AI News
中文资讯 掘金 AI Fri, 10 Jul 2026 正文 ok 1424 words

LangChain 集成 MCP 全链路实战：MultiServerMCPClient 自动获取工具与 Resource 资源注入

英文标题：LangChain 集成 MCP 全链路实战：MultiServerMCPClient 自动获取工具与 Resource 资源注入

本文实战演示如何使用 LangChain 的 MultiServerMCPClient 自动连接 MCP Server，一行代码获取所有工具与资源。文章对比了手动集成的繁琐，解释了 MCP Resource 作为 RAG 之外自动注入上下文的概念，并给出从 Server 注册 Tool 与 Resource 到 Client 读取、注入 SystemMessage 的完整代码流程。多 Server 统一管理的示例进一步展示了跨进程、跨语言的工具协作价值，对 AI Agent 开发者实现解耦与工程化有直接参考意义。
打开原文相关 3 · 机会 1
media3.2 KB media589 B media4.8 KB

中文

LangChain 集成 MCP 全链路实战：MultiServerMCPClient 自动获取工具与 Resource 资源注入

之前我们手写了一个 MCP Server，注册了 query_user 工具。但如果要把它接入 LangChain Agent，需要手动写代码获取工具、绑定模型吗？@langchain/mcp-adapters 的 MultiServerMCPClient 给出了答案：一行代码自动获取所有工具和资源，让 MCP Server 和 LangChain Agent 无缝衔接。本文从 Resource 资源概念出发，完整解析 MCP 全链路集成。

前言

在之前的手写 MCP Server 文章中，我们实现了一个数据库查询 Server，注册了 query_user 工具。要把它接入 LangChain Agent，常规思路是：手动启动 MCP Server → 通过 stdio 通信 → 解析 JSON-RPC 消息 → 转换成 LangChain Tool 对象 → 绑定到模型。

太麻烦了。

@langchain/mcp-adapters 包的出现解决了这个问题。它提供了 MultiServerMCPClient，可以自动连接多个 MCP Server、自动获取所有工具和资源 ，然后用一行代码接入你的 LangChain 工作流。

同时，本文还会介绍 MCP 中一个被忽略但非常重要的概念——Resource（资源） 。它不仅是 Tool 的补充，更是 RAG 之外丰富 LLM 上下文的另一种手段。

一、为什么需要 MultiServerMCPClient？

1.1 手动集成的麻烦

const child = spawn('node', ['my-mcp-server.mjs'], { stdio: 'pipe' });

1.2 MultiServerMCPClient 的一行解决

import { MultiServerMCPClient } from '@langchain/mcp-adapters';

const mcpClient = new MultiServerMCPClient({ mcpServers: { 'my-mcp-server': { command: 'node', args: ['/path/to/my-mcp-server.mjs'] } } });

const tools = await mcpClient.getTools();

const modelWithTools = model.bindTools(tools);

核心价值 ：

手动集成 MultiServerMCPClient
手动启动子进程 自动 spawn
手动发送 JSON-RPC 自动协议通信
手动解析返回格式 自动格式转换
手动构造 Tool 对象 自动 getTools()
一个 Server 一套代码 一个 Client 管理多个 Server

二、MCP Resource：RAG 之外丰富上下文的手段

2.1 Tool vs Resource 的区别

在 MCP 中，有两种扩展 LLM 上下文的方式：

概念 作用 触发时机 类比
Tool 让 LLM 做 更多 LLM 主动判断并调用 人的手（执行动作）
Resource 让 LLM 知道 更多 自动注入上下文 人的记忆（提供知识）

2.2 Resource 的本质

Resource（资源）是 MCP Server 向 Agent 暴露的静态知识片段 。它们可以是：

  • 项目文档（README、API 文档）
  • 使用指南、配置说明
  • 代码规范、开发手册
  • 内部知识库文章

这些资源在 Agent 启动时自动获取 ，作为 SystemMessage 的一部分注入到 LLM 的上下文中，让 LLM 在回答问题时拥有更多背景知识。

2.3 Resource vs RAG

笔记中提到了一个精准的对比：

维度 Resource RAG
触发方式 启动时自动注入 查询时实时检索
数据量 较小（文档级别） 较大（知识库级别）
适用场景 使用指南、配置、规范 海量文档、FAQ
上下文窗口 受 LLM 上下文限制 可以很大（检索后摘要）

