前置准备

获取百度的APIkey

百度开发者平台

获取百度MCP大模型配置

百度MCP服务

from langchain_core.messages import HumanMessage
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain_openai import ChatOpenAI
from fastapi import FastAPI
from pydantic import BaseModel
import uvicorn

app = FastAPI()


# 请求体
classChatRequest(BaseModel):
    content: str


# 大模型配置
llm = ChatOpenAI(
    base_url="大模型地址",
    api_key="xxx",
    model="Huihui-Qwen3-Coder-30B-A3B-Instruct-abliterated-gptq-w4a16",
    temperature=0.7,
)

# 百度地图MCP配置
mcp_config = {
"baidu-map": {
"command": "npx",
"args": ["-y", "@baidumap/mcp-server-baidu-map"],
"env": {"BAIDU_MAP_API_KEY": "百度开发者平台apikey"},
"transport": "stdio"# 这个需要额外注意，如果是参数类型调用需要使用stdio
    }
}


@app.post("/chat")
asyncdefchat(request: ChatRequest):
"""聊天接口 - 调用百度地图"""

# 1. 创建MCP客户端，获取工具
    client = MultiServerMCPClient(mcp_config)
    tools = await client.get_tools()

# 2. 绑定工具到大模型
    llm_with_tools = llm.bind_tools(tools)

# 3. 调用大模型
    response = await llm_with_tools.ainvoke([HumanMessage(content=request.content)])

# 4. 如果大模型想调用工具
if response.tool_calls:
        tool_call = response.tool_calls[0]
        tool_name = tool_call["name"]
        tool_args = tool_call["args"]

# 找到对应的工具并执行
for tool in tools:
if tool.name == tool_name:
                tool_result = await tool.ainvoke(tool_args)

# 把工具结果再发给大模型，让它总结回复
                final_response = await llm.ainvoke([
                    HumanMessage(content=request.content),
                    response,
                    HumanMessage(content=f"工具返回结果: {tool_result}")
                ])
return {"response": final_response.content}

# 5. 如果不需要调用工具，直接返回
return {"response": response.content}


if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=8000)