Langchain With MCP

MCPAI代理

提供方 Miqueias97

AI代理 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

一个运行在本地计算机上的对话式AI助手,能够通过终端进行交互,并使用连接到公共互联网服务的工具获取实时信息(如CEP、天气、货币汇率、股票、加密货币等)。

一句话选型结论

按资料字段整理

Langchain With MCP 属于AI代理类 MCP 服务器,stdio · 本地进程,无需鉴权,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类AI代理 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 8 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

AI代理
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量8暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

AI助手Python本地部署本地运行终端交互实时信息查询工具集成

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
python3 --version # precisa ser 3.12 ou superior

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 8 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 8 个工具,职责相对集中,接入后不容易误操作。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Langchain With MCP当前 8 stdio · 本地进程 本地部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方Miqueias97上游标注的维护方 Miqueias97
分类AI代理本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

7.8 KB
来自项目仓库与上游目录的原文,未做删改

Assistente de IA com Ferramentas (LangChain + MCP)

Um pequeno assistente conversacional que roda no seu próprio computador.
Você conversa com ele pelo terminal — em português — e ele consegue buscar informações reais (CEP, clima, cotação de moedas, ações, criptomoedas, hora atual e mais) usando ferramentas conectadas a serviços públicos da internet.

> Pense nele como uma versão simplificada do ChatGPT que não envia seus dados para nenhuma empresa (o modelo de IA roda localmente) e que sabe executar tarefas concretas, não só responder texto.


O que ele sabe fazer hoje

Quando você pergunta algo no chat, o assistente decide sozinho se precisa usar uma ferramenta para te responder. As ferramentas disponíveis hoje são:

Categoria Ferramenta O que faz
📍 Localização get_zip_code_info Consulta um CEP brasileiro e retorna rua, bairro, cidade e estado
💱 Finanças get_currency_quote Cotação atual entre duas moedas (USD-BRL, EUR-BRL, etc.)
📈 Finanças get_stock_quote Cotação de ações brasileiras da B3 (PETR4, VALE3, ITUB4...)
₿ Finanças get_crypto_price Preço de criptomoedas (Bitcoin, Ethereum, etc.)
☀️ Clima get_weather Condições climáticas atuais de qualquer cidade
🕐 Utilitário get_current_time Data e hora atuais em qualquer fuso horário
🎲 Utilitário random_number Sorteia um número aleatório dentro de um intervalo
💡 Utilitário get_random_fact Retorna uma curiosidade aleatória

Tudo isso é feito de graça, usando APIs públicas (sem precisar de cadastro ou cartão de crédito).

Exemplos do que você pode perguntar

  • "Qual o endereço do CEP 01310-100?"
  • "Quanto está o dólar hoje?"
  • "Qual o preço da PETR4?"
  • "Quanto custa 1 Bitcoin em reais?"
  • "Como está o tempo em Lisboa?"
  • "Que horas são em Tóquio agora?"
  • "Sorteia um número entre 1 e 100"

Como ele funciona (em linguagem simples)

O projeto tem três peças que conversam entre si:```
Você ──► Chat (terminal) ──► Cérebro (modelo de IA local) ──► Caixa de ferramentas (MCP Server) ──► Internet


1. **O Chat** é a janela do terminal onde você digita suas perguntas.
2. **O Cérebro** é um modelo de IA chamado **Qwen 2.5**, que roda localmente no seu computador através do **Ollama**. Ele lê sua pergunta, entende o que você quer, e decide se precisa usar alguma ferramenta.
3. **A Caixa de Ferramentas** é o **MCP Server** — um pequeno serviço que expõe todas as ferramentas listadas acima. Quando o Cérebro precisa de uma cotação ou de um CEP, ele "abre a caixa", escolhe a ferramenta certa, e executa.

> **MCP** (Model Context Protocol) é um padrão criado pela Anthropic para que modelos de IA possam usar ferramentas externas de forma segura e organizada. **LangChain** e **LangGraph** são as bibliotecas que orquestram tudo isso.

---

## Como rodar

> Estas instruções assumem **Linux** (ou WSL no Windows). Você precisa ter o **Docker** e o **Python 3.12+** instalados. Cada passo abre **um terminal diferente** — deixe todos abertos.

### Pré-requisitos```bash
# verifique se você tem Docker e Python instalados
docker --version
python3 --version    # precisa ser 3.12 ou superior

Passo 1 — Subir o modelo de IA local (Ollama + Qwen 2.5)

No terminal 1:```bash
docker build -f Containerfile.ollama -t ollama-mistral .
docker run -p 11434:11434 --name ollama-mistral ollama-mistral


Na primeira execução, o Docker vai baixar o modelo (alguns gigabytes — pode demorar). Deixe esse terminal aberto.

> Da próxima vez, basta rodar `docker start -a ollama-mistral`.