Resource： Agent 启动 → 读取 docs: → LLM 始终知道"这个 Server 是做什么的"

RAG： 用户提问 → 向量化查询 → 检索相关文档 → 注入 Prompt → LLM 根据检索结果回答

Resource 是 RAG 之外丰富上下文的另一种手段 ——适合那些不需要检索、但需要 LLM 始终知道的小段文档。

三、实战：完整的 MCP Server + Resource + MultiServerMCPClient

3.1 MCP Server 端：注册 Tool + Resource

my-mcp-server.mjs ：

import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js'; import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js'; import { z } from 'zod';

const database = { users: { '001': { id: '001', name: '祖豪', email: 'zh@qq.com', role: 'admin' }, '002': { id: '002', name: '光光', email: 'gg@qq.com', role: 'user' }, '003': { id: '003', name: '小红', email: 'xh@qq.com', role: 'user' }, } };

const server = new McpServer({ name: 'my-mcp-server', version: '1.0.0' });

server.registerTool('query_user', { description: '查询数据库中的用户信息', inputSchema: { userId: z.string().describe('用户ID, 例如：001, 002, 003') } }, async ({ userId }) => { const user = database.users[userId]; if (!user) { return { content: [{ type: 'text', text: 用户 ID ${userId} 不存在。可用的ID: 001, 002, 003 }] }; } return { content: [{ type: 'text', text: 用户 ${user.id} 的信息：姓名：${user.name}, 邮箱：${user.email}, 角色：${user.role} }] }; });

server.registerResource( '使用指南',
'docs://guide',
{
description: 'MCP Server 使用指南', mimeType: 'text/plain' }, async () => {
return { contents: [{ uri: 'docs://guide', mimeType: 'text/plain', text: MCP Server 使用指南 功能：提供用户查询等工具。 使用：在 Cursor 等 MCP Client 中通过自然语言对话， Client 会自动调用相应工具。 }] }; } );

const transport = new StdioServerTransport(); await server.connect(transport);

Resource 注册的关键点 ：

参数 说明
name 资源名称（LLM 可见）
uri 统一资源标识符（如 docs://guide）
metadata 描述和 MIME 类型
handler 返回资源内容的异步函数

3.2 LangChain 客户端：MultiServerMCPClient

langchain-mcp-test.mjs ：

import 'dotenv/config'; import { MultiServerMCPClient } from '@langchain/mcp-adapters'; import { ChatOpenAI } from '@langchain/openai'; import chalk from 'chalk'; import { HumanMessage, SystemMessage, ToolMessage } from '@langchain/core/messages';

const model = new ChatOpenAI({ modelName: 'deepseek-v4-pro', apiKey: process.env.DEEPSEEK_API_KEY, temperature: 0, configuration: { baseURL: 'https://api.deepseek.com/v1', }, });

const mcpClient = new MultiServerMCPClient({ mcpServers: { 'my-mcp-server': { command: 'node', args: ['/path/to/my-mcp-server.mjs'] } } });

const tools = await mcpClient.getTools(); console.log(获取到 ${tools.length} 个工具);

const res = await mcpClient.listResources(); let resourceContent = ''; for (const [serverName, resources] of Object.entries(res)) { for (const resource of resources) { const content = await mcpClient.readResource(serverName, resource.uri); resourceContent += content[0].text; } } console.log(resourceContent, '---------------');

const modelWithTools = model.bindTools(tools);

3.3 Resource 注入 SystemMessage

async function runAgentWithTools(query, maxIterations = 30) { const messages = [

new SystemMessage(resourceContent),
new HumanMessage(query)

