前言

在 昨天 Day 19，我們示範了 LangChain × MCP 的基礎整合：
Agent 能透過 MCP 呼叫單一工具（天氣查詢），並將 API 結果轉換成自然語言回覆。

但真實的應用往往不只需要一個工具。
例如要規劃旅行，Agent 可能同時需要「天氣資訊」與「景點推薦」：

• 如果天氣好，推薦戶外景點；
• 如果下雨，則建議室內景點。

這就需要 多工具協同。
今天，我們要讓 Agent 學會「自己思考」該用哪些工具、何時使用，
並透過 ReAct 策略（Reason + Act），讓多個 MCP 工具展開「智慧的對話」。

為什麼需要多工具協同？

單一工具像是一把螺絲起子，能解決特定問題；
但要完成一個完整專案，往往得靠螺絲起子、鉗子、錘子…協作完成。

這時：

• MCP 提供標準化的「USB 插槽」，讓不同工具能隨插即用；
• LangChain Agent + ReAct 策略 則像「工地現場的工頭」，能根據情境調度合適的工具，
  先思考、再行動、再整合。

ReAct 策略的 TAO 循環

在昨天的範例中，Agent 是單次呼叫 MCP 工具，屬於「一次推理 → 一次行動」的單輪結構。
但當進入多工具情境時，我們需要一個更靈活的思考框架——這就是 ReAct 策略。

ReAct 的運作循環可以簡化為三個步驟：

T → A → O：Think → Act → Observe

1. Think（思考）：
   模型根據使用者問題進行推理，思考需要哪些資訊或工具來回答。
2. Act（行動）：
   選擇並呼叫合適的工具（例如：get_weather、get_attractions）。
3. Observe（觀察）：
   讀取工具的回傳結果，並更新推理，進入下一輪思考。

這樣的循環可以重複多次，直到模型確認掌握足夠資訊，才進行最終回答。

舉例來說，在今天的「旅行規劃助理」中：

1. Think：維也納天氣如何？適合室內還是室外？
2. Act：呼叫 get_weather("維也納")
3. Observe：天氣涼爽多雲 → 適合室內活動
4. Think：那有沒有適合的室內景點？
5. Act：呼叫 get_attractions("維也納")
6. Observe：取得皇宮、博物館清單 → 整理出推薦回覆

這就是 ReAct 在多工具情境下的「思考－行動－觀察」循環。
更詳細的運作原理、Prompt 設計與內部狀態管理，可參考 基礎篇 Day 8 (ReAct)。

Demo：旅行規劃助手（Weather MCP + Attractions MCP）

今天我們要打造一個「旅行規劃助手」：

• 使用 Weather MCP 查詢目的地的天氣狀況
• 使用 Wikivoyage MCP 查詢當地主要景點資訊
• Agent 透過 ReAct 策略 自行判斷先後順序，並整合最終答案

MCP Server：Attractions MCP（以 Wikivoyage API 實作）

繼昨天的天氣 MCP，我們再新增一個 MCP Server，這次改用 維基導遊 (Wikivoyage) 作為資料來源。
這個 API 能直接抓取城市條目的 HTML 內容，我們再透過 BeautifulSoup 解析「主要景點」章節。

pip install -q httpx beautifulsoup4

import httpx
from bs4 import BeautifulSoup
from mcp.server.fastmcp import FastMCP

mcp = FastMCP("attractions-mcp")

WIKIVOYAGE_API = "https://zh.wikivoyage.org/w/api.php"

@mcp.tool()
async def get_attractions(city: str) -> dict:
    """查詢指定城市的熱門景點（使用 Wikivoyage 中文 API）。
    
    Args:
        city: 城市名稱
    Returns:
        景點列表（中文名稱）
    """
    # Step 1. 取得城市的 Wikivoyage 頁面標題
    search_params = {
        "action": "parse",
        "page": city,
        "prop": "text",
        "uselang": "zh-tw",
        "format": "json"
    }

    async with httpx.AsyncClient(timeout=10.0) as client:
        res = await client.get(WIKIVOYAGE_API, params=search_params)
        parsed = res.json()

    html = parsed.get("parse", {}).get("text", {}).get("*", "")
    if not html:
        return {"error": "無法取得頁面內容"}

    # Step 3. 用 BeautifulSoup 抽取景點章節
    soup = BeautifulSoup(html, "html.parser")
    attractions = []

    see_section = soup.find(id="主要景點")
    if see_section:
        for li in see_section.find_all_next("li", limit=20):  # 抓前 20 筆
            # 1) 名稱：span.listing-name
            name_span = li.find("span", class_="listing-name")
            name = name_span.get_text(strip=True) if name_span else li.get_text(strip=True)

