本文介绍如何搭建基于Chrome开发者工具多客户端协议(MCP)的智能对话代理。通过整合chrome-devtools-mcp和LangChain框架，实现了自动注册MCP工具、支持Ollama/OpenAI双模型后端、异步非阻塞运行的Chat Agent。文章详细说明了环境配置方法，包括Chrome调试模式启动命令和Node.js环境准备，并提供了可直接运行的Python完整代码。该代理支持网页操作指令如打开网页、截图和网络请求分析等功能，通过LangGraph构建状态图实现对话流程管理。代码展示了模型绑定、工具自动发现和异步交互的实现方式，为开发者提供了开箱即用的MCP集成方案。
效果
简介 ✨
本文示例展示了一个稳定的 MCP Chat Agent：
- 自动注册并绑定 MCP 工具（无需手动查找工具）
- 支持Ollama / OpenAI两种模型
- 异步运行，不会阻塞主线程
下面是使用前的准备和代码说明。
环境与准备 🔧
- 启动 Chrome（带远程调试端口）：
macOS
/Applications/Google\Chrome.app/Contents/MacOS/Google\Chrome --remote-debugging-port=9222--user-data-dir=/tmp/chrome-profile-stableLinux
/usr/bin/google-chrome --remote-debugging-port=9222--user-data-dir=/tmp/chrome-profile-stableWindows
"C:\Program Files\Google\Chrome\Application\chrome.exe"--remote-debugging-port=9222--user-data-dir="%TEMP%\chrome-profile-stable"要安装node环境
npx -y chrome-devtools-mcp@latest --browser-url=http://127.0.0.1:9222请确保 Chrome 已用
--remote-debugging-port=9222启动，且npx -y chrome-devtools-mcp@latest能单独运行。
- Python 环境需要安装对应依赖（示例中使用的包有
langchain_ollama,langchain_openai,langchain_mcp_adapters,langgraph等）。
完整代码（可直接保存并运行）
下面是new_chat_agent.py的完整代码：
#!/usr/bin/env python3""" 最终稳定版 MCP Chat Agent - 自动注册 MCP 工具（无需手动找） - 支持 Ollama / OpenAI 二选一 - 不会阻塞 / 不会 silent """importasynciofromtypingimportAnnotated,TypedDictfromlangchain_ollamaimportChatOllamafromlangchain_openaiimportChatOpenAIfromlangchain_mcp_adapters.clientimportMultiServerMCPClientfromlanggraph.graphimportStateGraph,STARTfromlanggraph.prebuiltimportToolNode,tools_conditionfromlanggraph.checkpoint.memoryimportMemorySaverfromlanggraph.graph.messageimportadd_messages# ================== 配置 ==================OPENAI_API_KEY="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"OPENAI_API_BASE="https://dashscope.aliyuncs.com/compatible-mode/v1"classState(TypedDict):messages:Annotated[list,add_messages]classMCPAgent:def__init__(self,backend:str="ollama"):print("🚀 初始化 MCPAgent",flush=True)# -------- 模型选择 --------ifbackend=="ollama":self.llm=ChatOllama(model="qwen2.5:7b",temperature=0.7,)print("🔹 使用 Ollama",flush=True)else:self.llm=ChatOpenAI(model="qwen3-30b-a3b-instruct-2507",temperature=0.7,api_key=OPENAI_API_KEY,base_url=OPENAI_API_BASE,)print("🔹 使用 OpenAI API",flush=True)# -------- MCP 工具（关键）--------print("🔄 连接 chrome-devtools-mcp（不会阻塞）",flush=True)client=MultiServerMCPClient({"chrome":{"transport":"stdio","command":"npx","args":["-y","chrome-devtools-mcp@latest","--browser-url=http://127.0.0.1:9222",],}})# ⚠️ get_tools 是唯一需要等的地方self.tools=asyncio.run(client.get_tools())ifnotself.tools:raiseRuntimeError("❌ MCP 工具为空，请确认 Chrome 是否启动")print(f"✅ 已自动注册{len(self.tools)}个 MCP 工具",flush=True)# ⭐ 核心：直接 bind_tools，不要自己管工具self.llm=self.llm.bind_tools(self.tools)# -------- LangGraph --------self.graph=self._build_graph()self.history=[]def_agent(self,state:State):return{"messages":[self.llm.invoke(state["messages"])]}def_build_graph(self):g=StateGraph(State)g.add_node("agent",self._agent)g.add_node("tools",ToolNode(self.tools))g.add_edge(START,"agent")g.add_conditional_edges("agent",tools_condition)g.add_edge("tools","agent")returng.compile(checkpointer=MemorySaver())asyncdefrun(self):print("\n🤖 MCP Chat Agent 已启动",flush=True)print("示例：",flush=True)print(" 打开 https://www.baidu.com",flush=True)print(" 截图当前页面",flush=True)print(" 列出 network 里的 JSON 请求\n",flush=True)whileTrue:user=input("你: ").strip()ifuserin("exit","quit"):breakself.history.append(("user",user))asyncforeventinself.graph.astream_events({"messages":self.history},config={"configurable":{"thread_id":"default"}},version="v2",):ifevent["event"]=="on_chat_model_stream":chunk=event["data"]["chunk"]ifchunk.content:print(chunk.content,end="",flush=True)elifevent["event"]=="on_tool_start":print(f"\n🛠️ 调用工具：{event['name']}",flush=True)elifevent["event"]=="on_tool_end":print("\n✅ 工具执行完成",flush=True)print()# ================== 启动 ==================if__name__=="__main__":try:choice=input("选择模型（1=Ollama，2=OpenAI）：").strip()backend="ollama"ifchoice!="2"else"openai"agent=MCPAgent(backend=backend)asyncio.run(agent.run())exceptExceptionase:print(f"\n❌ 启动失败：{e}",flush=True)print("\n排查顺序：",flush=True)print("1. Chrome 是否用 --remote-debugging-port=9222 启动",flush=True)print("2. npx -y chrome-devtools-mcp@latest 是否能单独运行",flush=True)print("3. node / npm 是否正常",flush=True)关键点解析 💡
- 自动注册 MCP 工具：通过
MultiServerMCPClient(...).get_tools()自动发现并注册 chrome-devtools-mcp 提供的工具集合。 - 绑定工具到 LLM：使用
self.llm.bind_tools(self.tools)，让 LLM 可以直接以工具调用的方式操控浏览器。 - LangGraph 驱动：使用
StateGraph与ToolNode管理对话和工具调用的流程，并以MemorySaver做检查点。 - 运行模式：交互式命令行会持续接收用户输入，并以事件流打印模型输出与工具调用状态。
使用示例 🧪
- 启动 Chrome（见上文命令）。
- 运行脚本：
python new_chat_agent.py- 根据提示选择模型（1=Ollama，2=OpenAI），然后在命令行输入如：
打开 https://www.baidu.com 截图当前页面 列出 network 里的 JSON 请求Agent 会根据工具能力返回结果并在终端打印执行过程。
参考:
https://github.com/ChromeDevTools/chrome-devtools-mcp
如果本文对你有帮助，欢迎点赞 + 关注，你的关注是我持续更新的最大动力 🙏