];

for (let i = 0; i < maxIterations; i++) { console.log(chalk.bgGreen(正在等待AI思考, 第${i}轮....)); const response = await modelWithTools.invoke(messages); messages.push(response);

if (!response.tool_calls || response.tool_calls.length === 0) {
  console.log(`\n AI 最终回复： \n ${response.content}`);
  return response.content;
}

console.log(chalk.bgBlue(`检测到 ${response.tool_calls.length} 个工具调用`));
console.log(chalk.bgBlue(`工具调用: ${response.tool_calls.map(t => t.name).join(', ')}`));


for (const toolCall of response.tool_calls) {
  const foundTool = tools.find(t => t.name === toolCall.name);
  if (foundTool) {
    const toolResult = await foundTool.invoke(toolCall.args);
    messages.push(new ToolMessage({
      content: toolResult,
      tool_call_id: toolCall.id
    }));
  }
}

}

return messages[messages.length - 1].content; }

await runAgentWithTools('查一下用户002的信息');

await runAgentWithTools('MCP Server的使用指南是什么？');

3.4 资源释放：mcpClient.close()

await mcpClient.close();

为什么必须 close()？

node langchain-mcp-test.mjs → 启动主进程 → MultiServerMCPClient 内部 spawn 子进程 → 子进程启动 my-mcp-server.mjs（stdio 连接） → 主进程通过 stdio 和子进程通信

如果不 close()： → 子进程一直运行 → 主进程退出后，子进程变成"孤儿进程" → 占用系统资源

close() 的作用： → 关闭 stdio 通信通道 → 终止子进程 → 释放所有相关资源

四、完整链路架构图

┌─────────────────────────────────────────────────────────────────────┐ │ LangChain + MCP 全链路架构 │ ├─────────────────────────────────────────────────────────────────────┤ │ LangChain 客户端（langchain-mcp-test.mjs） │ │ ┌──────────────────────────────────────────────────────────────┐ │ │ │ MultiServerMCPClient │ │ │ │ ├── mcpClient.getTools() → 自动获取所有 Tool │ │ │ │ ├── mcpClient.listResources() → 列出所有 Resource │ │ │ │ ├── mcpClient.readResource() → 读取 Resource 内容 │ │ │ │ └── mcpClient.close() → 释放资源 │ │ │ └──────────────────────────────────────────────────────────────┘ │ │ ↓ stdio（JSON-RPC） │ │ ┌──────────────────────────────────────────────────────────────┐ │ │ │ ChatOpenAI + bindTools(tools) │ │ │ │ SystemMessage(resourceContent) ← Resource 注入上下文 │ │ │ │ ReAct 循环：invoke → tool_calls → ToolMessage → invoke │ │ │ └──────────────────────────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────────────┐ │ MCP Server（my-mcp-server.mjs） │ │ ┌──────────────────────────────────────────────────────────────┐ │ │ │ registerTool('query_user') │ │ │ │ → 查询 database.users │ │ │ │ │ │ │ │ registerResource('使用指南', 'docs://guide') │ │ │ │ → 返回静态文档内容 │ │ │ └──────────────────────────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────────────────┘

五、从单个 Server 到多个 Server

MultiServerMCPClient 的核心优势之一就是支持多个 MCP Server ：

const mcpClient = new MultiServerMCPClient({ mcpServers: { 'user-db': { command: 'node', args: ['/path/to/user-db-server.mjs'] }, 'file-system': { command: 'node', args: ['/path/to/filesystem-server.mjs'] }, 'weather-api': { command: 'node', args: ['/path/to/weather-server.mjs'] } } });

const tools = await mcpClient.getTools();

多 Server 的价值 ：

Server 负责 语言
user-db 用户数据查询 Node.js
file-system 文件读写 Node.js
weather-api 天气查询 Python

