推荐支持MCP的六大AI框架 - 链载Ai

AI智能体工具包为开发者提供了多样化的API接口，旨在为AI解决方案配备执行任务所需的工具，并确保输出结果的准确性以满足用户需求。然而，将这些工具集成至AI应用程序并进行有效管理往往面临诸多混乱。本文将通过模型上下文协议（MCP），向大家介绍为大型语言模型和智能体提供上下文的行业标准实践。

默认情况下，如果不为LLM（大语言模型）和AI聊天机器人提供适当的上下文，它们将无法获取实时信息、执行代码、调用外部工具和API，甚至无法代表用户使用浏览器。开发者可以采用以下方法来解决LLM和智能体的这一局限性。

ingFang SC", system-ui, -apple-system, "Segoe UI", Rototo, Helvetica, Arial, sans-serif; font-size: 15px;">Composio 提供了一套规范和工具库，用于集成AI智能体和LLM。除了现成的工具库外，Composio 近期还推出了Composio MCP，使开发者能够连接100多个支持MCP的IDE服务器。通过下述链接，

ingFang SC", system-ui, -apple-system, "Segoe UI", Rototo, Helvetica, Arial, sans-serif; font-size: 15px;">大家可以查看Composio MCP 工具分类，并在支持MCP的IDE（如Cursor、Claude和Windsurf）中将多个应用集成到您的项目中。

ingFang SC", system-ui, -apple-system, "Segoe UI", Rototo, Helvetica, Arial, sans-serif; font-size: 15px;">Agents.json 是基于OpenAI标准构建的规范，旨在优化AI智能体与API及外部工具的交互体验。尽管Agents.json是一个优秀的规范，但它的普及度远不如MCP，目前尚未被广泛采用。

ingFang SC", system-ui, -apple-system, "Segoe UI", Rototo, Helvetica, Arial, sans-serif; font-size: 15px;">大家可以参考其GitHub仓库了解更多信息并开始使用。

ingFang SC", system-ui, -apple-system, "Segoe UI", Rototo, Helvetica, Arial, sans-serif;">3. MCP（模型上下文协议）

ingFang SC", system-ui, -apple-system, "Segoe UI", Rototo, Helvetica, Arial, sans-serif; font-size: 15px;">MCP 为开发者提供了最佳方式，能够向LLM和AI助手提供上下文数据以解决问题。例如，我们可以搭建一个MCP文档服务器，让IDE和智能体框架（类似于llms.txt文件的方式）完整访问我们的文档。

ingFang SC", system-ui, -apple-system, "Segoe UI", Rototo, Helvetica, Arial, sans-serif; font-size: 15px;">

不同的MCP服务类型

Anthropic 的 MCP 规范提供了两种服务器形式，用于向智能体和 AI 项目添加工具。这些 MCP 服务器连接类型包括以下两种：

ingFang SC", system-ui, -apple-system, "Segoe UI", Rototo, Helvetica, Arial, sans-serif; font-size: 15px; letter-spacing: normal; text-align: start;">服务器推送事件 (SSE)：通过 HTTP 连接到远程服务。

ingFang SC", system-ui, -apple-system, "Segoe UI", Rototo, Helvetica, Arial, sans-serif; font-size: 15px; letter-spacing: normal; text-align: start;">标准输入输出 (STDIO)：允许执行本地命令并通过标准输入/输出进行通信。

