Agent Server 中的 MCP 端点

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

Agent Server 使用 可流式 HTTP 传输 实现了 MCP。这使得 LangGraph 智能体 可以作为 MCP 工具 暴露，从而能被任何支持可流式 HTTP 的 MCP 兼容客户端使用。

MCP 端点位于 Agent Server 的 /mcp 路径。

您可以设置 自定义认证中间件 来使用 MCP 服务器对用户进行身份验证，以获取对 LangSmith 部署中用户作用域工具的访问权限。

此流程的示例架构：

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：

pip

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：

• 升级到使用 langgraph-api>=0.2.3。如果您正在部署 LangSmith，创建新修订版时会自动完成此操作。
• MCP 工具（智能体）将自动暴露。
• 使用任何支持可流式 HTTP 的 MCP 兼容客户端进行连接。

客户端

使用 MCP 兼容客户端连接到 Agent Server。以下示例展示了如何使用不同编程语言进行连接。

JavaScript/TypeScript

npm install @modelcontextprotocol/sdk

注意 将 serverUrl 替换为您的 Agent Server URL，并根据需要配置认证请求头。

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("已使用可流式 HTTP 传输连接");
    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);
    });

Python

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()

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

            # 使用这些工具创建并运行一个 react 智能体
            agent = create_agent("gpt-4.1", tools)

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

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

将智能体暴露为 MCP 工具

部署后，您的智能体将作为工具出现在 MCP 端点中，配置如下：

• 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

您可以在 langgraph.json 中设置智能体的名称和描述：

{
    "graphs": {
        "my_agent": {
            "path": "./my_agent/agent.py:graph",
            "description": "描述该智能体的功能"
        }
    },
    "env": ".env"
}

部署后，您可以使用 LangGraph SDK 更新名称和描述。

模式

定义清晰、最小化的输入和输出模式，以避免向 LLM 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，但对于直接暴露给 LLM 来说过于通用。

相反，应定义使用显式类型化输入和输出结构的自定义智能体或工作流。

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

# 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"}))

更多详情，请参阅 底层概念指南。

在您的部署中使用用户作用域的 MCP 工具

先决条件 您已添加了自己的 自定义认证中间件，该中间件填充了 langgraph_auth_user 对象，使其可通过可配置上下文在图的每个节点中访问。

要使您的 LangSmith 部署能够使用用户作用域的工具，请从实现类似以下的代码片段开始：

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)

    # 您的工具调用逻辑写在这里

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

1. MCP 仅支持向 streamable_http 和 sse transport 服务器发出的请求添加请求头。
2. 您的 MCP 服务器 URL。
3. 从您的 MCP 服务器获取可用工具。

这也可以通过 在运行时重建您的图 来实现，以便为新运行使用不同的配置

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。

认证

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

禁用 MCP

要禁用 MCP 端点，请在您的 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。

---

Edit this page on GitHub or file an issue.

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