文章摘要
MCP-Use是一个开源工具，允许开发者将任何大型语言模型（LLM）连接到MCP服务器，并构建具有工具访问权限的自定义MCP代理，无需使用闭源或应用客户端。它支持快速连接LLM到网页浏览、文件操作等工具，提供TypeScript版本，并可通过官方网站和文档快速上手。
文章总结
MCP-Use：连接LLM与MCP服务器的开源工具
MCP-Use 是一个开源工具，旨在帮助开发者轻松将任何大型语言模型（LLM）与任何MCP服务器连接，并构建具有工具访问权限的自定义MCP代理，而无需依赖闭源或应用程序客户端。
主要功能：
- 易用性：仅需6行代码即可创建支持MCP的代理。
- LLM灵活性：支持任何具备工具调用能力的LLM，如OpenAI、Anthropic、Groq、LLama等。
- 代码生成器：通过交互式代码生成器探索MCP功能并生成启动代码。
- HTTP支持：直接连接到运行在特定HTTP端口上的MCP服务器。
- 动态服务器选择：代理可以从可用池中动态选择最适合的MCP服务器执行任务。
- 多服务器支持：支持在单个代理中同时使用多个MCP服务器。
- 工具限制：可以限制代理访问潜在危险的工具，如文件系统或网络访问。
- 自定义代理：使用LangChain适配器或创建新适配器构建自定义代理。
快速开始：
- 通过pip安装：
pip install mcp-use - 或从源码安装：
bash git clone https://github.com/pietrozullo/mcp-use.git cd mcp-use pip install -e .
安装LangChain提供者：
MCP-Use通过LangChain支持多种LLM提供者。例如：
- 对于OpenAI：pip install langchain-openai
- 对于Anthropic：pip install langchain-anthropic
启动代理：
```python import asyncio from langchainopenai import ChatOpenAI from mcpuse import MCPAgent, MCPClient
async def main(): client = MCPClient.fromconfigfile("browsermcp.json") llm = ChatOpenAI(model="gpt-4o") agent = MCPAgent(llm=llm, client=client, maxsteps=30) result = await agent.run("Find the best restaurant in San Francisco") print(result)
if name == "main": asyncio.run(main()) ```
流式代理输出：
MCP-Use支持通过astream方法异步流式输出代理结果，适用于需要实时更新的应用场景。
示例用例：
- 网页浏览：使用Playwright进行网页搜索。
- Airbnb搜索：查找巴塞罗那的住宿并展示前3个选项。
- Blender 3D创作：创建带有软材质的充气立方体。
多服务器支持：
MCP-Use允许配置和同时连接到多个MCP服务器，支持复杂的多工具工作流。
沙盒执行：
通过E2B的云基础设施，MCP-Use支持在沙盒环境中运行MCP服务器，无需本地安装依赖。
自定义代理：
开发者可以使用LangChain适配器构建自定义代理，灵活扩展功能。
调试：
MCP-Use提供内置调试模式，帮助诊断代理实现中的问题。
贡献：
欢迎开发者提交问题或功能请求，具体贡献指南请参考CONTRIBUTING.md。
许可证：
MIT
引用：
如果在研究或项目中使用MCP-Use，请引用：
bibtex
@software{mcp_use2025,
author = {Zullo, Pietro},
title = {MCP-Use: MCP Library for Python},
year = {2025},
publisher = {GitHub},
url = {https://github.com/pietrozullo/mcp-use}
}
MCP-Use为开发者提供了一个强大且灵活的工具，帮助他们轻松构建和部署基于MCP的智能代理。
评论总结
评论内容总结：
功能与实用性：
- 正面评价：部分用户认为该工具易于使用且功能强大，适合快速开发演示功能。
- 引用：“I have used mcp-use to write some demo functionality and it is very easy to use and works great!”（我使用mcp-use编写了一些演示功能，它非常容易使用且效果很好！）
- 负面评价：有用户认为该工具目前更像一个玩具，无法解决企业级问题，且缺乏安全性和可观察性。
- 引用：“This is basically a toy right now and can’t be used for solving repeatable, valuable problems for actual businesses”（这基本上是一个玩具，无法解决实际企业中的重复性、有价值的问题）
- 正面评价：部分用户认为该工具易于使用且功能强大，适合快速开发演示功能。
技术实现与创新：
- 有用户指出该工具的核心部分只是对Langchain AgentExecutor的封装，缺乏创新性。
- 引用：“the agent is really just a wrapper of Langchain AgentExecutor”（代理实际上只是Langchain AgentExecutor的封装）
- 另有用户提到已有类似项目，且该工具缺乏技术壁垒。
- 引用：“There are tons and tons of existing projects for connecting LLMs to 1000s of MCP servers”（已有大量项目将LLM连接到数千个MCP服务器）
- 有用户指出该工具的核心部分只是对Langchain AgentExecutor的封装，缺乏创新性。
安全性与沙盒环境：
- 用户对沙盒环境的具体实现和跨平台支持表示关注。
- 引用：“How does the sandboxing work? Is it cross platform? Options for filesystem/network?”（沙盒是如何工作的？是否跨平台？文件系统/网络的选项是什么？）
- 有用户建议使用本地和隐私友好的沙盒环境。
- 引用：“If you want to support a local and privacy friendly sandboxed environment for code execution, you may consider something I have built”（如果你想支持本地和隐私友好的沙盒代码执行环境，可以考虑我构建的东西）
- 用户对沙盒环境的具体实现和跨平台支持表示关注。
文档与解释：
- 用户批评该工具缺乏对MCP服务器的解释和用途说明。
- 引用：“no where in either the github link presented nor on his web site, mcp-use.com, does he actually explain what an 'MCP' server is”（在提供的GitHub链接或他的网站mcp-use.com上，他都没有解释什么是“MCP”服务器）
- 用户批评该工具缺乏对MCP服务器的解释和用途说明。
社区与推广：
- 有用户注意到该工具在社区中的推广可能存在问题，认为存在虚假热度。
- 引用：“I see a lot of 1-karma-point HN users hyping this”（我看到很多1-karma-point的HN用户在炒作这个）
- 有用户注意到该工具在社区中的推广可能存在问题，认为存在虚假热度。
总结：该工具在易用性和快速开发方面获得了一些正面评价，但在企业级应用、技术创新、安全性和文档解释方面存在明显不足。用户对其实际价值和推广方式提出了质疑。