大家选择的 AI 应用开发框架会提供连接这些服务器所需的类。

不同的MCP工具库

一些开源的托管MCP工具库旨在增强大型语言模型（LLMs）和智能体的能力，确保它们生成的响应更可靠。这些托管的MCP工具库被称为注册中心（registries），提供经过策划的服务集合。大家可以使用它们的工具将紫霞的AI应用连接到以下注册中心。此外，还可以选择不同的服务器类型，例如uvx，它由基于Python的工具组成，无需安装。此外，还有用于运行MCP工具的Docker选项，以及需要安装Node.js的npx基础服务器。
GitHub上的MCP服务器：由社区构建的服务器集合，包含额外的MCP资源。
链接：https://github.com/modelcontextprotocol/servers
Glama Registry：面向开发者的生产就绪、开源的MCP服务器。
链接：https://glama.ai/mcp/servers
Smithery Registry：通过Smithery，开发者可以访问超过2000个MCP服务器，增强AI代理和LLMs的能力。
smithery链接： https://smithery.ai/
OpenTools：提供用于MCP工具的生成式API。你可以访问数百个现成的MCP工具，用于你的AI项目。通过OpenTools API，开发者可以扩展LLMs的网页搜索能力、实时获取位置信息和网页抓取功能。该API支持Curl、Python和TypeScript。请访问OpenTools快速指南以开始使用该API。
opentools官网：https://opentools.com/
示例如下：
PulseMCP Registry：使用PulseMCP，你可以浏览托管的MCP工具和应用案例，支持你的AI项目。还可以查看PulseMCP新闻，了解最新趋势的MCP服务器和应用。
官网链接：https://www.pulsemcp.com/
mcp.run：该注册中心为开发者提供数百个MCP应用，用于商业用途。
官网链接：https://www.mcp.run/
Composio Registry：Composio的基于SSE的MCP服务器，便于将工具与不同的AI框架集成，构建应用。
官网链接：https://mcp.composio.dev/
guMCP：Gumloop的guMCP提供免费、开源、全托管的MCP服务器，便于与任何AI应用无缝集成。
官网链接：https://www.gumloop.com/mcp

使用OpenAI Agents SDK构建MCP智能体

虽然MCP已经成为一个热词，且所有开发者社区近期都在讨论它，但要知道使用哪些MCP客户端框架以实现与AI应用和代理的集成并不容易。我们进行了调研，发现以下在Python和TypeScript基础上用于智能体工作流和AI助手的领先MCP客户端平台。
注意：以下内容展示了在构建AI解决方案的框架中实现MCP的方法。
构建Git MCP智能体

使用OpenAI Agents SDK构建智能体时，大家可以通过SDK的MCPServerStdio和MCPServerSse类连接到这些由社区开发的MCP服务器。以下的MCP智能体示例实现会访问你本地Git仓库的根目录，并对用户关于该仓库的查询作出响应。

importasyncioimportshutilimportstreamlitasstfromagentsimportAgent,Runner,tracefromagents.mcpimportMCPServer,MCPServerStdioasyncdefquery_git_repo(mcp_server:MCPServer,directory_path:str,query:str):agent=Agent(name="Assistant",instructions=f"Answerquestionsaboutthelocalgitrepositoryat{directory_path},usethatforrepo_path",mcp_servers=[mcp_server],)withst.spinner(f"Runningquery:{query}"):result=awaitRunner.run(starting_agent=agent,input=query)returnresult.final_outputasyncdefrun_streamlit_app():st.title("LocalGitRepoExplorer")st.write("Thisappallowsyoutoqueryinformationaboutalocalgitrepository.")directory_path=st.text_input("Enterthepathtothegitrepository:")ifdirectory_path:#Commonqueriesasbuttonscol1,col2=st.columns(2)withcol1:ifst.button("Mostfrequentcontributor"):query="Who'sthemostfrequentcontributor?"run_query(directory_path,query)withcol2:ifst.button("Lastchangesummary"):query="Summarizethelastchangeintherepository."run_query(directory_path,query)#Customquerycustom_query=st.text_input("Orenteryourownquery:")ifst.button("RunCustomQuery")andcustom_query:run_query(directory_path,custom_query)defrun_query(directory_path,query):ifnotshutil.which("uvx"):st.error("uvxisnotinstalled.Pleaseinstallitwith`pipinstalluvx`.")returnasyncdefexecute_query():asyncwithMCPServerStdio(cache_tools_list=True,params={"command":"python","args":["-m","mcp_server_git","--repository",directory_path]},)asserver:withtrace(workflow_name="MCPGitQuery"):result=awaitquery_git_repo(server,directory_path,query)st.markdown("###Result")st.write(result)asyncio.run(execute_query())if__name__=="__main__":st.set_page_config(page_title="LocalGitRepoExplorer",page_icon="?",layout="centered")#Changefromasynctosynchronousimplementation#SinceStreamlitdoesn'tworkwellwithasynciointhemainthread#Defineasynchronousversionofourappdefmain_streamlit_app():st.title("LocalGitRepoExplorer")st.write("ThisappallowsyoutoqueryinformationaboutaGitrepository.")directory_path=st.text_input("Enterthepathtothegitrepository:")ifdirectory_path:#Commonqueriesasbuttonscol1,col2=st.columns(2)withcol1:ifst.button("Mostfrequentcontributor"):query="Who'sthemostfrequentcontributor?"run_query(directory_path,query)withcol2:ifst.button("Lastchangesummary"):query="Summarizethelastchangeintherepository."run_query(directory_path,query)#Customquerycustom_query=st.text_input("Orenteryourownquery:")ifst.button("RunCustomQuery")andcustom_query:run_query(directory_path,custom_query)#Runthesynchronousappmain_streamlit_app()

上述代码将Streamlit与OpenAI MCP代理集成，允许你通过Git MCP服务器与本地Git仓库进行聊天。要运行此示例，你需要安装以下软件包：

pipinstallstreamlitopenai-agentsmcp-server-git

然后，使用以下命令导出你的OpenAI API密钥：

exportOPENAI_API_KEY=sk-...

