mcpField
L
LangGraph Agent with MCP

LangGraph Agent with MCP

本地服务
github.com/galaxyxyz5AI 与智能体281 周前更新
代码仓库

关于 LangGraph Agent with MCP

LangGraph Agent with MCP 将 LangGraph Agent 接入 MCP 服务，以动态使用外部工具、数据和 API。它支持自动发现工具及连接多个服务，并提供网页搜索和 YouTube 视频摘要等示例。

主要功能

  1. 01连接 LangGraph Agent 与 MCP 服务
  2. 02自动发现工具
  3. 03支持多个服务
  4. 04提供网页搜索和 YouTube 摘要任务

适用场景

  1. 01为 LangGraph Agent 接入外部工具
  2. 02通过连接的服务搜索网页
  3. 03总结 YouTube 视频

MCP 相关

项目运行 MCP 服务，并通过 MCP 客户端连接。Agent 可发现并使用多个 MCP 服务中的工具。

#mcp#agents#llm#langgraph

配置

本地服务的配置在各客户端中通用，复制后粘贴到客户端的 MCP 配置文件即可。

暂未收录安装方式

我们还没有获取到这个服务的安装包或远程地址，请按项目 README 中的说明安装。

代码仓库

工具

还没有获取到工具列表

本地服务需要在你的电脑上运行后才能读取工具，维护者暂未提供工具列表。

详细介绍

使用 MCP 的 LangGraph Agent

本项目旨在高效地将 Model Context Protocol（MCP）与 LangGraph Agent 集成，使其能够动态访问外部工具、数据源和 API。

借助本项目，你可以将 LangGraph Agent 连接到 MCP 服务，并使用预定义工具执行各种任务，例如网页搜索和总结 YouTube 视频。你也可以根据需要添加其他服务。

此集成支持自动发现工具和多服务，令 AI 系统更加模块化、功能更强大。它使 AI 系统能够自动查找工具并连接到多个服务，从而提升灵活性和效率。

image

什么是 MCP？它为何重要？

Model Context Protocol（MCP）是一种开放标准，为 AI 应用与外部数据、工具和 API 交互提供了结构化方式。MCP 由 Anthropic 开发，旨在解决如何将大模型动态连接到外部数据源这一难题，而无需针对每种工具进行定制集成。

MCP 很重要，因为它有助于 AI 系统轻松共享和访问数据，消除不同工具之间的壁垒。这让 AI 的连接更加顺畅，效率也更高。它还使开发者能够构建更智能的 AI 系统，让这些系统可以使用多种不同工具，并轻松扩展。

项目结构

langgraph_mcp/
│-- agent.py  
│-- servers/
│   ├── tavily.py          
│   ├── yt_transcript.py   
│   ├── math_server.py 
│   ├──weather.py
│-- .env          
│-- requirements.txt

安装

  1. 克隆仓库：
git clone https://github.com/your-repo/langgraph-mcp.git
cd langgraph-mcp
  1. 安装依赖项
pip install -r requirements.txt
  1. 创建 .env 文件并添加：
TAVILY_API_KEY=<your-tavily-api-key>
OPENAI_API_KEY=<your-openai-api-key>

工作原理

首先，在终端中运行 servers/server.py。这将启动 MCP 服务。然后，在新的终端中运行 agent.py。Agent 将通过 MCP 客户端连接到服务并执行你的查询，如演示所示。

https://github.com/user-attachments/assets/c65255a1-62af-4711-8f10-ebfdacd9b3c6

评论

支持 Markdown

第一次接触 MCP？

从协议是什么，到在客户端里装上第一个服务，这几条回答覆盖了大多数入门问题。

一个开放协议，规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话，MCP 服务负责提供工具、资源和提示模板，两者通过标准消息通信，同一个服务可以被不同客户端复用。