MCP 服务器

Mcp Use

pietrozullo

开发者工具

访问服务器

README

🌐 MCP-Use 是一种开源方式，可以将任何 LLM 连接到 MCP 工具，并构建具有工具访问权限的自定义代理，而无需使用闭源或应用程序客户端。

💡 让开发者轻松地将任何 LLM 连接到诸如网页浏览、文件操作等工具。

快速开始

使用 pip 安装：

pip install mcp-use

或者从源码安装：

git clone https://github.com/pietrozullo/mcp-use.git
cd mcp-use
pip install -e .

安装 LangChain 提供程序

mcp_use 通过 LangChain 与各种 LLM 提供程序一起工作。您需要为所选的 LLM 安装相应的 LangChain 提供程序包。例如：

# 对于 OpenAI
pip install langchain-openai

# 对于 Anthropic
pip install langchain-anthropic

# 对于其他提供程序，请查看 [LangChain 聊天模型文档](https://python.langchain.com/docs/integrations/chat/)

并将您要使用的提供程序的 API 密钥添加到您的 .env 文件中。

OPENAI_API_KEY=
ANTHROPIC_API_KEY=

重要提示：只有具有工具调用功能的模型才能与 mcp_use 一起使用。请确保您选择的模型支持函数调用或工具使用。

启动您的代理：

import asyncio
import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from mcp_use import MCPAgent, MCPClient

async def main():
    # 加载环境变量
    load_dotenv()

    # 创建配置字典
    config = {
      "mcpServers": {
        "playwright": {
          "command": "npx",
          "args": ["@playwright/mcp@latest"],
          "env": {
            "DISPLAY": ":1"
          }
        }
      }
    }

    # 从配置字典创建 MCPClient
    client = MCPClient.from_dict(config)

    # 创建 LLM
    llm = ChatOpenAI(model="gpt-4o")

    # 使用客户端创建代理
    agent = MCPAgent(llm=llm, client=client, max_steps=30)

    # 运行查询
    result = await agent.run(
        "Find the best restaurant in San Francisco",
    )
    print(f"\nResult: {result}")

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

您还可以从配置文件中添加服务器配置，如下所示：

client = MCPClient.from_config_file(
        os.path.join("browser_mcp.json")
    )

示例配置文件 (browser_mcp.json):

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": ["@playwright/mcp@latest"],
      "env": {
        "DISPLAY": ":1"
      }
    }
  }
}

有关其他设置、模型等，请查看文档。

示例用例

使用 Playwright 进行网页浏览

import asyncio
import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from mcp_use import MCPAgent, MCPClient

async def main():
    # 加载环境变量
    load_dotenv()

    # 从配置文件创建 MCPClient
    client = MCPClient.from_config_file(
        os.path.join(os.path.dirname(__file__), "browser_mcp.json")
    )

    # 创建 LLM
    llm = ChatOpenAI(model="gpt-4o")
    # 备选模型:
    # llm = ChatAnthropic(model="claude-3-5-sonnet-20240620")
    # llm = ChatGroq(model="llama3-8b-8192")

    # 使用客户端创建代理
    agent = MCPAgent(llm=llm, client=client, max_steps=30)

    # 运行查询
    result = await agent.run(
        "Find the best restaurant in San Francisco USING GOOGLE SEARCH",
        max_steps=30,
    )
    print(f"\nResult: {result}")

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

Airbnb 搜索

import asyncio
import os
from dotenv import load_dotenv
from langchain_anthropic import ChatAnthropic
from mcp_use import MCPAgent, MCPClient

async def run_airbnb_example():
    # 加载环境变量
    load_dotenv()

    # 使用 Airbnb 配置创建 MCPClient
    client = MCPClient.from_config_file(
        os.path.join(os.path.dirname(__file__), "airbnb_mcp.json")
    )

    # 创建 LLM - 您可以在不同的模型之间进行选择
    llm = ChatAnthropic(model="claude-3-5-sonnet-20240620")

    # 使用客户端创建代理
    agent = MCPAgent(llm=llm, client=client, max_steps=30)

    try:
        # 运行查询以搜索住宿
        result = await agent.run(
            "Find me a nice place to stay in Barcelona for 2 adults "
            "for a week in August. I prefer places with a pool and "
            "good reviews. Show me the top 3 options.",
            max_steps=30,
        )
        print(f"\nResult: {result}")
    finally:
        # 确保我们正确清理资源
        if client.sessions:
            await client.close_all_sessions()