在你运行Python文件时，应该会看到类似如下的结果。

大家可以在GitHub上探索其他关于OpenAI MCP的示例。

链接：https://github.com/openai/openai-agents-python/tree/main/examples/mcp

使用Agents SDK的MCP集成的一个优点是它在OpenAI的控制面板中内置的MCP智能体监控系统。该功能会自动捕捉你的智能体的MCP操作，例如工具列表、POST响应以及获取有关函数调用的数据。下图展示了运行上述代码后，本节中Git MCP示例的追踪信息。你可以从OpenAI的控制面板中访问所有已记录的信息。

importstreamlitasstfrompraisonaiagentsimportAgent, MCP
st.title("? Airbnb Booking Assistant")
# Create the agent@st.cache_resourcedefget_agent(): returnAgent(    instructions="""You help book apartments on Airbnb.""",    llm="gpt-4o-mini",    tools=MCP("npx -y @openbnb/mcp-server-airbnb --ignore-robots-txt")  )
# Initialize chat historyif"messages"notinst.session_state:  st.session_state.messages = []
# Display chat historyformessageinst.session_state.messages: withst.chat_message(message["role"]):    st.markdown(message["content"])
# User input formwithst.form("booking_form"):  st.subheader("Enter your booking details")
  destination = st.text_input("Destination:","Paris")
  col1, col2 = st.columns(2) withcol1:    check_in = st.date_input("Check-in date") withcol2:    check_out = st.date_input("Check-out date")
  adults = st.number_input("Number of adults:", min_value=1, max_value=10, value=2)
  submitted = st.form_submit_button("Search for accommodations")
 ifsubmitted:    search_agent = get_agent()
   # Format the query    query =f"I want to book an apartment in{destination}from{check_in.strftime('%m/%d/%Y')}to{check_out.strftime('%m/%d/%Y')}for{adults}adults"
   # Add user message to chat history    st.session_state.messages.append({"role":"user","content": query})
   # Display user message   withst.chat_message("user"):      st.markdown(query)
   # Get response from the agent   withst.chat_message("assistant"):     withst.spinner("Searching for accommodations..."):        response = search_agent.start(query)        st.markdown(response)
   # Add assistant response to chat history    st.session_state.messages.append({"role":"assistant","content": response})
# Allow for follow-up questionsifst.session_state.messages:  prompt = st.chat_input("Ask a follow-up question about the accommodations") ifprompt:    search_agent = get_agent()
   # Add user message to chat history    st.session_state.messages.append({"role":"user","content": prompt})
   # Display user message   withst.chat_message("user"):      st.markdown(prompt)
   # Get response from the agent   withst.chat_message("assistant"):     withst.spinner("Thinking..."):        response = search_agent.start(prompt)        st.markdown(response)
   # Add assistant response to chat history    st.session_state.messages.append({"role":"assistant","content": response})

使用LangChain AI构建MCP智能体

LangChain支持使用工具调用（tool-calling）与MCP集成。这种支持允许你设置Python函数，以访问不同的MCP服务器并获取工具，从而在AI项目中执行各种任务。以下示例代码连接到一个安全的MCP文件系统服务器，使大型语言模型（LLM）能够准确回答你提供的任何文件相关的问题。