Agent 只需要一个 MultiServerMCPClient，就能同时调用三个 Server 的工具——跨进程、跨语言、统一管理 。

知识树

LangChain 集成 MCP 全链路实战 ├── MultiServerMCPClient 核心价值 │ ├── 自动 spawn 子进程 │ ├── 自动 JSON-RPC 通信 │ ├── 自动格式转换 │ └── 自动 getTools() ├── MCP Resource（资源） │ ├── Tool vs Resource 区别（做 vs 知道） │ ├── Resource vs RAG 对比（启动注入 vs 实时检索） │ ├── registerResource(name, uri, meta, handler) │ └── Resource 注入 SystemMessage ├── 完整链路 │ ├── Server 端：registerTool + registerResource │ ├── Client 端：MultiServerMCPClient │ │ ├── getTools() → bindTools │ │ ├── listResources() + readResource() │ │ └── close() → 释放资源 │ └── ReAct 循环：SystemMessage(resource) + HumanMessage ├── 审查纠正 │ ├── registerTool handler 参数（{userId} 对象解构） │ ├── Resource URI 拼写一致性 │ ├── Promise.all 风险提示 │ └── chalk.bgBlue 重复调用 └── 进阶：多 Server 统一管理

结语

从手写 MCP Server 到 LangChain MultiServerMCPClient，我们完成了 MCP 集成的最后一公里：

  1. MCP Server ：注册 Tool + Resource，独立运行
  2. MultiServerMCPClient ：自动获取工具和资源，一行代码接入
  3. Resource 注入 ：静态文档自动成为 SystemMessage，丰富 LLM 上下文
  4. 资源释放 ：mcpClient.close() 防止子进程泄漏

这套组合的价值在于：MCP Server 的开发者专注于工具实现，LangChain Agent 的开发者专注于业务逻辑，两者通过标准协议解耦 。

MultiServerMCPClient 不是简单的封装——它代表了 AI 工程化的一个趋势：让协议层处理通信细节，让开发者专注于创造价值。

参考与拓展阅读：

  • @langchain/mcp-adapters 官方文档
  • MCP 协议规范（Model Context Protocol Specification）
  • 《MCP 跨进程工具调用深度解析》—— LangChain Tool 的局限与 MCP 解耦
  • 《手写 MCP Server 全栈实战》—— Node.js + Zod 构建工具
  • 《从零手写 AI Agent》—— LangChain Tool 注册入门

English / 原文

LangChain 集成 MCP 全链路实战：MultiServerMCPClient 自动获取工具与 Resource 资源注入

之前我们手写了一个 MCP Server，注册了 query_user 工具。但如果要把它接入 LangChain Agent，需要手动写代码获取工具、绑定模型吗？@langchain/mcp-adapters 的 MultiServerMCPClient 给出了答案：一行代码自动获取所有工具和资源，让 MCP Server 和 LangChain Agent 无缝衔接。本文从 Resource 资源概念出发，完整解析 MCP 全链路集成。

前言

在之前的手写 MCP Server 文章中，我们实现了一个数据库查询 Server，注册了 query_user 工具。要把它接入 LangChain Agent，常规思路是：手动启动 MCP Server → 通过 stdio 通信 → 解析 JSON-RPC 消息 → 转换成 LangChain Tool 对象 → 绑定到模型。

太麻烦了。

@langchain/mcp-adapters 包的出现解决了这个问题。它提供了 MultiServerMCPClient，可以自动连接多个 MCP Server、自动获取所有工具和资源 ，然后用一行代码接入你的 LangChain 工作流。

同时，本文还会介绍 MCP 中一个被忽略但非常重要的概念——Resource（资源） 。它不仅是 Tool 的补充，更是 RAG 之外丰富 LLM 上下文的另一种手段。

一、为什么需要 MultiServerMCPClient？

1.1 手动集成的麻烦

const child = spawn('node', ['my-mcp-server.mjs'], { stdio: 'pipe' });

1.2 MultiServerMCPClient 的一行解决

import { MultiServerMCPClient } from '@langchain/mcp-adapters';

const mcpClient = new MultiServerMCPClient({
  mcpServers: {
    'my-mcp-server': {
      command: 'node',
      args: ['/path/to/my-mcp-server.mjs']
    }
  }
});


const tools = await mcpClient.getTools();

const modelWithTools = model.bindTools(tools);

