大模型Agents开发框架如今已经百花齐放，层出不穷。本文将盘点8种主流LLM Agents开发框架，并介绍如何在每种框架中集成当下备受关注的MCP Server，让Agents系统更方便的接入外部工具。

一、Open AI Agents SDK

【框架简介】

OpenAI Agents SDK是OpenAI官方推出的轻量级Agent开发框架，旨在方便开发者构建多Agent协作的智能体系统。该SDK源于OpenAI内部实验项目Swarm，并在近期正式推出生产版本。OpenAI Agents SDK的特点是：简单易用、轻量级、专注在最小集功能，并支持转交（Handoffs）、护栏（Guardrails）等很有特点的功能。

【集成MCP】

以下代码演示了如何将OpenAI Agent实例连接到一个搜索的MCP Server，并将其中的工具集成Agent中：

import asyncio, os
from agents import Agent, Runner, AsyncOpenAI, OpenAIChatCompletionsModel, RunConfig
from agents.mcp import MCPServerStdio

asyncdefmain():
    # 1. 创建MCP Server实例
    search_server = MCPServerStdio(
        params={
    
    
            "command": "npx",
            "args": ["-y", "@mcptools/mcp-tavily"],
            "env": {
    
    **os.environ}
        }
    )
    await search_server.connect()

    # 2. 创建Agent并集成MCP Server
    agent = Agent(
        name="助手Agent",
        instructions="你是一个具有网页搜索能力的助手，必要时使用搜索工具获取信息。",
        mcp_servers=[search_server], # 将MCP Server列表传入Agent
    )

    # 3. 运行Agent，让其自动决定何时调用搜索工具
    result = await Runner.run(agent, "Llama4.0发布了吗？",run_config=RunConfig(tracing_disabled=True))
    print(result.final_output)

    await search_server.cleanup()

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

有趣的是，在使用远程MCP Server时，Agents SDK提供了自动缓存工具列表的选项（通过设置cache_tools_list=True）。如果需要手动使缓存失效，可以调用MCP Server实例上的invalidate_tools_cache()方法 。

二、LangGraph

【框架简介】

LangGraph来自著名的LangChain，是一个用于构建Agentic Workflow的强大框架，它将任务过程建模为有状态的Graph结构，从而可以实现更复杂和结构化的交互。在该框架内集成MCP Server可以在工作流程的各个阶段更精确地控制何时以及如何调用外部工具，从而实现复杂的Agentic系统。

LangGraph的特点是功能强大，你可以使用Prebuilt的接口快速创建Agent，也可以使用Graph定义复杂的Agentic工作流与多Agent系统；缺点是略显复杂。

【集成MCP】

将前面的示例修改为LangGraph+MCP Server的代码实现：

import asyncio, os
from langchain_mcp_adapters.client import MultiServerMCPClient

from langchain_core.messages import SystemMessage, HumanMessage
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
from langgraph.prebuilt import create_react_agent

# 加载环境变量
load_dotenv()

# 定义大语言模型
model = ChatOpenAI(model="gpt-4o-mini")

# 定义并运行agent
asyncdefrun_agent():
    # 定义MCP服务器，用于访问Tavily搜索工具
    asyncwith MultiServerMCPClient(
        {
    
    
            "tavily": {
    
    
            "command": "npx",
            "args": ["-y", "@mcptools/mcp-tavily"],
            "env": {
    
    **os.environ} # 传递环境变量给MCP工具
            }
        }
    ) as client:

        # 创建ReAct风格的agent
        agent = create_react_agent(model, client.get_tools())

        # 定义系统消息，指导如何使用工具
        system_message = SystemMessage(content=(
                "你是一个具有网页搜索能力的助手，必要时使用搜索工具获取信息。"
        ))

        # 处理查询
        agent_response = await agent.ainvoke({
    
    "messages": [system_message, HumanMessage(content="Llama4.0发布了吗？")]})

        # 返回agent的回答
        return agent_response["messages"][-1].content

# 运行agent
if __name__ == "__main__":
    response = asyncio.run(run_agent())
    print("\n最终回答:", response)

注意这里使用MultiServerMCPClient可以灵活的支持多个MCP Server的同时连接，对于单个Server场景，你也可以借助load_mcp_tools方法直接从MCP SDK的session中导入Tools（无需MultiServerMCPClient）。