# Copyright (C) 2024 Andrew Wason# SPDX-License-Identifier: MIT
importasyncioimportpathlibimportsysimporttypingast
fromlangchain_core.messagesimportAIMessage, BaseMessage, HumanMessagefromlangchain_core.output_parsersimportStrOutputParserfromlangchain_core.toolsimportBaseToolfromlangchain_groqimportChatGroqfrommcpimportClientSession, StdioServerParametersfrommcp.client.stdioimportstdio_client
fromlangchain_mcpimportMCPToolkit
asyncdefrun(tools:list[BaseTool], prompt:str) ->str:  model = ChatGroq(model_name="llama-3.1-8b-instant", stop_sequences=None) # requires GROQ_API_KEY  tools_map = {tool.name: toolfortoolintools}  tools_model = model.bind_tools(tools)  messages:list[BaseMessage] = [HumanMessage(prompt)]  ai_message = t.cast(AIMessage,awaittools_model.ainvoke(messages))  messages.append(ai_message)fortool_callinai_message.tool_calls:    selected_tool = tools_map[tool_call["name"].lower()]    tool_msg =awaitselected_tool.ainvoke(tool_call)    messages.append(tool_msg)returnawait (tools_model | StrOutputParser()).ainvoke(messages)
asyncdefmain(prompt:str) ->None:  server_params = StdioServerParameters(    command="npx",    args=["-y","@modelcontextprotocol/server-filesystem",str(pathlib.Path(__file__).parent.parent)],  )asyncwith stdio_client(server_params)as(read, write):asyncwith ClientSession(read, write)assession:      toolkit = MCPToolkit(session=session)awaittoolkit.initialize()      response =awaitrun(toolkit.get_tools(), prompt)print(response)
if__name__ =="__main__":  prompt = sys.argv[1] iflen(sys.argv) >1else"Read and summarize the file ./readme.md"  asyncio.run(main(prompt))

在运行上述代码前，我们需要安装依赖包：

pipinstallstreamlitmcppraisonaiagents

pminstall-g@modelcontextprotocol/server-filesystem

所有必需的包安装完毕后，如果你向项目中添加了一个文件，并在 Python 脚本中按照示例代码（如上所示的 ./readme.md）引用它，你应该会看到类似如下的输出。

使用Chinlit AI构建MCP智能体

Chainlit 是一个用于用 Python 构建 AI 应用的平台。它内置支持 MCP 服务器，因此你可以配置你的应用程序以发现可用的 MCP 工具，并将工具调用集成到应用流程中，以实现更优的效果。你还可以将 Chainlit 应用与服务器推送事件（SSE）和命令行（stdio）等服务进行集成。在以下示例中，我们将把一个 Chainlit 应用连接到 Linear MCP 服务器，以便应用可以管理 Linear 的问题、项目和团队。你可以使用本示例中的 Linear 工具创建、更新、搜索或获取用户问题，或在问题中添加评论。

首先，我们需要注册MCP连接：在此步骤中，你应当实现Chainlit异步函数on_mcp_connect，以建立成功的连接。你还可以实现函数on_mcp_disconnect来进行清理工作。

# pip install chainlit
importchainlitasclfrommcpimportClientSession
@cl.on_mcp_connectasyncdefon_mcp_connect(connection, session: ClientSession):"""Called when an MCP connection is established"""# Your connection initialization code here# This handler is required for MCP to work
@cl.on_mcp_disconnectasyncdefon_mcp_disconnect(name:str, session: ClientSession):"""Called when an MCP connection is terminated"""# Optional handler: Cleanup your code here

其次，需要配置 MCP 客户端（Chainlit、LangChain、Mastra）：为了让 MCP 服务器与 Chainlit 应用正常工作，客户端应通过 Chainlit 的界面提供连接信息。

该配置包括以下内容：

代表连接名称的唯一标识符。
客户端类型：你应当指定是使用 SSE 还是 stdio。使用 SSE 时，需要添加 URL 端点；而使用 stdio 时，则需要一个完整的命令（例如：npx your-tool-package）。下面是完整命令的示例：

npx-ylinear-mcp-server--tools=all--api-key=lin_api_your_linear_API_Key

建立 MCP 服务器连接后，大家可以在 MCP 会话中执行工具。最终，你可以通过工具调用，将 MCP 工具无缝集成到你的 Chainlit 应用的模型或代理（agents）中。你可以在 GitHub 上的 Chainlit 示例应用中找到此 Linear MCP 集成的完整源代码。

代码链接：https://github.com/Chainlit/cookbook/tree/main/mcp-linear

使用Agno AI构建MCP智能体

Agno 是一个用于构建复杂代理工作流的 Python 框架。它因其简洁、易用以及与 MCP 服务器的无缝集成而受到欢迎。本节的示例 MCP 实现与由四个不同的贡献代理组成的多智能体团队协作，包括 Airbnb、Google Maps、网络搜索和天气 MCP 代理。这些 Agno 多智能体协作，旨在提供关于特定地点旅行的信息。

