> ## Content Index > Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt > Use this file to discover other available public pages before exploring further. # PydanticAI代理利用MCP服务器 - URL: https://www.hubwiz.com/blog/use-mcp-servers-with-pydanticai-agents/ - Published: 2025-03-14T10:23:55.000Z - Updated: 2025-03-14T10:23:55.000Z - Description: PydanticAI是一个比笨重的替代品如LangChain更直观和灵活的框架来开发AI代理。然而，它目前还不支持MCP。 - Author: admin - Tags: APPLICATION, MCP, PYDANTICAI, CLAUDE, #Import 2026-10-14 14:41 模型上下文协议（MCP）是Anthropic引入的一项倡议，旨在定义一种标准化的方式，使AI代理能够连接到外部上下文，例如提供信息的资源或执行操作的工具。其基本想法是一个MCP服务器提供一组工具或资源，一个MCP客户端可以连接到一个或多个服务器以访问其功能并将其提供给AI代理。 这旨在消除提供上下文或工具的服务与需要访问它们的AI框架或模型之间的耦合。了解更多请访问[这里](https://modelcontextprotocol.io/introduction?ref=hubwiz.com)！ [PydanticAI](https://ai.pydantic.dev/?ref=hubwiz.com) 是一种用Python构建生产级应用的AI代理框架，旨在让生成式AI的应用开发更加轻松愉快。 PydanticAI是一个比笨重的替代品如LangChain更直观和灵活的框架来开发AI代理。然而，它目前还不支持MCP，因此要创建一个能够利用通过协议提供的所有酷炫功能的AI代理并不那么简单。我决定借此机会深入研究MCP并找出如何“从头开始”集成它！（提示：它并不美观）。 ## 1、准备MCP服务器 我希望专注于将现有的MCP服务器实现与PydanticAI代理连接起来，而不是自己创建自己的服务器（因为这就是协议的目的！）。幸运的是，有一个[MCP服务器参考实现的仓库](https://github.com/modelcontextprotocol/servers/tree/main?ref=hubwiz.com)，提供了访问Slack、Google Drive、Github以及各种数据库等服务的基本MCP服务器。为了保持简单和无聊，我决定使用[文件系统服务器](https://github.com/modelcontextprotocol/servers/tree/main/src/filesystem?ref=hubwiz.com)来帮助创建一个能够协助软件开发的代理，因为它能够读取和编辑文件。 它是作为一个简单的Node包/工具实现的，可以在本地运行并通过STDIO进行通信： ``` npx -y @modelcontextprotocol/server-filesystem "/path/to/working/dir" ``` 经过一些测试后，我发现文件搜索和目录树工具存在一些问题，在代码库中使用时变得难以处理，因为它们在`node_modules`或Python虚拟环境中被内容淹没，或者IDE通常忽略的其他文件。因此，我做了一个[MCP服务器实现的副本](https://github.com/Finndersen/pydanticai%5Fmcp%5Fdemo/tree/main/server?ref=hubwiz.com)并添加了一些自定义增强功能，使其相关工具尊重任何`.gitignore`规则，这样它们的输出会更有用。（我还[提交了一个PR](https://github.com/modelcontextprotocol/servers/pull/745?ref=hubwiz.com)来修复`search_files`工具的行为）。 ## 2、向PydanticAI代理提供工具 下一个挑战是如何将MCP服务器提供的功能注册为PydanticAI代理的工具。使用MCP Python SDK启动MCP服务器、连接到客户端并查看可用工具看起来像这样： ``` from mcp import ClientSession, StdioServerParameters from mcp.client.stdio import stdio_client # 定义服务器配置 server_params = StdioServerParameters( command="npx", args=[ "tsx", "server/index.ts", "path/to/working/directory", ], ) # 启动服务器并连接客户端 async with stdio_client(server_params) as (read, write): async with ClientSession(read, write) as session: # 初始化连接 await session.initialize() # 获取可用工具的详细信息 tools_result = await session.list_tools() tools = tools_result.tools ``` 这里，`tools`是一个`Tool` [Pydantic模型](https://github.com/modelcontextprotocol/python-sdk/blob/ebb81d3b2b675cf48225047c0f85e6d6296dc970/src/mcp/types.py?ref=hubwiz.com#L721)列表，它定义了每个可用工具的名称、描述和输入模式，基本上与大多数LLM API要求工具规范提供的格式相同。然而，不幸的是，PydanticAI目前还不支持直接提供函数工具的输入模式；它只能通过检查函数签名来构造它。 因此，为了绕过这个限制，我需要构建一种能力，将MCP工具规范转换为动态函数定义，只是为了能让PydanticAI再次将其转换回JSON工具规范。总体上，它的工作方式如下： ``` async def get_tools(session: ClientSession) -> list[Tool[AgentDeps]]: """ 从MCP会话获取所有工具并将其转换为Pydantic AI工具。 """ tools_result = await session.list_tools() return [pydantic_tool_from_mcp_tool(session, tool) for tool in tools_result.tools] def pydantic_tool_from_mcp_tool(session: ClientSession, tool: MCPTool) -> Tool[AgentDeps]: """ 将MCP工具转换为Pydantic AI工具。 """ tool_function = create_function_from_schema(session=session, name=tool.name, schema=tool.inputSchema) return Tool(name=tool.name, description=tool.description, function=tool_function, takes_ctx=True) ``` 对于`create_function_from_schema()`的实现，关键部分是我们需要为每个工具定义一个实际请求MCP服务器的函数，该函数将执行实际操作并返回响应。