三、LlamaIndex

【框架简介】

LlamaIndex最初是一个专注于构建基于外部数据的LLM应用程序的框架，其独特之处在于构建以数据为中心的LLM应用的能力，特别是复杂的企业级RAG应用。但随着LlamaIndex Workflows与AgentWorkflow功能的推出，LlamaIndex也发展为一个更全能的专注于企业级RAG+Agent系统的开发框架。特点是功能强大、预置大量RAG应用优化模块；事件驱动的Workflows在Agent开发上比LangGraph更简单。

【集成MCP】

LlamaIndex目前也支持与MCP Server集成，快速导入Tools使用：

from llama_index.tools.mcp import McpToolSpec,BasicMCPClient
import asyncio
from llama_index.llms.openai import OpenAI
from llama_index.core.agent import ReActAgent
import os

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

asyncdefmain():

    mcp_client = BasicMCPClient("npx", ["-y", "@mcptools/mcp-tavily"], env={
    
    **os.environ})
    mcp_tool = McpToolSpec(client=mcp_client)
    tools = await mcp_tool.to_tool_list_async()

    agent = ReActAgent.from_tools(
        tools,
        llm=llm,
        verbose=True,
        system_prompt="你是一个具有网页搜索能力的助手，必要时使用搜索工具获取信息。"
    )

    response = await agent.aquery("Llama4.0发布了吗？")
    print(response) 

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

如果你的MCP Server是远程SSE模式运行，只需要更换BasicMCPClient初始化时的参数，将命令及参数（如npx）更换为url即可。

四、AutoGen 0.4+

【框架简介】

AutoGen是微软开发的一个框架，用于构建具有多Agent对话的下一代企业级AI应用。其独特之处在于专注于通过多个Agent之间的协调交互来实现协作和解决复杂任务，在最新的AutoGen0.4中，微软进行了颠覆性的架构修改，特别是开放了AutoGen-Core这一更底层的API层，可用于构建更底层与细粒度控制的分布式多Agent系统。其特点是功能强大，支持分布式多Agent，可根据需要选择不同层次的API使用；缺点是较复杂。

【集成MCP】

在Autogen 0.4的扩展中提供了MCP集成的组件，演示如下（代码有省略）：

from autogen_ext.tools.mcp import StdioServerParams, mcp_server_tools
...

async def get_mcp_tools():
    server_params = StdioServerParams(
        command="npx", 
        args = [
        "-y",
        "@mcptools/mcp-tavily",
      ],env={
    
    **os.environ}
    )
    tools = await mcp_server_tools(server_params)
    return tools
...


classToolUseAgent(RoutedAgent):
...


async defmain():
    """主函数，设置并运行agent系统"""
    # 创建单线程agent运行时
    runtime = SingleThreadedAgentRuntime()

    mcp_tools = await get_mcp_tools()
    tools = [*mcp_tools]

    # 注册agent类型
    await ToolUseAgent.register(runtime, "my_agent", lambda: ToolUseAgent(tools))
...

    message = Message('Llama4.0发布了吗？)
    response = await runtime.send_message(message, AgentId("my_agent", "default"))

如果需连接远程MCP Server，请使用SseServerParams组件，并使用url参数初始化。

五、Pydantic AI

【框架简介】

Pydantic AI来自于著名的Pydantic库开发者，是一个将Pydantic与LLM集成的Agents开发框架。其独特之处在于专注于在AI应用中利用Pydantic的类型验证、序列化与结构化输出等功能。Pydantic AI的特点是天然的结构化输出与强类型验证，且简洁易用，与其他框架也有良好的集成，可以结合使用。

【集成MCP】

使用Pydantic AI集成MCP Server中的工具非常简单（与OpenAI Agents SDK非常类似），只需要简单的提供Server配置即可：

from pydantic_ai import Agent
from pydantic_ai.mcp import MCPServerStdio
import os

server = MCPServerStdio( 
    'npx',
    ["-y", "@mcptools/mcp-tavily"],
    env={
    
    **os.environ} 
)

agent = Agent(
        name="助手Agent",
        system_prompt="你是一个具有网页搜索能力的助手，必要时使用搜索工具获取信息。",
        model='openai:gpt-4o-mini', 
        mcp_servers=[server])

async def main():
    asyncwith agent.run_mcp_servers():
        result = await agent.run('"Llama4.0发布了吗?')
    print(result.data)