相关的配置如下：

# Define server parameters  airbnb_server_params = StdioServerParameters(    command="npx",    args=["-y","@openbnb/mcp-server-airbnb","--ignore-robots-txt"],    env=env,  )
  maps_server_params = StdioServerParameters(    command="npx", args=["-y","@modelcontextprotocol/server-google-maps"], env=env  )
# Use contextlib.AsyncExitStack to manage multiple async context managersasyncwith contextlib.AsyncExitStack()asstack:# Create stdio clients for each server    airbnb_client, _ =awaitstack.enter_async_context(stdio_client(airbnb_server_params))    maps_client, _ =awaitstack.enter_async_context(stdio_client(maps_server_params))
# Create all agents    airbnb_agent = Agent(      name="Airbnb",      role="Airbnb Agent",      model=OpenAIChat("gpt-4o"),      tools=[airbnb_client],      instructions=dedent("""\        You are an agent that can find Airbnb listings for a given location.\      """),      add_datetime_to_instructions=True,    )

从Agno的GitHub仓库获取完整的源代码。安装所需的包，完成所有上述配置，然后运行完整的GitHub示例代码，应该会显示类似于此预览的输出。

代码链接：https://github.com/agno-agi/agno/blob/main/cookbook/examples/teams/coordinate/travel_planner_mcp_team.py

效果如下：

使用Upsonic 构建MCP智能体

Upsonic是一个用于创建AI智能体的Python框架。使用Upsonic，您可以构建您的代理，定义代理的任务，并使用MCP工具处理每个任务定义，正如下面的示例代码所演示的那样。

importosfromdotenvimportload_dotenvfromupsonicimportTask, Agent, Directfromupsonic.client.toolsimportSearch # Adding Search as a fallback tool
# Load environment variables from .env fileload_dotenv()
# Get the OpenAI API key from environment variablesopenai_api_key = os.getenv("OPENAI_API_KEY")ifnot openai_api_key:raiseValueError("OPENAI_API_KEY not found in .env file")
# Set your OpenAI API key for the sessionos.environ["OPENAI_API_KEY"] = openai_api_key
# Define the HackerNews MCP tool# Using the correct MCP setup for HackerNews based on Upsonic documentationclassHackerNewsMCP:  command ="uvx"  args = ["mcp-hn"]# No environment variables are needed for this MCP
# Create a task to analyze the latest HackerNews stories# Adding Search as a fallback in case HackerNews MCP failstask = Task("Analyze the top 5 HackerNews stories for today. Provide a brief summary of each story, ""identify any common themes or trends, and highlight which stories might be most relevant ""for someone interested in AI and software development.",  tools=[HackerNewsMCP, Search] # Include both HackerNews MCP and Search tools)
# Create an agent specialized in tech news analysisagent = Agent("Tech News Analyst",  company_url="https://news.ycombinator.com/",  company_objective="To provide insightful analysis of tech industry news and trends")
# Execute the task with the agent and print the resultsprint("Analyzing HackerNews stories...")agent.print_do(task)
# Alternatively, you can use a Direct LLM call if the task is straightforward# print("Direct analysis of HackerNews stories...")# Direct.print_do(task)
# If you want to access the response programmatically:# agent.do(task)# result = task.response# print(result)

在上述示例中，我们在Upsonic中创建了一个AI智能体，用于获取Hackernews中最新的五条新闻。如果你执行pip install upsonic并运行上面的Python代码，你应该会看到类似于此图片的输出。

总结

本教程向大家介绍了MCP，并解释了为什么它在开发者社区中变得如此流行。除了上述内容，我们还在六种不同的Python和TypeScript框架中实现了MCP，用于构建基于大语言模型（LLM）的应用、AI助手和智能体。

然而，MCP的强大之处也伴随着一些挑战。当你为你的项目寻找MCP工具时，可能会发现难以评估或验证其质量，也难以确定其在你的AI项目中的具体应用。这是因为其工具的搜索和发现机制尚未标准化。此外，由于不同的MCP服务器提供商使用不同的架构，其配置也无法提供一致的用户体验。

目前，MCP生态系统正在讨论标准化其各个方面。未来，可能会有一种标准化的方式来安装基于MCP的应用，就像我们用pip安装Python包一样。

最后，希望本教程可以加深大家对MCP的认识！

链载Ai

ingFang SC", system-ui, -apple-system, "Segoe UI", Rototo, Helvetica, Arial, sans-serif;">Agents.json

ingFang SC", system-ui, -apple-system, "Segoe UI", Rototo, Helvetica, Arial, sans-serif;">3. MCP（模型上下文协议）