不是“天生就基于 MCP”，但可以通过 MCP 来调用工具——前提是你显式把 MCP 适配器接进 LangChain。

LangChain Agent 默认怎么调工具？

LangChain 的 agents（不管是 ReAct、OpenAI tools agent、LLM Router 等）默认是走 LangChain 自己的 Tool 抽象：
你在代码里定义 Tool / StructuredTool，agent 通过模型的 function/tool calling 能力来调用它们。这个机制跟 MCP 没有强绑定关系。

MCP 在 LangChain 里扮演什么角色？

MCP（Model Context Protocol）是 Anthropic 发起的一个开放协议，用来把“外部工具/数据/上下文”以标准化 client-server 方式暴露给 LLM。LangChain 现在提供了 MCP adapters，让 agent 能把 MCP server 提供的工具“转成 LangChain Tools”然后照常调用。官方文档明确说：LangChain agents 可以使用 MCP server 上定义的工具，需要借助 langchain-mcp-adapters 这类库。 (LangChain Docs)

也就是说：

• MCP 是一种可选的工具来源/连接方式
• LangChain agent 的调用逻辑不依赖 MCP
• 你接了 MCP 之后，agent 才会通过 MCP 发现工具、执行工具

一句话总结

LangChain agent 本身不是基于 MCP 的；MCP 只是 LangChain 支持的一种“把工具接进来”的标准接口。
你不用 MCP 也能正常写 agent；用 MCP 主要是为了跨系统/跨工具标准化接入，少写适配胶水。 (Cloudurable)

如果你愿意，我可以给你一个最小 demo：LangChain agent + MCP server 工具调用的结构长啥样。

LangChain Agent 路由到具体工具（Tool Routing） 的机制取决于你使用的 agent 类型，但核心流程都类似：** LLM 决定要调用哪个 tool，LangChain 负责执行**。下面我给你一个清晰、由浅到深的讲解。

---

🧠 LangChain Agent 是如何路由到具体工具的？

整体流程（无论 ReAct / OpenAI Tools / 自定义 Agent 都类似）

1. 你向 agent 提供工具列表（Tools）
   每个 tool 都包含：

   • 名称（name）
   • 描述（description）
   • 参数 schema（如果是 StructuredTool）
   • 执行函数（callable）

2. Agent 把“工具列表 + 用户输入 + 历史”交给 LLM
   LLM 根据这些信息 决定要不要用工具，用哪个工具，用什么参数。

3. LangChain 读取 LLM 输出中的工具调用字段

   • 对 OpenAI/Anthropic function calling：模型直接返回标准化结构
   • 对 ReAct Agent：模型输出 "Action: tool_name" 形式的指令

4. LangChain 从工具列表中找到对应 tool
   用名称匹配：

   python
   tools = {tool.name: tool, ...}
   tools[llm_output.tool_name]()

5. 调用工具 → 返回结果 → 再给 LLM → 直到完成

---

🧩 不同 Agent 是如何路由工具的？

1. OpenAI function calling / Tool calling agent（最常见）

模型返回一个结构化的函数调用，例如：

json
{
  "tool_calls": [
    {
      "name": "search_weather",
      "arguments": {"city": "New York"}
    }
  ]
}

LangChain 内部基本做：

python
tool = tools["search_weather"]
result = tool.run(arguments)

➡️ 路由关键点：直接用 tool.name 匹配工具表。
这是最稳定、最推荐的方式。

---

2. ReAct Agent（基于思维链解析）

LLM 输出类似：

text
Thought: I need to look up today's weather
Action: search_weather
Action Input: {"city": "New York"}

LangChain 用正则解析 "Action:" 字段，然后做：

python
tool = tools[action_name]
tool.run(action_input)

➡️ 路由关键点：从文本里解析 action_name，再查名字。

---

3. MCP Agent（如果你接了 MCP 工具）

原理相同，只是工具来源变成 MCP 的“远程工具列表”。
LangChain 把 MCP 的 tool schema 转成 LangChain Tool，再按名称匹配。

➡️ 依然是 通过 tool.name 精确匹配。

---

🔍 核心机制总结（非常关键）

🎯 LangChain agent 路由到工具依靠——工具名（name）匹配 + LLM 决定调用哪个工具。

• 工具展示阶段：
  LangChain 把所有 tool 的 name + description 给 LLM
• LLM 选择工具：
  要么生成 tool_call(name="xxx")
  要么输出 "Action: xxx"
• LangChain 执行工具：
  查找工具字典 tools[name]、执行

📌 工具名必须唯一
📌 LLM 决定调用哪个工具（而不是 LangChain 决定）
📌 LangChain 只是做执行与循环控制

---

📘 用一个极简代码示例说明路由机制

python
from langchain.agents import initialize_agent, Tool
from langchain_openai import ChatOpenAI

def add(x, y): return x + y
def subtract(x, y): return x - y

tools = [
    Tool(name="add", func=lambda q: add(**q), description="Add two numbers"),
    Tool(name="subtract", func=lambda q: subtract(**q), description="Subtract two numbers"),
]

llm = ChatOpenAI(model="gpt-4o-mini")

agent = initialize_agent(tools, llm, agent="openai-tools")

agent.invoke("帮我算一下 10 - 4")