            # 2) 說明：蒐集 span.note（時間/價格/簡介等）
            note_texts = [n.get_text(" ", strip=True) for n in li.select("span.note")]
            info = " ".join(note_texts).strip()

            # 3) 後備：若沒有 note，就用整段文字扣掉名稱
            if not info:
                whole = li.get_text(" ", strip=True)
                info = whole.replace(name, "", 1).strip(" ，。；：-— ")

            attractions.append({"name": name, "info": info})

    return {"city": city, "attractions": attractions or ["暫時查不到景點"]}

if __name__ == "__main__":
    mcp.run()

這次我們使用 httpx 而非傳統的 requests，原因在於：

• 它支援 async / await，能與 LangChain 的非同步架構更好整合。
• 效能更高，可同時請求多個頁面。
• 提供更細緻的逾時與錯誤處理控制。

在 Claude Desktop 測試 MCP Server

完成 Wikivoyage MCP 後，我們也可以直接在 Claude Desktop 中測試這個工具。

開啟設定選單，點選左下角的 Manage connectors，就能看到可用的 MCP 工具。
將 attractions 工具開啟後，Claude 就能直接呼叫這個 MCP Server。

圖：在 Claude Desktop 中啟用 attractions MCP 工具後，Claude 可直接呼叫本地 MCP Server。

接著輸入像「維也納有哪些景點？」這樣的問題，就能看到 Claude 自動觸發 MCP 工具的請求與回傳結果。

圖：Claude Desktop 呼叫 Wikivoyage MCP 工具查詢維也納景點，MCP Server 回傳景點清單（例如美泉宮、皇宮與史蒂芬大教堂），Claude 將其轉換為自然語言回覆。

架構流程

圖：Agent 先呼叫 Weather MCP 查天氣，再呼叫 Attractions MCP 查景點，最後整合成推薦行程。

MCP Client 與 Agent 建立

同樣先安裝必要套件與設定環境變數：

pip install -q --pre -U langchain
pip install -q -U langchain-google-genai
pip install -q langchain-mcp-adapters

export GOOGLE_API_KEY={你的 Google API Key}
export ACCUWEATHER_API_KEY={你的 AccuWeather API Key}

接著在 LangChain 建立多工具 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_multi_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}
            },
            "attractions": {
                "transport": "stdio",
                "command": "uv",
                "args": [
                    "--directory",
                    "{MCP 程式路徑}",
                    "run",
                    "attractions_mcp_server.py"
                ]
            }
        }
    )

    # 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="你是一位旅遊助理，可以根據天氣與景點資料，推薦最合適的維也納旅遊行程。"
    )

    # 與 Agent 對話，詢問維也納的推薦景點
    response = await agent.ainvoke({
        "messages": [{"role": "user", "content": "幫我依今天天氣推薦維也納景點"}]
    })

    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_multi_mcp())

執行結果

執行後，Agent 會自動決定查詢順序並整合回答：

圖：旅行助理接收「幫我推薦維也納旅遊景點」後，先透過 Weather MCP 查得「多雲涼爽」，再用 Wikivoyage MCP 抽取主要景點。模型依據天氣，推薦皇宮與博物館等室內行程，也建議在多雲氣候下輕鬆散步的戶外選項，展現 ReAct 策略下的多工具協作。

智慧的多工具對話：從天氣到景點的思考鏈

這段輸出展示了 Agent 如何「先思考、再行動」：

1. 查天氣 —— Weather MCP 回傳「多雲、12.1°C、涼爽無雨」。
2. 查景點 —— Wikivoyage MCP 抽取出維也納主要景點，包括皇宮、美泉宮、藝術史博物館與史蒂芬大教堂。
3. 整合回答 —— 模型根據氣候條件判斷：
   室內建議 → 皇宮、博物館；
   戶外建議 → 美泉宮花園與教堂登塔。

這種「思考 → 工具呼叫 → 再思考 → 回覆」的互動過程，就是 ReAct 策略 的精髓。
Agent 不再只是被動查資料，而是真正具備「思考 + 行動 + 整合」的能力，展現出接近人類導遊的智慧。

小結

今天，我們完成了從「單工具」到「多工具協同」的跨越：

• 多工具 MCP 整合 —— Agent 同時調度 Weather MCP 與 Attractions MCP。
• ReAct 策略 —— 模型能先思考，再決定是否與哪個工具互動。
• 智慧的對話流程 —— 工具間的輸出輸入形成「協作循環」。

這樣的設計讓 AI Agent 不再只是「回答問題」，而是能根據情境自主規劃、整合多來源資訊。