课程主线#

先看真实问题#

你当前的 app/tools/knowledge_base.py 用 @tool 把 Python 函数变为 LangChain 内部 Tool。它很适合当前 LangGraph Agent：同一个 Python 进程直接调用函数。

但下面两种情况会让这个边界不够用：

• 你想让另一个桌面客户端、IDE Agent 或独立服务使用同一套检索能力。
• 你不想把数据库地址、ORM Session 和项目内部函数直接交给每个 Agent。

这时用 MCP（Model Context Protocol）。MCP 不是另一个“大模型 Agent 框架”，它是让 Host/Client 与外部能力按统一协议通信的约定。

一句话心智模型#

LangChain Tool 是“同一 Python 进程里的函数说明书”；MCP Tool 是“通过协议对外提供的、可被客户端发现和调用的能力”。

1
Codex / Claude Desktop / 你的 Agent  (Host)
2
             |
3
           MCP Client
4
             |
5
        stdio 或 HTTP transport
6
             |
7
         MCP Server
8
             |
9
  search_project_knowledge() -> 你的检索服务 -> Qdrant / PostgreSQL

新对象：先分清谁是谁#

MCP Tool 仍然是你的 Python 函数，只是外面多了一层协议适配。它不自动拥有数据库权限，也不会替你做认证。

第 1 关：先写业务函数，再加协议外壳#

最容易犯的错是把所有检索逻辑直接写进 @mcp.tool()。这样 FastAPI、LangGraph 和 MCP 会各复制一套业务规则。

正确结构是：

1
app/services/retrieval_service.py    # 真正检索、filter、参数校验
2
app/tools/knowledge_base.py          # 给 LangGraph 的 LangChain Tool 薄适配层
3
app/mcp_server.py                    # 给外部 Client 的 MCP Tool 薄适配层

MCP Server 文件的最小形状如下。第 48 章实现 search_visible_chunks() 后，这段才可以接入真实检索；现在先读懂调用边界。

1
from mcp.server.fastmcp import FastMCP
2

3
from app.services.retrieval_service import search_visible_chunks
4

5

6
mcp = FastMCP("study-python-knowledge")
7

8

9
@mcp.tool()
10
def search_project_knowledge(
11
    query: str,
12
    user_id: int,
13
    limit: int = 3,
14
) -> list[dict[str, str | int | float]]:
15
    """搜索指定用户有权限访问的知识库切片。"""
16
    safe_limit = max(1, min(limit, 5))
17
    return search_visible_chunks(
18
        query=query,
19
        current_user_id=user_id,
20
        limit=safe_limit,
21
    )
22

23

24
if __name__ == "__main__":
25
    mcp.run(transport="stdio")

1
poetry add "mcp[cli]>=1.28,<2"

第 2 关：参数校验不等于授权#

safe_limit = max(1, min(limit, 5)) 只限制了数量，属于参数校验。它不能证明调用方是谁。

user_id 写在最小示例中，是为了让你看清检索服务需要一个身份上下文；它不是生产方案。如果普通 MCP Client 可以自己声明 user_id=1，它就能尝试读取别人的资料。

真实部署时，身份必须从受信任位置来：

1
浏览器 -> FastAPI JWT -> current_user.id -> 内部检索服务
2
                                      |
3
外部 MCP Client -> OAuth / 服务 token -> server 验证 -> identity -> 内部检索服务

所以，后续要将最小函数改为接收 request_context 或由 Server 的认证中间层注入 identity，而不是相信 Tool 参数里的 user_id。本章先把这个安全边界记牢；OAuth 的完整实现暂不展开。

第 3 关：Tool 返回什么#

给模型的工具输出应该短、结构稳定、可引用：

1
[
2
    {
3
        "document_id": 12,
4
        "chunk_index": 3,
5
        "title": "退款规则",
6
        "score": 0.82,
7
        "content": "退款申请需在购买后 7 天内提交。",
8
    }
9
]

它不是最终用户回答。模型或你的 FastAPI 路由拿到它后，才决定如何组织回复与引用。

不要让 MCP Tool 返回：数据库 DSN、完整用户表、原始异常堆栈、API Key，或无限长全文。MCP 只扩大“能被调用的边界”，不会让数据天然安全。

第 4 关：和你已学的 Tool Calling 有什么关系#

1
Function Calling: 模型决定“想调用什么工具、给什么参数”
2
LangChain Tool:   当前 Python Agent 如何执行本地函数
3
MCP Tool:         外部 Host 如何通过协议发现并调用你的能力

三者能串在一起，也能单独出现。比如：你的 LangGraph Agent 可以继续使用 LangChain Tool；另一个 IDE Agent 通过 MCP 调用同一个 retrieval_service。核心业务函数只维护一份。

第 5 关：MCP 之外——Agent 之间怎么通信（A2A / ANP）#

MCP 解决的是**“Agent 怎么调用一个工具”**。但还有另一个问题它不管：

1
Agent A 想让 Agent B 帮忙做一件事 —— 它俩怎么找到对方、怎么派活、怎么交差？

这就是 A2A 和 ANP 要解决的。你至少要认得这两个名字。

1
1. 发现：  A 拿到 B 的 Agent Card（知道 B 能干什么）
2
2. 委派：  A 创建一个 Task，派给 B
3
3. 协作：  B 执行，过程中可以回传状态/追问
4
4. 交付：  B 返回 Artifact，Task 标记完成

1
Agent A --A2A--> Agent B --MCP--> 工具/数据
2
  （派活）          （干活时调工具）

本章学到哪里，不学什么#

本章要学会：MCP 的四个角色、v1 FastMCP 的代码形态、业务层与协议适配层分离、参数校验和授权的区别。

本章暂不实现：公开网络 MCP、OAuth、动态工具市场、让 Agent 自动执行高权限命令。先把只读检索工具做对，才有资格增加写操作。

三遍练习#

1. [追踪] 一次 search_project_knowledge 调用从 Host 到 Qdrant，再返回给 Host，经过哪些对象？
2. [跟写] 给 Tool 返回值增加 title、chunk_index、score、content 四个字段；解释为什么不直接返回整个数据库行。
3. [独立做] 设计一个只读 get_document_outline(document_id) Tool，写出输入、输出、需要检查的权限和 document_id 不存在时的错误策略。

课后压缩#

1
MCP Server 是把项目能力按协议对外提供的独立服务。
2
先写可复用业务函数，再用 LangChain / MCP 做各自的薄适配层。
3
参数限制不是授权；身份必须来自受信任的认证上下文。

下一章不会继续堆 Agent 功能，而是保护这些外部调用：超时、重试、并发、缓存和可观察的失败路径。