这款McpStore开源的可视化MCP服务管理平台，只需要三行代码就能为你的Agent添加MCP能力。
MCPStore
MCPStore 是一个专为解决大语言模型（LLM）应用在生产环境中实际痛点而设计的工具管理库。
Agent 想要使用 MCP 的能力，解决的痛点很明显， MCP生态越来越完善的当下 总有一些适合自己的agent的mcp服务，但是为了agent去写一堆重复的代码效率低下且繁琐，说到底我们的agent只是需要那些tools而已，
MCPStore正是为应对这些挑战而生，三行代码直接生成一个langchain能直接使用的tools，而我们需要做的只是把MCPservice的配置填上就行了。
即拿即用
无需关注 mcp 层级的协议和配置，只需要简单的使用直观的类和函数，提供 极致简洁 的用户体验。
# 引入MCPStore库
from mcpstore import MCPStore
# 步骤1: 初始化一个Store，这是管理所有MCP服务的核心入口
store = MCPStore.setup_store()
# 步骤2: 注册一个外部MCP服务，MCPStore会自动处理连接和工具加载
store.for_store().add_service({"name":"mcpstore-wiki","url":"http://mcpstore.wiki/mcp"})
# 步骤3: 获取与LangChain完全兼容的工具列表，可直接用于Agent
tools = store.for_store().for_langchain().list_tools()
# 此刻，您的LangChain Agent已成功集成了mcpstore-wiki提供的所有工具
Langchain 快速调用 MCP
下面是一个完整的、可直接运行的示例，展示了如何将 McpStore 获取的工具无缝集成到标准的 langChain Agent 中。
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from mcpstore import MCPStore
store = MCPStore.setup_store()
store.for_store().add_service({"name":"mcpstore-wiki","url":"http://mcpstore.wiki/mcp"})
tools = store.for_store().to_langchain_tools()
llm = ChatOpenAI(
temperature=0, model="deepseek-chat",
openai_api_key="sk-****",
openai_api_base="https://api.deepseek.com"
)
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个助手，回答的时候带上表情"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
])
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
query = "北京的天气怎么样？"
print(f"\n 🤔: {query}")
response = agent_executor.invoke({"input": query})
print(f" 🤖 : {response['output']}")
或者你不想使用 langchain，你打算 自己设计工具的调用
from mcpstore import MCPStore
store = MCPStore.setup_store()
store.for_store().add_service({"name":"mcpstore-wiki","url":"http://mcpstore.wiki/mcp"})
tools = store.for_store().list_tools()
print(store.for_store().use_tool(tools[0].name,{"query":'北京'}))
安装与快速上手
安装非常简单：
pip install mcpstore
两种使用模式
MCPStore 提供两种不同的使用模式，以适应不同的应用场景。
Store 模式（全局共享）：
Store 模式下，所有服务在全局范围内共享，适合单一应用场景。
from mcpstore import MCPStore
# 实例化一个store
store = MCPStore.setup_store()
# 为你的store添加服务
store.for_store().add_service({"name":"mcpstore-wiki","url":"https://mcpstore.wiki/mcp"})
Agent 模式（独立隔离）：
Agent 模式下，每个 Agent 拥有独立的服务空间，适合多智能体场景。
# 初始化Store
store = MCPStore.setup_store()
# 为“知识管理Agent”分配专用的Wiki工具
# 该操作在"knowledge" agent的私有上下文中进行
agent_id1 = "my-knowledge-agent"
knowledge_agent_context = store.for_agent(agent_id1).add_service(
{"name": "mcpstore-wiki", "url": "http://mcpstore.wiki/mcp"}
)
# 为“开发支持Agent”分配专用的开发工具
# 该操作在"development" agent的私有上下文中进行
agent_id2 = "my-development-agent"
dev_agent_context = store.for_agent(agent_id2).add_service(
{"name": "mcpstore-demo", "url": "http://mcpstore.wiki/mcp"}
)
# 各Agent的工具集完全隔离，互不影响
knowledge_tools = store.for_agent(agent_id1).list_tools()
dev_tools = store.for_agent(agent_id2).list_tools()
两种模式下几乎所有函数都可用，灵活适配不同需求。
更多使用方法查看文档：https://doc.mcpstore.wiki/
总结
作为一个经常尝试各种 Agent 框架的产品经理，我对 McpStore 的评价是：“这才是 MCP 接入的正确姿势”。 它帮我省去了大量重复的工具注册和管理代码，让我更快把想法落地为可用的 Agent。
如果你也在折腾 MCP Agent，不妨试试这个项目 —— 真的可能只要三行代码，你的 Agent 就能立刻拥有 MCP 的超能力。
项目地址：