Documentation Index
Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt
Use this file to discover all available pages before exploring further.
使用 MCP Toolbox 将您的数据库与 LangChain 代理集成。
MCP 数据库工具箱 是一个用于数据库的开源 MCP 服务器。它的设计考虑了企业级和生产质量要求。它通过处理连接池、身份验证等复杂性，使您能够更轻松、更快速、更安全地开发工具。
Toolbox 工具可以无缝集成到 LangChain 应用程序中。有关 入门 或 配置 MCP Toolbox 的更多信息，请参阅 文档。
本指南假设您已经完成了以下操作：
- 已安装 Python 3.9+ 和 pip。
- 已安装 PostgreSQL 16+ 和
psql 命令行客户端。
1. 设置您的数据库
首先，让我们设置一个 PostgreSQL 数据库。我们将创建一个新数据库、MCP Toolbox 的专用用户以及带有示例数据的 hotels 表。
使用 psql 命令连接到 PostgreSQL。您可能需要根据 PostgreSQL 设置调整命令（例如，如果需要指定主机或不同的超级用户）。
现在，运行以下 SQL 命令来创建用户、数据库并授予必要的权限：
CREATE USER toolbox_user WITH PASSWORD 'my-password';
CREATE DATABASE toolbox_db;
GRANT ALL PRIVILEGES ON DATABASE toolbox_db TO toolbox_user;
ALTER DATABASE toolbox_db OWNER TO toolbox_user;
\c toolbox_db toolbox_user
hotels 表并插入一些数据：
CREATE TABLE hotels(
id INTEGER NOT NULL PRIMARY KEY,
name VARCHAR NOT NULL,
location VARCHAR NOT NULL,
price_tier VARCHAR NOT NULL,
booked BIT NOT NULL
);
INSERT INTO hotels(id, name, location, price_tier, booked)
VALUES
(1, 'Hilton Basel', 'Basel', 'Luxury', B'0'),
(2, 'Marriott Zurich', 'Zurich', 'Upscale', B'0'),
(3, 'Hyatt Regency Basel', 'Basel', 'Upper Upscale', B'0');
\q 退出 psql。
2. 安装 MCP 工具箱
接下来，我们将安装 MCP Toolbox，在 tools.yaml 配置文件中定义我们的工具，并运行 MCP Toolbox 服务器。
对于 macOS 用户，最简单的方法是使用 Homebrew 安装：
对于其他平台，下载适用于您操作系统和架构的最新 MCP Toolbox 二进制文件。
创建一个 tools.yaml 文件。此文件定义了 MCP Toolbox 可以连接的数据源以及它可以向您的代理暴露的工具。对于生产用途，请始终使用环境变量来存储机密信息。
sources:
my-pg-source:
kind: postgres
host: 127.0.0.1
port: 5432
database: toolbox_db
user: toolbox_user
password: my-password
tools:
search-hotels-by-location:
kind: postgres-sql
source: my-pg-source
description: Search for hotels based on location.
parameters:
- name: location
type: string
description: The location of the hotel.
statement: SELECT id, name, location, price_tier FROM hotels WHERE location ILIKE '%' || $1 || '%';
book-hotel:
kind: postgres-sql
source: my-pg-source
description: >-
Book a hotel by its ID. If the hotel is successfully booked, returns a confirmation message.
parameters:
- name: hotel_id
type: integer
description: The ID of the hotel to book.
statement: UPDATE hotels SET booked = B'1' WHERE id = $1;
toolsets:
hotel_toolset:
- search-hotels-by-location
- book-hotel
toolbox。如果您手动下载了二进制文件，则需要从保存它的目录运行 ./toolbox：
toolbox --tools-file "tools.yaml"
http://127.0.0.1:5000 上启动，如果您更改 tools.yaml 文件，它将热重载。
实例化
!pip install toolbox-langchain
from toolbox_langchain import ToolboxClient
with ToolboxClient("http://127.0.0.1:5000") as client:
search_tool = await client.aload_tool("search-hotels-by-location")
from toolbox_langchain import ToolboxClient
with ToolboxClient("http://127.0.0.1:5000") as client:
search_tool = await client.aload_tool("search-hotels-by-location")
results = search_tool.invoke({"location": "Basel"})
print(results)
[{"id":1,"location":"Basel","name":"Hilton Basel","price_tier":"Luxury"},{"id":3,"location":"Basel","name":"Hyatt Regency Basel","price_tier":"Upper Upscale"}]
在代理中使用
现在到了有趣的部分！我们将安装所需的 LangChain 包并创建一个可以使用我们在 MCP Toolbox 中定义的工具的代理。
pip install -qU toolbox-langchain langgraph langchain-google-vertexai
ChatVertexAI 作为模型，并使用 ToolboxClient 加载我们的工具。langchain.agents 中的 create_agent 创建一个强大的代理，可以推理调用哪些工具。
注意： 在执行以下代码之前，请确保您的 MCP Toolbox 服务器正在单独的终端中运行。
from langchain.agents import create_agent
from langchain_google_vertexai import ChatVertexAI
from langgraph.checkpoint.memory import MemorySaver
from toolbox_langchain import ToolboxClient
prompt = """
You're a helpful hotel assistant. You handle hotel searching and booking.
When the user searches for a hotel, list the full details for each hotel found: id, name, location, and price tier.
Always use the hotel ID for booking operations.
For any bookings, provide a clear confirmation message.
Don't ask for clarification or confirmation from the user; perform the requested action directly.
"""
async def run_queries(agent_executor):
config = {"configurable": {"thread_id": "hotel-thread-1"}}
# --- Query 1: Search for hotels ---
query1 = "I need to find a hotel in Basel."
print(f'\n--- USER: "{query1}" ---')
inputs1 = {"messages": [("user", prompt + query1)]}
async for event in agent_executor.astream_events(
inputs1, config=config, version="v2"
):
if event["event"] == "on_chat_model_end" and event["data"]["output"].content:
print(f"--- AGENT: ---\n{event['data']['output'].content}")
# --- Query 2: Book a hotel ---
query2 = "Great, please book the Hyatt Regency Basel for me."
print(f'\n--- USER: "{query2}" ---')
inputs2 = {"messages": [("user", query2)]}
async for event in agent_executor.astream_events(
inputs2, config=config, version="v2"
):
if event["event"] == "on_chat_model_end" and event["data"]["output"].content:
print(f"--- AGENT: ---\n{event['data']['output'].content}")
运行代理
async def main():
await run_hotel_agent()
async def run_hotel_agent():
model = ChatVertexAI(model_name="gemini-2.5-flash")
# Load the tools from the running MCP Toolbox server
async with ToolboxClient("http://127.0.0.1:5000") as client:
tools = await client.aload_toolset("hotel_toolset")
agent = create_agent(model, tools, checkpointer=MemorySaver())
await run_queries(agent)
await main()
API 参考
此集成的主要类是 ToolboxClient。
有关更多信息，请参阅以下资源：
MCP Toolbox 具有多种功能，使为数据库开发生成式 AI 工具变得无缝：
社区与支持
我们鼓励您参与社区：
