP 回傳給 Agent。

透過這樣的分工，LangChain 專注在推理與對話，而 MCP 則把外部 API 包裝成 跨框架可重用的服務，讓工具在不同應用之間保持一致性。

MCP Server（查 AccuWeather 天氣）

要讓 LangChain Agent 能透過 MCP 呼叫工具，前提是要有一個 MCP Server 負責提供工具。
這部分的建立方式與細節，已經在 昨天 Day 18 的 Demo：把 AccuWeather 包裝成 MCP 工具 中完整說明。

簡單來說，MCP Server 的角色是：

1. 把外部 API（例如 AccuWeather）封裝成 MCP 工具（如 get_weather）。
2. 負責與 API 溝通，處理參數、請求與回傳。
3. 對外只暴露「工具介面」，讓不同框架（Claude、LangChain、VSCode 插件）都能共用。

MCP Client 設定與 Agent 建立

在進入程式之前，先安裝必要套件，並設定環境變數：

# 安裝套件
pip install -q --pre -U langchain
pip install -q -U langchain-google-genai
pip install -q langchain-mcp-adapters

# 設定環境變數
export GOOGLE_API_KEY={你的 Google API Key}
export ACCUWEATHER_API_KEY={你的 AccuWeather API Key}

以下程式示範如何將 MCP 工具注入 LangChain Agent：

from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain.chat_models import init_chat_model
from langchain.agents import create_agent
import asyncio
import os


async def run_agent_with_accuweather_mcp():
    # 從環境變數讀取 AccuWeather API Key
    accuweather_api_key = os.getenv("ACCUWEATHER_API_KEY")
    if not accuweather_api_key:
        raise ValueError("請設定 ACCUWEATHER_API_KEY 環境變數")
    
    # 建立 MultiServerMCPClient，並設定 AccuWeather MCP Server
    client = MultiServerMCPClient(
        {
            "accuweather": {
                "transport": "stdio",
                "command": "uv",
                "args": [
                    "--directory",
                    "{MCP 程式路徑}",
                    "run",
                    "weather_mcp_server.py"
                ],
                "env": {"ACCUWEATHER_API_KEY": accuweather_api_key}
            }
        }
    )

    # 取得 MCP 工具
    tools = await client.get_tools()
    
    # 從環境變數讀取 Google API Key
    google_api_key = os.getenv("GOOGLE_API_KEY")
    if not google_api_key:
        raise ValueError("請設定 GOOGLE_API_KEY 環境變數")
    
    # 建立 Gemini-2.5-FLASH LLM
    llm = init_chat_model(
        "gemini-2.5-flash", 
        model_provider="google_genai",
        api_key=google_api_key
    )

    # 建立 Agent，並加入 MCP 工具
    agent = create_agent(
        model=llm,
        tools=tools,
        prompt="你是一位天氣助理，可以透過工具查詢城市的即時天氣。"
    )

    # 與 Agent 對話，詢問維也納的天氣
    response = await agent.ainvoke({
        "messages": [{"role": "user", "content": "維也納的天氣如何？"}]
    })

    print("\n=== 對話歷程 ===")
    for m in response["messages"]:
        role = m.__class__.__name__
        print(f"[{role}] {getattr(m, 'content', '') or getattr(m, 'tool_calls', '')}")

    print("\n=== 模型最終回答 ===")
    print(response["messages"][-1].content)


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

這段程式主要完成以下幾件事：

1. 讀取 API Key

   • 從環境變數抓取 ACCUWEATHER_API_KEY 與 GOOGLE_API_KEY，確保程式能連線到 AccuWeather API 與 Gemini 模型。

2. 建立 MCP Client

   • 使用 MultiServerMCPClient 連線到 AccuWeather MCP Server，並將 get_weather 工具註冊進來。
   • MCP Client 的設定裡包含了執行指令（uv run main.py）、路徑與環境變數。

3. 取得工具清單

   • 呼叫 client.get_tools()，動態取得 MCP Server 提供的工具（此例為 get_weather）。

4. 建立 LLM

   • 初始化 Google Gemini-2.5-Flash 作為語言模型，負責推理與生成自然語言回覆。

5. 建立 Agent 並注入 MCP 工具

   • 透過 create_agent 把 LLM 與 MCP 工具組合在一起。
   • Agent 的提示設定為「你是一位天氣助理」，告訴模型使用工具回答天氣相關問題。

6. 執行對話

   • 使用 ainvoke 模擬一次對話，輸入「維也納的天氣如何？」。
   • Agent 會推理並呼叫 get_weather，最後輸出自然語言答案。

執行結果

圖：使用者詢問「維也納的天氣如何？」後，LangChain Agent 判斷需要呼叫 MCP 工具 get_weather，並由 MCP Server 向 AccuWeather API 取得即時天氣資料。接著 Agent 將 JSON 資料整理成自然語言回答，完整呈現氣溫、體感溫度、濕度、能見度、風速與紫外線指數等資訊，回覆給使用者。

這裡可以看到：

1. Agent 呼叫 MCP 工具 —— 帶入 city="維也納" 的參數。

2. MCP Server 負責 API 互動 —— 向 AccuWeather API 取回即時天氣資料。

3. Agent 整理回覆 —— 將結構化數據轉換成自然語言答案。

4. 分工的關鍵價值 ——

   • Agent 不需要理解 AccuWeather API 的細節，只要會呼叫 MCP 工具即可。
   • MCP Server 專責處理 API 的請求與回傳，保持獨立與可攜性，確保工具能跨應用共用。

小結

今天的重點是基礎整合：

• MCP 工具動態載入 —— 工具以獨立服務形式存在
• LangChain × MCP 基礎串接 —— Agent 能直接呼叫 MCP 工具
• 跨平台可攜性 —— 同一工具，同時能在 Claude 與 LangChain 中使用
• 分工的價值 —— Agent 專心做推理與回覆，MCP Server 專責 API 互動與維護

這是一個重要的轉折點：
工具不再依賴某一個框架，而是成為真正的 「共享資源」。

明天，我們將進一步挑戰：
不只是一個 MCP 工具，而是讓 Agent 能 同時協調多個 MCP 工具，並引入 ReAct 推理策略 —— 讓工具之間不再只是單獨呼叫，而能展開「智慧的對話」。

圖：布拉格克萊門特學院（Klementinum）的「天文塔 (Astronomical Tower)」內部，早期以大型日晷與弧形測角儀測量太陽位置來校準時間。這些精密的觀測工具，讓天文學家能準確掌握宇宙規律。正如 MCP 的角色 —— 提供標準化的「工具介面」，讓不同系統能在同一基準下協同運作，維持知識與應用的一致性。（攝影：作者自攝）