核心价值 ：

手动集成 MultiServerMCPClient
手动启动子进程 自动 spawn
手动发送 JSON-RPC 自动协议通信
手动解析返回格式 自动格式转换
手动构造 Tool 对象 自动 getTools()
一个 Server 一套代码 一个 Client 管理多个 Server

二、MCP Resource：RAG 之外丰富上下文的手段

2.1 Tool vs Resource 的区别

在 MCP 中，有两种扩展 LLM 上下文的方式：

概念 作用 触发时机 类比
Tool 让 LLM 做 更多 LLM 主动判断并调用 人的手（执行动作）
Resource 让 LLM 知道 更多 自动注入上下文 人的记忆（提供知识）

2.2 Resource 的本质

Resource（资源）是 MCP Server 向 Agent 暴露的静态知识片段 。它们可以是：

  • 项目文档（README、API 文档）
  • 使用指南、配置说明
  • 代码规范、开发手册
  • 内部知识库文章

这些资源在 Agent 启动时自动获取 ，作为 SystemMessage 的一部分注入到 LLM 的上下文中，让 LLM 在回答问题时拥有更多背景知识。

2.3 Resource vs RAG

笔记中提到了一个精准的对比：

维度 Resource RAG
触发方式 启动时自动注入 查询时实时检索
数据量 较小（文档级别） 较大（知识库级别）
适用场景 使用指南、配置、规范 海量文档、FAQ
上下文窗口 受 LLM 上下文限制 可以很大（检索后摘要） 
Resource：
  Agent 启动 → 读取 docs:
  → LLM 始终知道"这个 Server 是做什么的"

RAG：
  用户提问 → 向量化查询 → 检索相关文档 → 注入 Prompt
  → LLM 根据检索结果回答

Resource 是 RAG 之外丰富上下文的另一种手段 ——适合那些不需要检索、但需要 LLM 始终知道的小段文档。

三、实战：完整的 MCP Server + Resource + MultiServerMCPClient

3.1 MCP Server 端：注册 Tool + Resource

my-mcp-server.mjs ：

import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';
import { z } from 'zod';

const database = {
  users: {
    '001': { id: '001', name: '祖豪', email: 'zh@qq.com', role: 'admin' },
    '002': { id: '002', name: '光光', email: 'gg@qq.com', role: 'user' },
    '003': { id: '003', name: '小红', email: 'xh@qq.com', role: 'user' },
  }
};

const server = new McpServer({
  name: 'my-mcp-server',
  version: '1.0.0'
});


server.registerTool('query_user', {
  description: '查询数据库中的用户信息',
  inputSchema: {
    userId: z.string().describe('用户ID, 例如：001, 002, 003')
  }
}, async ({ userId }) => {
  const user = database.users[userId];
  if (!user) {
    return {
      content: [{ type: 'text', text: `用户 ID ${userId} 不存在。可用的ID: 001, 002, 003` }]
    };
  }
  return {
    content: [{
      type: 'text',
      text: `用户 ${user.id} 的信息：姓名：${user.name}, 邮箱：${user.email}, 角色：${user.role}`
    }]
  };
});


server.registerResource(
  '使用指南',                           
  'docs://guide',                      
  {                                    
    description: 'MCP Server 使用指南',
    mimeType: 'text/plain'
  },
  async () => {                        
    return {
      contents: [{
        uri: 'docs://guide',
        mimeType: 'text/plain',
        text: `
MCP Server 使用指南
功能：提供用户查询等工具。
使用：在 Cursor 等 MCP Client 中通过自然语言对话，
      Client 会自动调用相应工具。
        `
      }]
    };
  }
);


const transport = new StdioServerTransport();
await server.connect(transport);

Resource 注册的关键点 ：

参数 说明
name 资源名称（LLM 可见）
uri 统一资源标识符（如 docs://guide）
metadata 描述和 MIME 类型
handler 返回资源内容的异步函数

