8大主流LLM Agents开发框架与MCP Server集成指南

1. 主流LLM Agents开发框架概述

在当今AI技术快速发展的背景下，大型语言模型(LLM)的应用开发已经成为技术热点。作为开发者，选择合适的开发框架可以事半功倍。本文将深入分析8种主流的LLM Agents开发框架，并重点介绍它们与MCP Server的集成方法。

提示：MCP Server是一种通用的工具调用协议，它允许LLM Agent通过标准化接口访问各种外部工具和服务，极大扩展了Agent的能力边界。

2. 8大框架详解与MCP集成方案

2.1 OpenAI Agents SDK

OpenAI官方推出的轻量级Agent开发框架，源自内部实验项目Swarm。其特点是简单易用、专注核心功能，支持转交(Handoffs)和护栏(Guardrails)等特色功能。

集成MCP Server的关键步骤：

1. 创建MCP Server实例
2. 将Server实例传入Agent构造函数
3. 运行Agent并自动调用工具

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

async def main():
    search_server = MCPServerStdio(
        params={
            "command": "npx",
            "args": ["-y", "@mcptools/mcp-tavily"],
            "env": {**os.environ}
        }
    )
    await search_server.connect()
    
    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],
    )
    
    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())

注意事项：

• 远程MCP Server可设置cache_tools_list=True启用工具列表缓存
• 调用invalidate_tools_cache()手动使缓存失效

2.2 LangGraph

来自LangChain的强大框架，将任务过程建模为有状态的Graph结构，适合构建复杂Agentic系统。

集成特点：

• 使用MultiServerMCPClient支持多Server连接
• 通过get_tools()方法获取工具集
• 可结合LangGraph的Graph结构精确控制工具调用时机

python复制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

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

async def run_agent():
    async with MultiServerMCPClient(
        {
            "tavily": {
            "command": "npx",
            "args": ["-y", "@mcptools/mcp-tavily"],
            "env": {**os.environ}
            }
        }
    ) as client:
        agent = create_react_agent(model, client.get_tools())
        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。"
        ))
        agent_response = await agent.ainvoke({"messages": [system_message, HumanMessage(content="Llama4.0发布了吗？")]})
        return agent_response["messages"][-1].content

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

2.3 LlamaIndex

最初专注RAG应用的框架，现已发展为全能的企业级RAG+Agent开发平台。

集成要点：

• 使用BasicMCPClient连接Server
• 通过McpToolSpec封装工具
• 支持远程SSE模式连接

python复制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")

async def main():
    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())

2.4 AutoGen 0.4+

微软开发的企业级多Agent框架，0.4版本开放了底层API，支持分布式多Agent系统。

集成方式：

• 使用StdioServerParams配置Server
• 通过mcp_server_tools获取工具集
• 结合RoutedAgent实现工具路由

python复制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

class ToolUseAgent(RoutedAgent):
    pass

async def main():
    runtime = SingleThreadedAgentRuntime()
    mcp_tools = await get_mcp_tools()
    tools = [*mcp_tools]
    
    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"))

2.5 Pydantic AI

基于Pydantic的框架，强调结构化输出和类型验证，简洁易用。

集成特点：

• 类似OpenAI Agents SDK的简洁API
• 支持run_mcp_servers上下文管理器
• 可切换MCPServerHTTP连接远程Server

python复制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():
    async with 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())

2.6 SmolAgents

Hugging Face开发的轻量级框架，基于生成代码的工具调用(CodeAgent)。

集成要点：

• 使用ToolCollection.from_mcp加载工具
• 支持trust_remote_code参数
• 简洁的ToolCallingAgent接口

python复制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)

2.7 Camel

专注于多Agent角色扮演的框架，内置多种角色抽象和组件。

集成特点：

• 使用MCPClient连接Server
• 通过MCPToolkit封装工具
• 内置将工具发布为MCP Server的功能

python复制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:
        await mcp_client.disconnect()

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

2.8 CrewAI

专注于多Agent团队协作的框架，采用角色扮演设计。

当前集成状态：

• 官方MCP支持正在开发中(PR #2496)
• 可暂时使用第三方适配器
• 通过MCPAdapt和CrewAIAdapter桥接

python复制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',
    )
    
    task = Task(
        description="llama4.0的最新消息",agent=agent,expected_output="消息列表")
    task.execute_sync()

3. 框架选择建议与学习路径

3.1 框架选型考量因素

选择框架时需要考虑以下关键因素：

3.2 学习路径建议

对于初学者，建议按照以下路径逐步深入：

1. 从OpenAI Agents SDK或Pydantic AI开始，理解基础Agent概念
2. 尝试LangGraph或LlamaIndex，掌握工作流设计
3. 学习AutoGen或CrewAI，构建复杂多Agent系统
4. 根据项目需求选择特定框架深入

3.3 常见问题排查

1. 连接MCP Server失败

• 检查命令路径和环境变量
• 确认MCP工具包已正确安装
• 验证网络连接(远程Server情况)

2. 工具调用无响应

• 检查Agent的system_prompt是否明确工具使用条件
• 确认模型有足够上下文理解工具用途
• 测试工具独立运行是否正常

3. 多Agent协作问题

• 明确各Agent的职责边界
• 设计清晰的消息传递协议
• 使用框架提供的调试工具追踪消息流

4. 实战经验分享

在实际项目中集成MCP Server时，有几个关键点需要注意：

1. 工具版本管理
   MCP Server调用的工具应该保持版本稳定，避免频繁更新导致Agent行为不一致。建议在项目中固定工具版本。

2. 权限控制
   对于敏感工具，应该实现细粒度的权限控制。可以在MCP Server层面添加权限验证层，或者使用框架提供的权限机制。

3. 性能监控
   工具调用可能成为性能瓶颈，建议实现：

• 调用耗时监控
• 失败率统计
• 自动重试机制

4. 测试策略
   Agent系统测试应该包括：

• 单元测试：单个工具功能
• 集成测试：工具与Agent交互
• 场景测试：完整业务流程

5. 调试技巧

• 启用框架的详细日志
• 使用中间件捕获请求/响应
• 构建最小可复现案例隔离问题

随着MCP协议的不断成熟，各框架的集成方式也在持续优化。建议定期查看框架官方文档，了解最新的最佳实践。对于生产系统，还应该考虑实现自动化部署和回滚机制，确保Agent系统的稳定运行。