MCP (Model Context Protocol)

import asyncio
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain.agents import create_agent
from langchain_core.messages import HumanMessage
from langchain_openai import ChatOpenAI

async def main():
    # 1. 初始化 MCP 客户端
    mcp_client = MultiServerMCPClient(
        {
            "drawio": {
                "command": "npx",
                "args": ["@next-ai-drawio/mcp-server@latest"],
                "transport": "stdio"
            }
        }
    )

    # 2. 获取工具
    # get_tools() 会自动将 MCP 工具转换为 LangChain Tool 对象
    mcp_tools = await mcp_client.get_tools()
    
    # 3. 创建 Agent
    model = ChatOpenAI(model="gpt-4o")
    agent = create_agent(model, mcp_tools)

    # 4. 调用
    query = "使用drawio绘制一个点击删除按钮，页面进行乐观更新的流程图"
    async for chunk in agent.astream({"messages": [HumanMessage(query)]}, stream_mode="values"):
        last_msg = chunk["messages"][-1]
        if last_msg.content:
            print(last_msg.content)

if __name__ == "__main__":
    asyncio.run(main())

from typing import Literal, List
from pydantic import BaseModel, Field
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 1. 定义输出结构：限制模型只能返回预定义的类别
class IntentCategory(BaseModel):
    """用户意图分类结果"""
    category: Literal["search", "pdf", "database", "none"] = Field(
        description="根据用户输入判断的最合适的工具类别"
    )

async def get_tools_by_category(query: str, model: ChatOpenAI, tool_registry: dict):
    # 2. 绑定结构化输出 (利用底层 Function Calling 保证稳定性)
    structured_llm = model.with_structured_output(IntentCategory)

    # 3. 定义提示词
    system_prompt = "你是一个意图分类器。请根据用户输入，选择最合适的一个工具类别。"
    prompt = ChatPromptTemplate.from_messages([
        ("system", system_prompt),
        ("human", "{query}")
    ])

    # 4. 执行链
    chain = prompt | structured_llm
    
    # 结果是一个 IntentCategory 对象，无需正则解析
    result: IntentCategory = await chain.ainvoke({"query": query})
    
    # 5. 返回对应工具
    print(f"检测到意图分类: {result.category}")
    return tool_registry.get(result.category, [])

# --- 使用示例 ---
# async def usage_example():
#     # 预定义的工具注册表
#     tool_registry = {
#         "search": [search_tool, bing_tool],
#         "pdf": [pdf_reader, pdf_writer],
#         "database": [sql_query_tool],
#     }
#     small_model = ChatOpenAI(model="gpt-4o-mini", temperature=0)
#     
#     selected_tools = await get_tools_by_category("帮我查一下最新的AI新闻", small_model, tool_registry)
#     # 接下来将 selected_tools 传给主 Agent

from typing import List
from pydantic import BaseModel, Field

# 1. 定义输出结构：包含工具名称列表
class ToolSelection(BaseModel):
    """筛选出的相关工具列表"""
    selected_tool_names: List[str] = Field(
        description="从可用工具列表中选出的、与用户查询最相关的工具名称列表。如果没有相关工具，返回空列表。"
    )
    reasoning: str = Field(description="选择这些工具的简短理由")

async def select_tools_dynamically(query: str, all_tools: list, model: ChatOpenAI):
    # 2. 构建工具描述上下文
    # 格式：- 工具名: 工具描述
    tools_context = "\n".join([
        f"- {t.name}: {t.description}" 
        for t in all_tools
    ])
    
    # 3. 绑定结构化输出
    structured_llm = model.with_structured_output(ToolSelection)
    
    # 4. 定义提示词
    prompt = ChatPromptTemplate.from_template("""
    你是一个工具筛选助手。
    
    用户输入: {query}
    
    以下是可用工具列表及其描述:
    {tools_desc}
    
    请分析用户需求，严格从上述列表中筛选出解决问题所需的工具名称。
    """)
    
    # 5. 执行筛选
    chain = prompt | structured_llm
    result: ToolSelection = await chain.ainvoke({
        "query": query, 
        "tools_desc": tools_context
    })
    
    print(f"筛选理由: {result.reasoning}")
    print(f"选中工具: {result.selected_tool_names}")
    
    # 6. 映射回真实的 Tool 对象
    # 增加一层过滤防止模型幻觉生成不存在的工具名
    valid_tools = [
        t for t in all_tools 
        if t.name in result.selected_tool_names
    ]
    
    return valid_tools

# --- 使用示例 ---
# async def usage_example():
#     # 假设 all_mcp_tools 是从 mcp_client.get_tools() 获取的大量工具
#     small_model = ChatOpenAI(model="gpt-4o-mini", temperature=0)
#     
#     relevant_tools = await select_tools_dynamically(
#         "帮我把这份数据保存到数据库", 
#         all_mcp_tools, 
#         small_model
#     )
#     # relevant_tools 现在只包含数据库相关的工具