3.2 LangChain 客户端：MultiServerMCPClient

langchain-mcp-test.mjs ：

import 'dotenv/config';
import { MultiServerMCPClient } from '@langchain/mcp-adapters';
import { ChatOpenAI } from '@langchain/openai';
import chalk from 'chalk';
import {
  HumanMessage,
  SystemMessage,
  ToolMessage
} from '@langchain/core/messages';


const model = new ChatOpenAI({
  modelName: 'deepseek-v4-pro',
  apiKey: process.env.DEEPSEEK_API_KEY,
  temperature: 0,
  configuration: {
    baseURL: 'https://api.deepseek.com/v1',
  },
});


const mcpClient = new MultiServerMCPClient({
  mcpServers: {
    'my-mcp-server': {
      command: 'node',
      args: ['/path/to/my-mcp-server.mjs']
    }
  }
});


const tools = await mcpClient.getTools();
console.log(`获取到 ${tools.length} 个工具`);


const res = await mcpClient.listResources();
let resourceContent = '';
for (const [serverName, resources] of Object.entries(res)) {
  for (const resource of resources) {
    const content = await mcpClient.readResource(serverName, resource.uri);
    resourceContent += content[0].text;
  }
}
console.log(resourceContent, '---------------');


const modelWithTools = model.bindTools(tools);

3.3 Resource 注入 SystemMessage

async function runAgentWithTools(query, maxIterations = 30) {
  const messages = [
    
    new SystemMessage(resourceContent),
    new HumanMessage(query)
  ];

  for (let i = 0; i < maxIterations; i++) {
    console.log(chalk.bgGreen(`正在等待AI思考, 第${i}轮....`));
    const response = await modelWithTools.invoke(messages);
    messages.push(response);

    
    if (!response.tool_calls || response.tool_calls.length === 0) {
      console.log(`\n AI 最终回复： \n ${response.content}`);
      return response.content;
    }

    console.log(chalk.bgBlue(`检测到 ${response.tool_calls.length} 个工具调用`));
    console.log(chalk.bgBlue(`工具调用: ${response.tool_calls.map(t => t.name).join(', ')}`));

    
    for (const toolCall of response.tool_calls) {
      const foundTool = tools.find(t => t.name === toolCall.name);
      if (foundTool) {
        const toolResult = await foundTool.invoke(toolCall.args);
        messages.push(new ToolMessage({
          content: toolResult,
          tool_call_id: toolCall.id
        }));
      }
    }
  }

  return messages[messages.length - 1].content;
}


await runAgentWithTools('查一下用户002的信息');


await runAgentWithTools('MCP Server的使用指南是什么？');

3.4 资源释放：mcpClient.close()

await mcpClient.close();

为什么必须 close()？

node langchain-mcp-test.mjs
  → 启动主进程
  → MultiServerMCPClient 内部 spawn 子进程
  → 子进程启动 my-mcp-server.mjs（stdio 连接）
  → 主进程通过 stdio 和子进程通信

如果不 close()：
  → 子进程一直运行
  → 主进程退出后，子进程变成"孤儿进程"
  → 占用系统资源

close() 的作用：
  → 关闭 stdio 通信通道
  → 终止子进程
  → 释放所有相关资源

四、完整链路架构图

┌─────────────────────────────────────────────────────────────────────┐
│                    LangChain + MCP 全链路架构                          │
├─────────────────────────────────────────────────────────────────────┤
│  LangChain 客户端（langchain-mcp-test.mjs）                           │
│  ┌──────────────────────────────────────────────────────────────┐   │
│  │  MultiServerMCPClient                                         │   │
│  │  ├── mcpClient.getTools()  → 自动获取所有 Tool               │   │
│  │  ├── mcpClient.listResources() → 列出所有 Resource            │   │
│  │  ├── mcpClient.readResource() → 读取 Resource 内容           │   │
│  │  └── mcpClient.close() → 释放资源                            │   │
│  └──────────────────────────────────────────────────────────────┘   │
│                         ↓ stdio（JSON-RPC）                         │
│  ┌──────────────────────────────────────────────────────────────┐   │
│  │  ChatOpenAI + bindTools(tools)                                │   │
│  │  SystemMessage(resourceContent)  ← Resource 注入上下文         │   │
│  │  ReAct 循环：invoke → tool_calls → ToolMessage → invoke      │   │
│  └──────────────────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────────────┐
│  MCP Server（my-mcp-server.mjs）                                      │
│  ┌──────────────────────────────────────────────────────────────┐   │
│  │  registerTool('query_user')                                   │   │
│  │    → 查询 database.users                                      │   │
│  │                                                               │   │
│  │  registerResource('使用指南', 'docs://guide')                │   │
│  │    → 返回静态文档内容                                         │   │
│  └──────────────────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────────────────┘