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

如果需要使用SSE远程MCP，将Server组件更改为MCPServerHTTP即可。

六、SmolAgents

【框架简介】

Smloagents是大名鼎鼎的Hugging Face开发的一个轻量级Agent开发框架。其特点在于简洁易用、基于生成代码的工具调用（核心抽象叫CodeAgent）以及与Hugging Face生态系统的集成。Smloagents与MCP的集成提供了一种直接的方式，可以为Agent添加复杂的功能，而无需为每个工具进行自定义编码。

【MCP集成】

以下代码演示了如何初始化一个Smloagent并将其连接到MCP Server：

from smolagents import ToolCollection, CodeAgent
from smolagents.agents import ToolCallingAgent
from smolagents import tool, LiteLLMModel
from mcp import StdioServerParameters
import os

model = LiteLLMModel(model_id="gpt-4o-mini")

server_parameters = StdioServerParameters(
    command="npx",
    args=["-y", "@mcptools/mcp-tavily"],
    env={
    
    **os.environ},
)

with ToolCollection.from_mcp(server_parameters, trust_remote_code=True) as tool_collection:
    agent = ToolCallingAgent(tools=[*tool_collection.tools], model=model)
    response = agent.run("llama4.0发布了吗？")
    print(response)

如果你需要使用SSE模式的MCP Server，只需要替换服务器配置参数为url即可。

七、Camel

【框架简介】

Camel是一个专注于创建能够进行复杂对话以解决任务的强大的多智能体构建框架 。其独特之处在于使用AI Agent之间的角色扮演和交互协作来完成任务，并内置了多种角色的Agent抽象及大量组件，Camel也可以用来开发RAG应用。现在这些Agent也可以通过MCP Server得到增强。

Camel还提供了一个将Camel中创建的工具集发布成MCP Server的功能。

【MCP集成】

你可以参考如下方式将基于Camel的Agent与MCP Server做集成：

import asyncio
from mcp.types import CallToolResult
from camel.toolkits.mcp_toolkit import MCPToolkit, MCPClient
import os
from camel.agents import ChatAgent

async def run_example():
    
    mcp_client = MCPClient(
        command_or_url="npx",
        args=["-y", "@mcptools/mcp-tavily"],
        env={
    
    **os.environ}
    )
    await mcp_client.connect()
    mcp_toolkit = MCPToolkit(servers=[mcp_client])
    tools = mcp_toolkit.get_tools()

    try:
        agent = ChatAgent(system_message='根据任务描述，使用网页搜索工具获取信息。',
                          tools=tools)
        response = await agent.astep("llama4.0发布了吗？")
        print("Response:", response.msgs[0].content)
    except Exception as e:
        print(f"Error during agent execution: {
      
      e}")
    finally:
        # 确保在任何情况下都会断开连接
        await mcp_client.disconnect()

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

如果需要连接SSE的远程Server，替换这里的MCPClient中的输入参数为url即可。

八、CrewAI

【框架简介】

CrewAI是一个用于编排自主AI智能体像团队一样协作完成复杂任务的多智能系统开发框架。其独特之处在于其“角色扮演”的设计，专注于创建具有特定角色和职责的结构化Agent团队（称为Crew）;最新的Flow功能可用于创建更可靠的Agentic Workflow。

【MCP集成】

目前官方的MCP集成正在紧锣密鼓的完善，还没有正式发布，暂时你可以借助一个第三方适配器进行：

import os
from crewai import Agent, Crew, Task # type: ignore 
from mcp import StdioServerParameters
from mcpadapt.core import MCPAdapt
from mcpadapt.crewai_adapter import CrewAIAdapter

with MCPAdapt(
    StdioServerParameters(
        command="npx",
        args=["-y", "@mcptools/mcp-tavily"],
        env={
    
    **os.environ}
    ),
    CrewAIAdapter(),
) as tools:
    print(f"Tools: {
      
      tools}")
    agent = Agent(
        role="MyAgent",goal="根据任务描述，使用网页搜索工具获取信息。",backstory="你是一个中文搜索助手",
        tools=tools,llm='gpt-4o-mini',
    )

    # Create a task
    task = Task(
        description="llama4.0的最新消息",agent=agent,expected_output="消息列表")

    task.execute_sync()

官方的MCP适配器的进展可以参考其Github开源项目的PR #2496（MCP servers tool support in CrewAI #2496）。

以上为大家盘点了8个常见的AI Agent开发框架及其对MCP的支持。由于MCP诞生不久且处于不断完善中，这些框架对MCP的适配也在不断迭代，请及时参考你所使用的开发框架的最新参考文档，了解最新变化。

---

如何系统学习掌握AI大模型？

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2024行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】