LangGraph Server 中的 MCP 端点¶

模型上下文协议（MCP）是一个开放协议，用于以模型无关的格式描述工具和数据源，使 LLM 能够通过结构化 API 发现和使用它们。

LangGraph Server 使用可流式 HTTP 传输实现 MCP。这允许将 LangGraph 智能代理**暴露为 **MCP 工具，使其可以与任何支持可流式 HTTP 的 MCP 兼容客户端一起使用。

MCP 端点位于 LangGraph Server 的 /mcp 路径。

要求¶

Python

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：

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

JavaScript

要使用 MCP，请确保已安装 api 和 sdk 包。

npm install @langchain/langgraph-api @langchain/langgraph-sdk

将智能代理暴露为 MCP 工具¶

部署后，你的智能代理将以此配置出现在 MCP 端点中作为工具：

工具名称：智能代理的名称。
工具描述：智能代理的描述。
工具输入模式：智能代理的输入模式。

设置名称和描述¶

你可以在 langgraph.json 中设置智能代理的名称和描述：

Python

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

JavaScript

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

部署后，你可以使用 LangGraph SDK 更新名称和描述。

模式¶

定义清晰、最小的输入和输出模式，以避免向 LLM 暴露不必要的内部复杂性。

Python

默认的 MessagesState 使用 AnyMessage，它支持多种消息类型，但对于直接 LLM 暴露来说过于通用。

相反，定义使用显式类型输入和输出结构的**自定义智能代理或工作流**。

例如，一个回答文档问题的工作流可能如下所示：

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

# Define input schema
class InputState(TypedDict):
    question: str

# Define output schema
class OutputState(TypedDict):
    answer: str

# Combine input and output
class OverallState(InputState, OutputState):
    pass

# Define the processing node
def answer_node(state: InputState):
    # Replace with actual logic and do something useful
    return {"answer": "bye", "question": state["question"]}

# Build the graph with explicit schemas
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()

# Run the graph
print(graph.invoke({"question": "hi"}))

有关更多详细信息，请参阅底层概念指南。

使用概述¶

要启用 MCP：

升级到使用 langgraph-api>=0.2.3。如果你正在部署 LangGraph Platform，如果你创建新修订版，这将自动为你完成。
MCP 工具（智能代理）将自动暴露。
使用任何支持可流式 HTTP 的 MCP 兼容客户端连接。

客户端¶

Python

使用 MCP 兼容客户端连接到 LangGraph 服务器。以下示例展示如何使用 langchain-mcp-adapters 进行连接。

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 端点并将智能代理用作工具的示例：

# Create server parameters for stdio connection
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:
            # Initialize the connection
            await session.initialize()

            # Load the remote graph as if it was a tool
            tools = await load_mcp_tools(session)

            # Create and run a react agent with the tools
            agent = create_react_agent("openai:gpt-4.1", tools)

            # Invoke the agent with a message
            agent_response = await agent.ainvoke({"messages": "What can the finance agent do for me?"})
            print(agent_response)

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

JavaScript

使用 MCP 兼容客户端连接到 LangGraph 服务器。以下示例展示如何使用 @langchain/mcp-adapters 进行连接。

npm install @langchain/mcp-adapters

以下是如何连接到远程 MCP 端点并将智能代理用作工具的示例：

import { MultiServerMCPClient } from "@langchain/mcp-adapters";
import { createReactAgent } from "@langchain/langgraph";
import { ChatOpenAI } from "@langchain/openai";

async function main() {
  const client = new MultiServerMCPClient({
    mcpServers: {
      "finance-agent": {
        url: "https://mcp-finance-agent.xxx.us.langgraph.app/mcp",
        headers: {
          "X-Api-Key": "lsv2_pt_your_api_key",
        },
      },
    },
  });

  const tools = await client.getTools();

  const model = new ChatOpenAI({
    model: "gpt-4o-mini",
    temperature: 0,
  });

  const agent = createReactAgent({
    model,
    tools,
  });

  const response = await agent.invoke({
    input: "What can the finance agent do for me?",
  });

  console.log(response);
}

main();

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。

认证¶

/mcp 端点使用与 LangGraph API 其余部分相同的认证。有关设置详细信息，请参阅认证指南。

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
  }
}

这将阻止服务器暴露 /mcp 端点。