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

示例配置文件 (airbnb_mcp.json):

{
  "mcpServers": {
    "airbnb": {
      "command": "npx",
      "args": ["-y", "@openbnb/mcp-server-airbnb"]
    }
  }
}

Blender 3D 创建

import asyncio
from dotenv import load_dotenv
from langchain_anthropic import ChatAnthropic
from mcp_use import MCPAgent, MCPClient

async def run_blender_example():
    # 加载环境变量
    load_dotenv()

    # 使用 Blender MCP 配置创建 MCPClient
    config = {"mcpServers": {"blender": {"command": "uvx", "args": ["blender-mcp"]}}}
    client = MCPClient.from_dict(config)

    # 创建 LLM
    llm = ChatAnthropic(model="claude-3-5-sonnet-20240620")

    # 使用客户端创建代理
    agent = MCPAgent(llm=llm, client=client, max_steps=30)

    try:
        # 运行查询
        result = await agent.run(
            "Create an inflatable cube with soft material and a plane as ground.",
            max_steps=30,
        )
        print(f"\nResult: {result}")
    finally:
        # 确保我们正确清理资源
        if client.sessions:
            await client.close_all_sessions()

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

配置文件支持

MCP-Use 支持从配置文件进行初始化，从而可以轻松管理和切换不同的 MCP 服务器设置：

import asyncio
from mcp_use import create_session_from_config

async def main():
    # 从配置文件创建 MCP 会话
    session = create_session_from_config("mcp-config.json")

    # 初始化会话
    await session.initialize()

    # 使用会话...

    # 完成后断开连接
    await session.disconnect()

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

多服务器支持

MCP-Use 支持同时使用多个 MCP 服务器，允许您在单个代理中组合来自不同服务器的工具。这对于需要多种功能的复杂任务非常有用，例如将网页浏览与文件操作或 3D 建模相结合。

配置

您可以在配置文件中配置多个服务器：

{
  "mcpServers": {
    "airbnb": {
      "command": "npx",
      "args": ["-y", "@openbnb/mcp-server-airbnb", "--ignore-robots-txt"]
    },
    "playwright": {
      "command": "npx",
      "args": ["@playwright/mcp@latest"],
      "env": {
        "DISPLAY": ":1"
      }
    }
  }
}

用法

MCPClient 类提供了几种用于管理多个服务器的方法：

import asyncio
from mcp_use import MCPClient, MCPAgent
from langchain_anthropic import ChatAnthropic

async def main():
    # 创建具有多个服务器的客户端
    client = MCPClient.from_config_file("multi_server_config.json")

    # 使用客户端创建代理
    agent = MCPAgent(
        llm=ChatAnthropic(model="claude-3-5-sonnet-20240620"),
        client=client
    )

    try:
        # 运行使用来自多个服务器的工具的查询
        result = await agent.run(
            "Search for a nice place to stay in Barcelona on Airbnb, "
            "then use Google to find nearby restaurants and attractions."
        )
        print(result)
    finally:
        # 清理所有会话
        await client.close_all_sessions()

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

工具访问控制

MCP-Use 允许您限制代理可用的工具，从而提供更好的安全性和对代理功能的控制：

import asyncio
from mcp_use import MCPAgent, MCPClient
from langchain_openai import ChatOpenAI

async def main():
    # 创建客户端
    client = MCPClient.from_config_file("config.json")

    # 创建具有受限工具的代理
    agent = MCPAgent(
        llm=ChatOpenAI(model="gpt-4"),
        client=client,
        disallowed_tools=["file_system", "network"]  # 限制潜在的危险工具
    )

    # 运行具有受限工具访问权限的查询
    result = await agent.run(
        "Find the best restaurant in San Francisco"
    )
    print(result)

    # 清理
    await client.close_all_sessions()

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

路线图

<ul> <li>[x] 同时使用多个服务器</li> <li>[x] 测试远程连接器 (http, ws)</li> <li>[ ] ... </li> </ul>

贡献

我们欢迎贡献！随时打开问题以报告错误或提出功能请求。

要求

Python 3.11+
MCP 实现（如 Playwright MCP）
LangChain 和适当的模型库（OpenAI、Anthropic 等）

引用

如果您在您的研究或项目中使用 MCP-Use，请引用：

@software{mcp_use2025,
  author = {Zullo, Pietro},
  title = {MCP-Use: MCP Library for Python},
  year = {2025},
  publisher = {GitHub},
  url = {https://github.com/pietrozullo/mcp-use}
}

许可证

MIT