模型上下文协议（Model Context Protocol，MCP）是一种开放协议，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。

Agent Server 使用 Streamable HTTP 传输 实现了 MCP。这使得 LangGraph 智能体 可以作为 MCP 工具 暴露出来，从而可以被任何支持 Streamable HTTP 的 MCP 兼容客户端使用。

MCP 端点位于 Agent Server 的 /mcp 路径上。

您可以设置 自定义身份验证中间件，通过 MCP 服务器对用户进行身份验证，以访问 LangSmith 部署中用户作用域内的工具。

此流程的示例架构如下：

sequenceDiagram
  %% Actors
  participant ClientApp as Client
  participant AuthProv  as Auth Provider
  participant LangGraph as Agent Server
  participant SecretStore as Secret Store
  participant MCPServer as MCP Server

  %% Platform login / AuthN
  ClientApp  ->> AuthProv: 1. Login (username / password)
  AuthProv   -->> ClientApp: 2. Return token
  ClientApp  ->> LangGraph: 3. Request with token

  Note over LangGraph: 4. Validate token (@auth.authenticate)
  LangGraph  -->> AuthProv: 5. Fetch user info
  AuthProv   -->> LangGraph: 6. Confirm validity

  %% Fetch user tokens from secret store
  LangGraph  ->> SecretStore: 6a. Fetch user tokens
  SecretStore -->> LangGraph: 6b. Return tokens

  Note over LangGraph: 7. Apply access control (@auth.on.*)

  %% MCP round-trip
  Note over LangGraph: 8. