AI Agent 系统（通义千问原生 Function Calling + LangGraph + MCP 本地工具）

项目简介

基于 通义千问大模型（原生 Function Calling）+ LangGraph 框架 + MCP 模型上下文协议 搭建的 AI 智能机器人。

架构说明

┌──────────┐  原生 Function Calling   ┌──────────────┐    MCP 协议     ┌────────────┐
│  通义千问  │ ◄─────────────────────► │  Agent (应用) │ ◄────────────► │ MCP Server │
│  (LLM)   │  tools=定义, tool_calls  │  LangGraph    │  工具发现/调用  │  (本地工具) │
└──────────┘                         └──────────────┘               └────────────┘

• Function Calling：通义千问原生 tools 参数传入工具定义，LLM 返回结构化 tool_calls（不再用 prompt 拼 JSON）
• MCP：标准化工具接入协议，负责工具的注册、描述、调用
• LangGraph：编排 LLM 思考和工具执行的循环流程

核心功能

• 本地工具：价格折扣计算、城市天气查询
• LangGraph 流程：LLM 思考 → 条件路由 → MCP 工具调用 → 结果返回（循环直到 LLM 不再需要工具）
• 会话记忆：Checkpoint 状态持久化，支持多轮上下文
• 大模型底座：阿里通义千问 qwen-turbo（原生 Function Calling）

快速开始

1. 安装依赖

pip install -r requirements.txt

2. 配置 API Key

# macOS / Linux
export DASHSCOPE_API_KEY="你的通义千问API Key"

# Windows (CMD)
set DASHSCOPE_API_KEY=你的通义千问API Key

# Windows (PowerShell)
$env:DASHSCOPE_API_KEY="你的通义千问API Key"

或者直接修改 agent.py 中的 API_KEY 变量。

3. 运行

python agent.py

（MCP 服务端由客户端自动启动，无需手动运行）

项目结构

mcp/
├── agent.py             # 主 Agent（LangGraph 流程编排 + Function Calling）
├── mcp_client.py        # MCP 客户端（启动服务端子进程 + 工具格式转换）
├── mcp_server.py        # MCP 服务端（本地工具注册）
├── requirements.txt     # Python 依赖
├── README.md            # 项目说明
└── .gitignore

Function Calling vs Prompt JSON（对比）

| 对比维度 | 原生 Function Calling（当前） | Prompt JSON（旧方式） | |---------|---------------------------|---------------------| | 工具传入 | Generation.call(tools=[...]) | 拼到 system prompt 里 | | LLM 返回 | 结构化 tool_calls（含 id/name/arguments） | 自由文本中的 JSON | | 可靠性 | 高（模型专门训练） | 低（可能格式错误、编造工具） | | 多工具调用 | 原生支持 | 需自行处理 | | 与 MCP 协作 | MCP 工具 → 转换 → API 格式 | MCP 工具 → 拼文本 → prompt |