使用 MCP Toolbox 将您的数据库与 LangChain 代理集成。

概述

用于数据库的 MCP Toolbox 是一个开源的数据库 MCP 服务器。它在设计时考虑了企业级和生产质量要求。通过处理连接池、身份验证等复杂问题，它使您能够更轻松、更快速、更安全地开发工具。

Toolbox 工具可以与 LangChain 应用程序无缝集成。更多 关于获取 started or 配置 MCP Toolbox 的信息，请参阅 文档.

!架构

设置

本指南假定您已完成以下操作：

1. 已安装 Python 3.9+ 和 pip.
2. 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。我们将创建一个新的数据库、一个专用的 MCP Toolbox 用户和一个 hotels 带有一些示例数据的表。

使用 psql 命令连接 PostgreSQL。您可能需要根据您的 PostgreSQL 设置调整命令（例如，如果您需要指定主机或不同的超级用户）。

psql -U postgres

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;

使用新用户连接到您新创建的数据库：

\c toolbox_db toolbox_user

最后，创建 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');

您现在可以输入 psql 退出 \q.

2. 安装 MCP Toolbox

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，最简单的安装方式是使用 Homebrew:

brew install mcp-toolbox

对于其他平台， 下载适合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。该文件定义 MCP Toolbox 可连接的数据源以及可向您的代理公开的工具。对于生产使用，请始终使用环境变量来存储密钥。

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

现在，在单独的终端窗口中启动 MCP Toolbox 服务器。如果您是通过 Homebrew 安装的，只需运行 toolbox。如果您是手动下载的二进制文件，您需要从保存它的目录运行 ./toolbox ：

toolbox --tools-file "tools.yaml"

MCP Toolbox 默认在 http://127.0.0.1:5000 启动，如果您对 tools.yaml file.

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")

调用

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

现在是精彩的部分！我们将安装所需的 LangChain 包，并创建一个能够使用我们在 MCP Toolbox 中定义的工具的代理。

pip install -qU toolbox-langchain langgraph langchain-google-vertexai

安装包后，我们可以定义我们的代理。我们将使用 ChatVertexAI 作为模型，使用 ToolboxClient 来加载我们的工具。create_agent 来自 langchain.agents 创建了一个强大的代理，能够推理应该调用哪些工具。

Note: 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()

您已成功使用 MCP Toolbox 将 LangChain 代理连接到本地数据库！🥳

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：

• - Toolbox 官方文档
• - Toolbox GitHub 仓库
• - Toolbox LangChain SDK

MCP Toolbox 具有多种功能，可实现数据库 Gen AI 工具的无缝开发：

• - 认证参数：自动将工具输入绑定到 OIDC 令牌的值，使运行敏感查询变得简单，而不会泄露数据
• - 授权调用：根据用户的身份验证令牌限制对工具使用的访问
• - OpenTelemetry：使用获取 MCP Toolbox 的指标和跟踪 OpenTelemetry

社区与支持

我们鼓励您参与社区：

• - ⭐️ 前往 GitHub 仓库 开始使用并关注更新。
• - 📚 深入了解 官方文档 了解更多高级功能和配置。
• - 💬 加入我们的 Discord 服务器 与社区联系并提出问题。