LangGraph Server 中的 MCP 端点¶

模型上下文协议 (MCP) 是一种用于以模型无关格式描述工具和数据源的开放协议，它使 LLM 能够通过结构化 API 来发现和使用它们。

LangGraph Server 使用 Streamable HTTP 传输来实现 MCP。这使得 LangGraph 代理 (agents) 可以作为 **MCP 工具**公开，从而可供支持 Streamable HTTP 的任何符合 MCP 的客户端使用。

MCP 端点位于 LangGraph Server 的 /mcp 路径下。

要求¶

要使用 MCP，请确保已安装以下依赖项：

langgraph-api >= 0.2.3
langgraph-sdk >= 0.1.61

使用以下命令安装它们：

pip install "langgraph-api>=0.2.3" "langgraph-sdk>=0.1.61"

用法概览¶

要启用 MCP：

升级到使用 langgraph-api>=0.2.3。如果您正在部署 LangGraph Platform，在创建新修订版时会自动完成此操作。
MCP 工具（代理）将自动公开。
连接到任何支持 Streamable HTTP 的符合 MCP 的客户端。

客户端¶

使用符合 MCP 的客户端连接到 LangGraph 服务器。以下示例展示了如何使用不同的编程语言进行连接。

JavaScript/TypeScriptPython

npm install @modelcontextprotocol/sdk

注意将 serverUrl 替换为您的 LangGraph 服务器 URL，并根据需要配置身份验证标头。

import { Client } from "@modelcontextprotocol/sdk/client/index.js";
import { StreamableHTTPClientTransport } from "@modelcontextprotocol/sdk/client/streamableHttp.js";

// 连接到 LangGraph MCP 端点
async function connectClient(url) {
    const baseUrl = new URL(url);
    const client = new Client({
        name: 'streamable-http-client',
        version: '1.0.0'
    });

    const transport = new StreamableHTTPClientTransport(baseUrl);
    await client.connect(transport);

    console.log("Connected using Streamable HTTP transport");
    console.log(JSON.stringify(await client.listTools(), null, 2));
    return client;
}

const serverUrl = "http://localhost:2024/mcp";

connectClient(serverUrl)
    .then(() => {
        console.log("Client connected successfully");
    })
    .catch(error => {
        console.error("Failed to connect client:", error);
    });

使用以下命令安装适配器：

pip install langchain-mcp-adapters

以下是如何连接到远程 MCP 端点并使用代理作为工具的示例：

# 为 stdio 连接创建服务器参数
from mcp import ClientSession
from mcp.client.streamable_http import streamablehttp_client
import asyncio

from langchain_mcp_adapters.tools import load_mcp_tools
from langgraph.prebuilt import create_react_agent

server_params = {
    "url": "https://mcp-finance-agent.xxx.us.langgraph.app/mcp",
    "headers": {
        "X-Api-Key":"lsv2_pt_your_api_key"
    }
}

async def main():
    async with streamablehttp_client(**server_params) as (read, write, _):
        async with ClientSession(read, write) as session:
            # 初始化连接
            await session.initialize()

            # 加载远程图，就像它是一个工具一样
            tools = await load_mcp_tools(session)

            # 使用工具创建并运行一个 react 代理
            agent = create_react_agent("openai:gpt-4.1", tools)

            # 使用消息调用代理
            agent_response = await agent.ainvoke({"messages": "What can the finance agent do for me?"})
            print(agent_response)

if __name__ == "__main__":
    asyncio.run(main())

将代理公開为 MCP 工具¶

部署后，您的代理将作为工具出现在 MCP 端点中，配置如下：

工具名称 (Tool name)：代理的名称。
工具描述 (Tool description)：代理的描述。
工具输入模式 (Tool input schema)：代理的输入模式。

设置名称和描述¶

您可以在 langgraph.json 中设置代理的名称和描述：

{
    "graphs": {
        "my_agent": {
            "path": "./my_agent/agent.py:graph",
            "description": "A description of what the agent does"
        }
    },
    "env": ".env"
}

部署后，您可以使用 LangGraph SDK 更新名称和描述。

模式 (Schema)¶

定义清晰、最小化的输入和输出模式，以避免向 LLM 公开不必要的内部复杂性。

默认的 MessagesState 使用 AnyMessage，它支持许多消息类型，但对于直接暴露给 LLM 来说过于通用。

相反，请定义**自定义代理或工作流**，它们使用显式类型化的输入和输出结构。

例如，一个用于回答文档问题的示例工作流可能如下所示：

^{API Reference: StateGraph | START | END}

from langgraph.graph import StateGraph, START, END
from typing_extensions import TypedDict

# 定义输入模式
class InputState(TypedDict):
    question: str

# 定义输出模式
class OutputState(TypedDict):
    answer: str

# 合并输入和输出
class OverallState(InputState, OutputState):
    pass

# 定义处理节点
def answer_node(state: InputState):
    # 替换为实际逻辑并执行有用的操作
    return {"answer": "bye", "question": state["question"]}

# 使用显式模式构建图
builder = StateGraph(OverallState, input_schema=InputState, output_schema=OutputState)
builder.add_node(answer_node)
builder.add_edge(START, "answer_node")
builder.add_edge("answer_node", END)
graph = builder.compile()

# 运行图
print(graph.invoke({"question": "hi"}))

有关更多详细信息，请参阅低级概念指南。

在您的部署中使用用户范围的 MCP 工具¶

先决条件

您已添加自己的自定义身份验证中间件，该中间件会填充 langgraph_auth_user 对象，使其可通过可配置上下文供图中的每个节点访问。

要使您的 LangGraph Platform 部署可用用户范围的工具，请从实现以下代码段开始：

^{API Reference: MultiServerMCPClient}

from langchain_mcp_adapters.client import MultiServerMCPClient

def mcp_tools_node(state, config):
    user = config["configurable"].get("langgraph_auth_user")
         # 例如，user["github_token"], user["email"] 等

    client = MultiServerMCPClient({
        "github": {
            "transport": "streamable_http", # (1)
            "url": "https://my-github-mcp-server/mcp", # (2)
            "headers": {
                "Authorization": f"Bearer {user['github_token']}" 
            }
        }
    })
    tools = await client.get_tools() # (3)

    # 您的工具调用逻辑

    tool_messages = ...
    return {"messages": tool_messages}

MCP 仅支持向 streamable_http 和 sse transport 服务器发出的请求添加标头。
您的 MCP 服务器 URL。
从您的 MCP 服务器获取可用工具。

也可以通过在运行时重建您的图来为新运行配置不同的设置来完成此操作

会话行为¶

当前的 LangGraph MCP 实现不支持会话。每个 /mcp 请求都是无状态且独立的。

身份验证¶

/mcp 端点使用与 LangGraph API 其余部分相同的身份验证。有关设置详细信息，请参阅身份验证指南。

禁用 MCP¶

要禁用 MCP 端点，请在 langgraph.json 配置文件中将 disable_mcp 设置为 true：

{
  "http": {
    "disable_mcp": true
  }
}

这将阻止服务器公开 /mcp 端点。