本文介绍了8种主流的LLM Agents开发框架包括OpenAI Agents SDK、LangGraph、LlamaIndex、AutoGen 0.4、Pydantic AI、SmolAgents、Camel和CrewAI并详细讲解了如何在每种框架中集成MCP Server以便更方便地接入外部工具。文章还提供了每种框架集成MCP Server的代码示例适合想要学习大模型开发的程序员参考。1、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, osfrom agents import Agent, Runner, AsyncOpenAI, OpenAIChatCompletionsModel, RunConfigfrom agents.mcp import MCPServerStdioasyncdefmain(): # 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_configRunConfig(tracing_disabledTrue)) 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_listTrue。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 。2、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LangGraphMCP Server的代码实现import asyncio, osfrom langchain_mcp_adapters.client import MultiServerMCPClientfrom langchain_core.messages import SystemMessage, HumanMessagefrom langchain_openai import ChatOpenAIfrom dotenv import load_dotenvfrom langgraph.prebuilt import create_react_agent# 加载环境变量load_dotenv()# 定义大语言模型model ChatOpenAI(modelgpt-4o-mini)# 定义并运行agentasyncdefrun_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(contentLlama4.0发布了吗)]}) # 返回agent的回答 return agent_response[messages][-1].content# 运行agentif __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。3、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RAGAgent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,BasicMCPClientimport asynciofrom llama_index.llms.openai import OpenAIfrom llama_index.core.agent import ReActAgentimport osllm OpenAI(modelgpt-4o-mini)asyncdefmain(): mcp_client BasicMCPClient(npx, [-y, mcptools/mcp-tavily], env{**os.environ}) mcp_tool McpToolSpec(clientmcp_client) tools await mcp_tool.to_tool_list_async() agent ReActAgent.from_tools( tools, llmllm, verboseTrue, 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。4、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( commandnpx, 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。5、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 Agentfrom pydantic_ai.mcp import MCPServerStdioimport osserver 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。, modelopenai: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。6、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 Serverfrom smolagents import ToolCollection, CodeAgentfrom smolagents.agents import ToolCallingAgentfrom smolagents import tool, LiteLLMModelfrom mcp import StdioServerParametersimport osmodel LiteLLMModel(model_idgpt-4o-mini)server_parameters StdioServerParameters( commandnpx, args[-y, mcptools/mcp-tavily], env{**os.environ},)with ToolCollection.from_mcp(server_parameters, trust_remote_codeTrue) as tool_collection: agent ToolCallingAgent(tools[*tool_collection.tools], modelmodel) 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。7、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 asynciofrom mcp.types import CallToolResultfrom camel.toolkits.mcp_toolkit import MCPToolkit, MCPClientimport osfrom camel.agents import ChatAgentasync def run_example(): mcp_client MCPClient( command_or_urlnpx, 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。, toolstools) response await agent.astep(llama4.0发布了吗) print(Response:, response.msgs[0].content) except Exception as e: print(fError 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。8、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 osfrom crewai import Agent, Crew, Task # type: ignore from mcp import StdioServerParametersfrom mcpadapt.core import MCPAdaptfrom mcpadapt.crewai_adapter import CrewAIAdapterwith MCPAdapt( StdioServerParameters( commandnpx, args[-y, mcptools/mcp-tavily], env{**os.environ} ), CrewAIAdapter(),) as tools: print(fTools: {tools}) agent Agent( roleMyAgent,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, toolstools,llmgpt-4o-mini, ) # Create a task task Task( descriptionllama4.0的最新消息,agentagent,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 #2496MCP 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。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版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。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、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 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真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精心整理了一份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。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
8种主流LLM Agents开发框架盘点及MCP Server集成教程，小白程序员必备收藏！
本文介绍了8种主流的LLM Agents开发框架包括OpenAI Agents SDK、LangGraph、LlamaIndex、AutoGen 0.4、Pydantic AI、SmolAgents、Camel和CrewAI并详细讲解了如何在每种框架中集成MCP Server以便更方便地接入外部工具。文章还提供了每种框架集成MCP Server的代码示例适合想要学习大模型开发的程序员参考。1、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, osfrom agents import Agent, Runner, AsyncOpenAI, OpenAIChatCompletionsModel, RunConfigfrom agents.mcp import MCPServerStdioasyncdefmain(): # 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_configRunConfig(tracing_disabledTrue)) 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_listTrue。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 。2、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LangGraphMCP Server的代码实现import asyncio, osfrom langchain_mcp_adapters.client import MultiServerMCPClientfrom langchain_core.messages import SystemMessage, HumanMessagefrom langchain_openai import ChatOpenAIfrom dotenv import load_dotenvfrom langgraph.prebuilt import create_react_agent# 加载环境变量load_dotenv()# 定义大语言模型model ChatOpenAI(modelgpt-4o-mini)# 定义并运行agentasyncdefrun_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(contentLlama4.0发布了吗)]}) # 返回agent的回答 return agent_response[messages][-1].content# 运行agentif __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。3、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RAGAgent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,BasicMCPClientimport asynciofrom llama_index.llms.openai import OpenAIfrom llama_index.core.agent import ReActAgentimport osllm OpenAI(modelgpt-4o-mini)asyncdefmain(): mcp_client BasicMCPClient(npx, [-y, mcptools/mcp-tavily], env{**os.environ}) mcp_tool McpToolSpec(clientmcp_client) tools await mcp_tool.to_tool_list_async() agent ReActAgent.from_tools( tools, llmllm, verboseTrue, 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。4、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( commandnpx, 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。5、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 Agentfrom pydantic_ai.mcp import MCPServerStdioimport osserver 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。, modelopenai: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。6、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 Serverfrom smolagents import ToolCollection, CodeAgentfrom smolagents.agents import ToolCallingAgentfrom smolagents import tool, LiteLLMModelfrom mcp import StdioServerParametersimport osmodel LiteLLMModel(model_idgpt-4o-mini)server_parameters StdioServerParameters( commandnpx, args[-y, mcptools/mcp-tavily], env{**os.environ},)with ToolCollection.from_mcp(server_parameters, trust_remote_codeTrue) as tool_collection: agent ToolCallingAgent(tools[*tool_collection.tools], modelmodel) 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。7、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 asynciofrom mcp.types import CallToolResultfrom camel.toolkits.mcp_toolkit import MCPToolkit, MCPClientimport osfrom camel.agents import ChatAgentasync def run_example(): mcp_client MCPClient( command_or_urlnpx, 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。, toolstools) response await agent.astep(llama4.0发布了吗) print(Response:, response.msgs[0].content) except Exception as e: print(fError 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。8、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 osfrom crewai import Agent, Crew, Task # type: ignore from mcp import StdioServerParametersfrom mcpadapt.core import MCPAdaptfrom mcpadapt.crewai_adapter import CrewAIAdapterwith MCPAdapt( StdioServerParameters( commandnpx, args[-y, mcptools/mcp-tavily], env{**os.environ} ), CrewAIAdapter(),) as tools: print(fTools: {tools}) agent Agent( roleMyAgent,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, toolstools,llmgpt-4o-mini, ) # Create a task task Task( descriptionllama4.0的最新消息,agentagent,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 #2496MCP 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。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版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。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、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 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真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精心整理了一份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。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