运行时的路由逻辑：

1. LLM 看到“10 - 4” → 选择 "subtract"
2. LangChain 看到 tool_call：

   json
   {"name": "subtract", "arguments": {"x": 10, "y": 4}}

3. 找到工具 tools["subtract"] → 执行 → 返回 → LLM 最终回答 6

---

如果你愿意，我可以给你：

• 一个 自定义 agent 完整源码实现
• 一个 LangChain+MCP 工具调用的路由示例
• 分析 工具选择失败时的诊断方法（比如模型不选工具）

你想看哪个？

有，而且现在（2025 年）社区里“真正能学到 agent 工程实践”的开源项目主要集中在 LangGraph / ReAct / 多智能体编排 / 工具调用落地 这几类。我按“学习价值 + 工程参考性”给你分组推荐一些值得直接 clone 下来读的仓库。

---

1) 官方系：最接近“正确用法/最新范式”

langchain-ai/langgraph

LangGraph 是 LangChain 生态里专门做 agent 编排/状态机的官方框架，这个主仓库自带大量 example（从单 agent、ReAct、Plan&Execute 到 multi-agent、HITL、memory、RAG 等），基本就是官方实践集合。要学“生产级 agent 应该怎么控流程、怎么持久化、怎么加人类介入”，看这里最稳。 (GitHub)

你可以重点翻 examples 目录里这些主题：

• create-react-agent-*（ReAct + tool calling 的标准写法）
• human_in_the_loop/（人工审批/回滚）
• multi_agent/（Supervisor/Team pattern）
• memory/（长期记忆/持久化 checkpoints）

langchain-ai/react-agent（Python）

官方的 LangGraph ReAct agent 模板，代码量小但结构清晰，展示了“Graph 版 ReAct”如何循环推理+调用多工具。适合你当作骨架改自己项目。 (GitHub)

langchain-ai/react-agent-js（TypeScript）

同一套 ReAct/graph 思路的 JS/TS 实现，想做前后端或 Node 服务的 agent 可以对照着抄。 (GitHub)

langchain-ai/deepagents

官方出的“agent harness/脚手架”，带 planning、文件系统、子 agent 生成等能力，算是偏真实产品形态的综合 demo。如果你想看更接近“AutoGPT 但 LangChain 风格”的工程组织方式，这个很有参考价值。 (GitHub)

langchain-ai/open-agent-platform

官方开源的 no-code/low-code LangGraph agent 平台，包含 UI、部署、调试、工具接入、Supervisor 等。适合看完整产品链路：从图形化编排到运行时执行。 (GitHub)

---

2) 社区高质量实践：更“像真实业务”

Abeshith/LangGraph

一个从基础到进阶的 LangGraph 学习仓库，覆盖 SQL agent、RAG agent、多 agent 协作、调试与 LangSmith 观测等，路径清晰、例子多。拿来系统练手很好。 (GitHub)

arvindagg/LangGraph-Multi-Agent

偏“多智能体系统工程”的 modular 框架，有 Supervisor/专职子 agent/工具层拆分，适合学 multi-agent 的结构化组织。 (GitHub)

robin-ochieng/langgraph-agents

强调 ReAct + function calling + stateful agent，示例比较贴近“会规划/会执行/会复盘”的 agent 框架。 (GitHub)

---

3) 小而美的 ReAct / Tool Calling Demo（快速看懂路由与循环）

这类仓库不大，但非常适合你快速理解 agent 路由 tools 的最小工作闭环。

• junfanz1/Code-Interpreter-ReAct-LangChain-Agent：
  用最少代码演示 ReAct agent + 自定义 tool 的推理/行动循环。适合当入门剖面。 (GitHub)

• botextractai/ai-langchain-react-agent：
  ReAct + 多工具串联（Python REPL / 搜索等），能直观看到 agent 连续选工具的过程。 (GitHub)

• omiguelpinheiro/react-agent：
  ReAct + SQL tool + memory buffer 的小项目，展示“agent+数据库”这类典型落地。 (GitHub)

---

4) 资源索引/合集（省你到处搜）

awesome-langchain-agents

一个专门收集 LangChain/LangGraph agent 项目的清单，适合你按领域继续挖（RAG、代码、浏览器自动化等）。 (GitHub)

awesome-LangGraph / Awesome LangGraph

两个 LangGraph 项目/模板/教程合集，里面经常能挖到新鲜的业务 demo。 (GitHub)

---

怎么选？给你一个“按目标挑 repo”的小指南

• 想学官方最新范式 / 生产级结构
  → 先看 langgraph 主仓库 examples + react-agent 模板。 (GitHub)

• 想做多智能体/监督者架构
  → langgraph/examples/multi_agent + LangGraph-Multi-Agent。 (GitHub)

• 想快速上手 agent + tools 的最小闭环
  → 任意一个小 ReAct demo（junfanz1 / botextractai / omiguelpinheiro）。 (GitHub)

• 想看完整“产品级 Agent 平台”
  → open-agent-platform。 (GitHub)

---

如果你告诉我你现在主要用 Python 还是 TS、想做 RAG/SQL/多 agent/浏览器自动化 哪一类，我可以从这些仓库里挑 2–3 个最对口的，给你一条具体的阅读/抄作业路线（从哪个 example 开始，先改哪几块）。