Agent Server 中的 MCP 端点

模型上下文协议 (MCP) 是一个开放协议，用于以与模型无关的格式描述工具和数据源，使得大型语言模型能够通过结构化的 API 发现和使用它们。 Agent Server 使用可流式 HTTP 传输实现了 MCP。这允许将 LangGraph 智能体作为 MCP 工具暴露出来，从而使其可用于任何支持可流式 HTTP 且符合 MCP 规范的客户端。 MCP 端点在 Agent Server 的 /mcp 路径下可用。你可以设置自定义身份验证中间件来对用户进行 MCP 服务器身份验证，以便访问 LangSmith 部署中用户作用域内的工具。以下是此流程的示例架构：

要求

要使用 MCP，请确保安装了以下依赖项：

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"

uv add "langgraph-api>=0.2.3" "langgraph-sdk>=0.1.61"

使用概述

要启用 MCP：

升级以使用 langgraph-api>=0.2.3。如果你正在部署 LangSmith，创建新版本时会自动为你完成此操作。
MCP 工具（智能体）将自动暴露。
使用任何支持可流式 HTTP 且符合 MCP 规范的客户端进行连接。

客户端

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

JavaScript/TypeScript
Python

npm install @modelcontextprotocol/sdk

注意将 serverUrl 替换为你的 Agent Server URL，并根据需要配置身份验证头部。

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("使用可流式 HTTP 传输连接成功");
    console.log(JSON.stringify(await client.listTools(), null, 2));
    return client;
}

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

connectClient(serverUrl)
    .then(() => {
        console.log("客户端连接成功");
    })
    .catch(error => {
        console.error("连接客户端失败:", error);
    });

使用以下命令安装适配器：

pip install langchain-mcp-adapters

以下是连接到远程 MCP 端点并将智能体用作工具的示例：

# 为标准输入输出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 langchain.agents import create_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()

            # 将远程图加载为工具
            tools = await load_mcp_tools(session)

            # 使用工具创建并运行一个反应式智能体
            agent = create_agent("gpt-5.5", tools)

            # 使用消息调用智能体
            agent_response = await agent.ainvoke({"messages": "金融智能体能为我做什么？"})
            print(agent_response)

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

将智能体暴露为 MCP 工具

部署时，你的智能体将使用以下配置作为 MCP 端点中的一个工具出现：

工具名称：智能体的名称。
工具描述：智能体的描述。
工具输入模式：智能体的输入模式。

设置名称和描述

你可以在 langgraph.json 中设置智能体的名称和描述：

{
    "graphs": {
        "my_agent": {
            "path": "./my_agent/agent.py:graph",
            "description": "智能体功能的描述"
        }
    },
    "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，以避免向大型语言模型暴露不必要的内部复杂性。默认的 MessagesState 使用 AnyMessage，它支持多种消息类型，但对于直接向大型语言模型暴露来说过于宽泛。相反，应定义自定义智能体或工作流，使用显式类型化的输入和输出结构。例如，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

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

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

# 组合输入和输出
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操作
    return {"answer": "再见", "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": "你好"}))

有关更多详细信息，请参阅底层概念指南。

在你的部署中使用用户作用域的 MCP 工具

前提条件 你已经添加了自己的自定义认证中间件来填充 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。

要使用户作用域的工具可用于你的 LangSmith 部署，请从实现如下代码片段开始：

from langchain_mcp_adapters.client import MultiServerMCPClient

def mcp_tools_node(state, config):
    user = config["configurable"].get("langgraph_auth_user")
         , 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)

    # 在此编写你的工具调用逻辑

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

MCP 仅支持向使用 streamable_http 和 sse transport 服务器发出的请求添加头部。
你的 MCP 服务器 URL。
从你的 MCP 服务器获取可用工具。

这也可以通过在运行时重建你的图来实现，为新的运行提供不同的配置

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。有关设置详情，请参考身份验证指南。

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：

{
  "$schema": "https://langgra.ph/schema.json",
  "http": {
    "disable_mcp": true
  }
}

这将阻止服务器暴露 /mcp 端点。

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.

Edit this page on GitHub or file an issue.

Develop your application

Capabilities

How to build

Auth & access control

Server customization

要求

使用概述

客户端

将智能体暴露为 MCP 工具

设置名称和描述

模式

在你的部署中使用用户作用域的 MCP 工具

会话行为

身份验证

禁用 MCP

​要求

​使用概述

​客户端

​将智能体暴露为 MCP 工具

​设置名称和描述

​模式

​在你的部署中使用用户作用域的 MCP 工具

​会话行为

​身份验证

​禁用 MCP

要求

使用概述

客户端

将智能体暴露为 MCP 工具

设置名称和描述

模式

在你的部署中使用用户作用域的 MCP 工具

会话行为

身份验证

禁用 MCP