五、从单个 Server 到多个 Server

MultiServerMCPClient 的核心优势之一就是支持多个 MCP Server ：

const mcpClient = new MultiServerMCPClient({
  mcpServers: {
    'user-db': {
      command: 'node',
      args: ['/path/to/user-db-server.mjs']
    },
    'file-system': {
      command: 'node',
      args: ['/path/to/filesystem-server.mjs']
    },
    'weather-api': {
      command: 'node',
      args: ['/path/to/weather-server.mjs']
    }
  }
});


const tools = await mcpClient.getTools();

多 Server 的价值 ：

Server 负责 语言
user-db 用户数据查询 Node.js
file-system 文件读写 Node.js
weather-api 天气查询 Python

Agent 只需要一个 MultiServerMCPClient，就能同时调用三个 Server 的工具——跨进程、跨语言、统一管理 。

知识树

LangChain 集成 MCP 全链路实战
├── MultiServerMCPClient 核心价值
│   ├── 自动 spawn 子进程
│   ├── 自动 JSON-RPC 通信
│   ├── 自动格式转换
│   └── 自动 getTools()
├── MCP Resource（资源）
│   ├── Tool vs Resource 区别（做 vs 知道）
│   ├── Resource vs RAG 对比（启动注入 vs 实时检索）
│   ├── registerResource(name, uri, meta, handler)
│   └── Resource 注入 SystemMessage
├── 完整链路
│   ├── Server 端：registerTool + registerResource
│   ├── Client 端：MultiServerMCPClient
│   │   ├── getTools() → bindTools
│   │   ├── listResources() + readResource()
│   │   └── close() → 释放资源
│   └── ReAct 循环：SystemMessage(resource) + HumanMessage
├── 审查纠正
│   ├── registerTool handler 参数（{userId} 对象解构）
│   ├── Resource URI 拼写一致性
│   ├── Promise.all 风险提示
│   └── chalk.bgBlue 重复调用
└── 进阶：多 Server 统一管理

结语

从手写 MCP Server 到 LangChain MultiServerMCPClient，我们完成了 MCP 集成的最后一公里：

  1. MCP Server ：注册 Tool + Resource，独立运行
  2. MultiServerMCPClient ：自动获取工具和资源，一行代码接入
  3. Resource 注入 ：静态文档自动成为 SystemMessage，丰富 LLM 上下文
  4. 资源释放 ：mcpClient.close() 防止子进程泄漏

这套组合的价值在于：MCP Server 的开发者专注于工具实现，LangChain Agent 的开发者专注于业务逻辑，两者通过标准协议解耦 。

MultiServerMCPClient 不是简单的封装——它代表了 AI 工程化的一个趋势：让协议层处理通信细节，让开发者专注于创造价值。

参考与拓展阅读：

  • @langchain/mcp-adapters 官方文档
  • MCP 协议规范（Model Context Protocol Specification）
  • 《MCP 跨进程工具调用深度解析》—— LangChain Tool 的局限与 MCP 解耦
  • 《手写 MCP Server 全栈实战》—— Node.js + Zod 构建工具
  • 《从零手写 AI Agent》—— LangChain Tool 注册入门

如果本文帮你理解了 LangChain 与 MCP 的集成方式和 Resource 资源的概念，欢迎点赞 + 收藏。你在用 MCP 接入什么工具？欢迎在评论区交流讨论 👇

#MCP #LangChain #MultiServerMCPClient #Resource #AIAgent #掘金技术社区