LangChain Agent - 2. MCP & Sub Agent편

Intro

이번 포스팅에서는 LangChain Agent에서 MCP와 Sub Agent를 사용하는 방법에 대해서 소개합니다.
특히, langchain 에코시스템이 아닌, fastmcp를 사용한 MCP 서버를 LangChain Agent에서 사용하는 방법을 위주로 설명합니다.

LangChain의 create_agent에서는 Multi-Agent를 구성하는 방식이 일반적인 표준과 조금 다릅니다.
host agent가 sub agent의 소개를 참고하여 호출하는 방식의 일반적인 사용법은 추후 Deep Agent에 관한 포스팅에서 자세히 다뤄보도록 하겠습니다.

---

0. 기본 MCP 코드 예시

from langchain.tools import tool
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor

# Tool 정의 (Agent 내부)
@tool
def add(a: int, b: int) -> int:
    """두 정수를 더합니다"""
    return a + b


llm = ChatOpenAI(model="gpt-4o-mini")

tools = [add]

agent = create_tool_calling_agent(
    llm=llm,
    tools=tools
)

executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True
)

executor.invoke({
    "input": "2랑 3 더해줘"
})

1. MCP Server (tools)

1.1. langchain.tools

langchain.tools는 MCP 개념이 나오기 이전에 langchain 에코시스템에서 LLM에 도구를 사용하기 위해 만든 모듈입니다.
따라서 MCP 서버 개념이 없으며, Client에 연결하는 함수입니다. @tool 데코레이터만 붙여주면 됩니다.
('0. 기본 MCP 코드 예시' 참고)

1.2. fastmcp

MCP 서버를 구현하는 가장 대표적인 라이브러리입니다. @mcp.tool 데코레이터를 통해 쉽게 json-rpc 통신하는 MCP 서버를 쉽게 구현할 수 있습니다.
mcp.run()에서는 MCP 서버가 어떤 방식으로 외부와 통신할지를 transport 옵션으로 지정할 수 있으며, 대표적으로 stdio와 sse 두 가지가 있습니다.

from fastmcp import FastMCP

mcp = FastMCP("math-tools")

@mcp.tool()
def add(a: int, b: int) -> int:
    """두 정수를 더합니다"""
    return a + b

if __name__ == "__main__":
    # SSE 서버 실행
    mcp.run(transport="sse", host="localhost", port=3333)

2. MCP Client

2.1. without adapter

Adapter를 사용하지 않는 경우, MCP 서버와 연결하기 위해 개발자가 직접 다음 내용을 모두 구현해야 합니다.

• MCP 서버 실행
• JSON-RPC 요청 포맷 구성
• Tool 호출 시점 결정
• 응답 파싱 및 후처리

이런 방식이 아니면, MCP 서버의 함수를 langchain.tools의 데코레이터로 갈아끼워서 agent에 직접 연결하는 방식으로 구현할 수 있습니다.
('0. 기본 MCP 코드 예시' 참고)

다만, 사실상 MCP 서버를 구현했는데 Client를 adapter없이 직접 구현하는 분은 없을 것이라 생각합니다.
개념적으로만 이해하고 adapter를 사용하도록 합시다..

2.2. langchain_mcp_adapter

langchain_mcp_adapter는 MCP 서버를 LangChain Agent가 이해할 수 있는 Tool 형태로 변환해주는 어댑터입니다.

이 어댑터를 사용하면, MCP 서버의 Tool → langchain.tools.Tool 로 자동 변환되어,
LangChain Agent가 다른 Tool과 완전히 동일한 방식으로 MCP Tool을 사용할 수 있습니다.

2.2.1. MCPToolkit (Single Server)

가장 기본적인 방식은 MCPToolkit을 사용하는 것입니다.
이는 단일 MCP 서버를 LangChain Tool 세트로 변환합니다.

from langchain_mcp_adapters import MCPToolkit

# MCP 서버 연결 (SSE)
toolkit = MCPToolkit.from_mcp_server(
    url="http://localhost:3333/sse"
)

tools = toolkit.get_tools()

2.2.2. MultiServer Client (Multiple MCP Servers)

실제 서비스 환경에서는 여러 MCP 서버를 동시에 사용하는 경우가 많습니다.
이를 위해 langchain_mcp_adapter는 Multi-Server Client 방식도 제공합니다.

이 방식에서는

• 여러 MCP 서버를 동시에 연결
• 각 서버의 Tool을 하나의 Tool 리스트로 병합
  할 수 있습니다.

from langchain_mcp_adapters import MultiServerMCPClient

client = MultiServerMCPClient(
    servers={
        "math": {
            "command": "python math_server.py"
        },
        "search": {
            "url": "http://localhost:3333/sse"
        }
    }
)

tools = client.get_tools()

3. Sub Agent

3.1. sub-agent

LangChain에서 multi-agent를 구현할 때, tools를 사용하는 것과 완벽히 동일한 방법으로 sub agent를 연결할 수 있습니다.

다만, create_agent를 사용하는 경우, sub agent를 따로 구현해놓은 뒤에 sub agent에 invoke를 보내는 tool을 연결하는 방식으로 구현이 가능합니다.
하지만 이러한 방식은 sub agent 객체/서버를 생성한 뒤, skills/description으로 host가 sub agent를 호출하는 일반적인 multi agent 표준과 다르기 때문에 개인적으로는 권장하지 않습니다.
따라서 이 부분은 이후 작성할 LangChain Deep Agent 포스팅에서 자세히 다뤄보도록 하겠습니다.

from langchain.messages import HumanMessage

@tool
def call_subagent_1(x: float) -> float:
    """Call subagent 1 in order to calculate the square root of a number"""
    response = subagent_1.invoke({"messages": [HumanMessage(content=f"Calculate the square root of {x}")]})
    return response["messages"][-1].content

@tool
def call_subagent_2(x: float) -> float:
    """Call subagent 2 in order to calculate the square of a number"""
    response = subagent_2.invoke({"messages": [HumanMessage(content=f"Calculate the square of {x}")]})
    return response["messages"][-1].content

## Creating the main agent

main_agent = create_agent(
    model='gpt-5-nano',
    tools=[call_subagent_1, call_subagent_2],
    system_prompt="You are a helpful assistant who can call subagents to calculate the square root or square of a number.")

---

Outro

다른 프레임워크의 Agent와 구별되는 LangChain의 Agent의 차별점 중 하나는 'State'입니다.
Agent가 LangGraph로 구성되기 때문에, 사용자 질의 ~ Agent 답변 사이의 모든 노드에서 State가 공유됩니다.
이를 활용해 정교한 컨텍스트 엔지니어링을 수행할 수 있습니다.

다음 포스팅(3. Context Engineering편)에서는 Context와 State, Memory 등의 Checkpoint 관리 방법에 대해서 자세히 다뤄보도록 하겠습니다.