### Passo 2 — Subir a caixa de ferramentas (MCP Server)

No **terminal 2**:```bash
docker build -f Containerfile.mcp_server -t mcp-server .
docker run -p 8000:8000 --name mcp-server mcp-server

> Da próxima vez, basta rodar docker start -a mcp-server.

Passo 3 — Iniciar o chat

No terminal 3, instale as dependências e rode o cliente:```bash

instala o gerenciador de pacotes uv (se ainda não tiver)

pip install uv

cria ambiente virtual e instala dependências

uv venv .venv
uv sync

inicia o chat

.venv/bin/python -m modules.agent_chat.main


Pronto! Você verá:```
================== USER ==================
Para sair digite q ou exit:

Digite sua pergunta e divirta-se. Para encerrar, digite q ou exit.

Memória da conversa (SQLite)

O chat lembra do que você conversou antes, mesmo depois de fechar e abrir o programa. As mensagens ficam salvas em um arquivo SQLite local: agent_memory.db (criado automaticamente na primeira execução).

Você pode personalizar via variáveis de ambiente (opcional):

Variável O que faz Padrão
MEMORY_DB_PATH Caminho do arquivo de memória ./agent_memory.db
THREAD_ID Identificador da conversa (use diferentes para manter chats separados) default
MCP_SERVER_URL Endereço do MCP Server http://0.0.0.0:8000

Use o arquivo .env.example como ponto de partida — copie para .env e ajuste o que precisar:```bash
cp .env.example .env


Exemplo — duas conversas separadas no mesmo banco:```bash
THREAD_ID=trabalho   .venv/bin/python -m modules.agent_chat.main
THREAD_ID=pessoal    .venv/bin/python -m modules.agent_chat.main

Para apagar a memória, basta deletar o arquivo:```bash
rm agent_memory.db


---

## Estrutura do projeto```
langchain-with-mcp/
├── modules/
│   ├── agent_chat/         # o chat (cliente que conversa com você)
│   │   ├── main.py         # ponto de entrada do chat
│   │   └── config/         # configura o modelo e a conexão com o MCP
│   ├── mcp_server/         # a caixa de ferramentas
│   │   ├── server.py       # ponto de entrada do servidor
│   │   ├── config/         # registro automático de ferramentas
│   │   └── domain/         # uma pasta por categoria de ferramenta
│   │       ├── location/   # CEP
│   │       ├── finance/    # moedas, ações, cripto
│   │       ├── weather/    # clima
│   │       └── generic/    # utilidades (hora, aleatório, curiosidade)
│   └── base_common/        # logger e variáveis de ambiente compartilhados
├── Containerfile.ollama    # imagem do modelo de IA
├── Containerfile.mcp_server# imagem da caixa de ferramentas
└── pyproject.toml          # dependências do projeto

Como adicionar uma ferramenta nova

Cada ferramenta é uma função Python simples decorada com @register_tool. Por exemplo:python @register_tool( name="minha_ferramenta", description="Explica o que ela faz, em português.", ) def minha_ferramenta(parametro: str) -> dict: return {"resultado": parametro.upper()}

Coloque o arquivo dentro de modules/mcp_server/domain//, importe-o no server.py, reinicie o servidor — e o assistente já saberá usá-la automaticamente.


Tecnologias usadas

  • Ollama + Qwen 2.5 7B — modelo de IA rodando localmente
  • LangChain / LangGraph — orquestra a conversa e as decisões do agente
  • AsyncSqliteSaver (LangGraph) — persiste o histórico da conversa em SQLite local
  • FastMCP — servidor MCP em Python
  • langchain-mcp-adapters — conecta o LangChain ao MCP
  • APIs públicas gratuitas: OpenCEP, AwesomeAPI, brapi.dev, CoinGecko, wttr.in, uselessfacts

Privacidade

  • O modelo de IA roda 100% no seu computador (via Docker + Ollama). Suas perguntas não são enviadas para a OpenAI, Anthropic, Google etc.
  • As ferramentas consultam serviços públicos da internet (ex.: para saber a cotação do dólar, é preciso conectar à AwesomeAPI). Os dados que trafegam são apenas os parâmetros da consulta (ex.: o CEP, o nome da cidade, o ticker da ação) — nunca o histórico do seu chat.

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
Langchain With MCP 怎么安装?

在客户端按下面的安装命令接入:python3 --version # precisa ser 3.12 ou superior。装完在客户端配置里引用同一个包或端点。

Langchain With MCP 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

Langchain With MCP 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Langchain With MCP 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

Langchain With MCP 能提供哪些能力?

资料显示约 8 个工具;能力标签包括 本地运行、Python、工具集成。具体工具清单以官方文档为准。

Langchain With MCP 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

Langchain With MCP 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。