这看起来像这样： ``` def create_function_from_schema(session: ClientSession, name: str, schema: Dict[str, Any]) -> types.FunctionType: """ 根据JSON模式创建具有签名的函数。这是必要的，因为PydanticAI目前还不支持直接提供工具JSON模式。 """ # 从工具模式创建参数列表 parameters = convert_schema_to_params(schema) # 创建签名 sig = inspect.Signature(parameters=parameters) # 创建函数体 async def function_body(ctx: RunContext[AgentDeps], **kwargs) -> str: # 使用提供的参数调用MCP工具 result = await session.call_tool(name, arguments=kwargs) # 假设响应始终是TextContent if isinstance(result.content[0], TextContent): return result.content[0].text else: raise ValueError("Expected TextContent, got ", type(result.content[0])) # 使用正确的签名创建函数 dynamic_function = types.FunctionType( function_body.__code__, function_body.__globals__, name=name, argdefs=function_body.__defaults__, closure=function_body.__closure__, ) # 添加签名和注解 dynamic_function.__signature__ = sig # type: ignore dynamic_function.__annotations__ = {param.name: param.annotation for param in parameters} return dynamic_function ``` 对于那些勇敢或自虐到想要看看`convert_schema_to_params()`实际涉及的内容的人，请看[这里](https://github.com/Finndersen/pydanticai%5Fmcp%5Fdemo/blob/main/client/mcp%5Fagent/util/schema%5Fto%5Fparams.py?ref=hubwiz.com)。感谢Claude/Cursor帮我做了这个脏活……我只能祈祷PydanticAI团队尽快合并[这个PR](https://github.com/pydantic/pydantic-ai/pull/881?ref=hubwiz.com)，这样其他人就不用再接触这个怪物了。 ## 3、组装在一起 现在我们已经有了标准的PydanticAI `工具`列表，可以直接提供给`代理`正常使用，例如： ``` from pydantic_ai import Agent from rich.console import Console from rich.prompt import Prompt ... def run(): # 配置模型和代理依赖项 ... # 初始化并连接MCP服务器，构建工具 ... agent = Agent( model=model, deps_type=type(deps), system_prompt=SYSTEM_PROMPT, tools=tools, ) message_history: list[ModelMessage] = [] while True: prompt = Prompt.ask("[cyan]>[/cyan] ").strip() if not prompt: continue # 处理s特殊命令 if prompt.lower() in EXIT_COMMANDS: break # 通过代理处理正常输入 result = await agent.run(prompt, deps=deps, message_history=message_history) response = result.data console.print(f"[bold green]代理:[/bold green] {response}") message_history = result.all_messages() ``` 要查看我的完整实现，请访问[这里](https://github.com/Finndersen/pydanticai%5Fmcp%5Fdemo/tree/main?ref=hubwiz.com)的存储库 。亲自尝试使用文件系统代理看看它能做什么！以下是一个示例： ``` 欢迎来到MCP演示CLI！输入/quit退出。 [DEBUG] 启动MCP服务器，工作目录为：/Users/finn.andersen/projects/mcp_demo [DEBUG] 安全的MCP文件系统服务器运行在stdio上 [DEBUG] 允许的目录：[ '/Users/finn.andersen/projects/mcp_demo' ] > : 创建一个包含项目目录树结构的文件，以分层格式显示每个项目的深度，使用类似“tree”工具的结果格式。排除隐藏文件和文件夹 [DEBUG] 调用工具directory_tree，参数为：{'path': '.'} [DEBUG] 调用工具write_file，参数为：{'path': 'directory_tree.txt', 'content': '...'} 代理：目录树已成功写入名为`directory_tree.txt`的文件中。如果你还需要其他帮助，请随时告诉我！ > : ``` 它成功创建了一个名为*directory\_tree.txt*的文件，内容如下： ``` Makefile README.md client __init__.py mcp_agent __init__.py agent.py cli.py deps.py llm.py run.py tools.py util __init__.py schema_to_params.py pyproject.toml requirements-dev.txt requirements.txt server Dockerfile README.md index.ts package-lock.json package.json test.ts tsconfig.json uv.lock ``` ## 4、结束语 希望这能帮助你理解MCP的工作原理以及如何将其用于集成AI代理的新功能。去构建一些酷炫的东西吧，利用所有免费提供的MCP服务器！ --- 原文链接：[How to use MCP tools with a PydanticAI Agent](https://medium.com/@finndersen/how-to-use-mcp-tools-with-a-pydanticai-agent-0d3a09c93a51?ref=hubwiz.com) 汇智网翻译整理，转载请标明出处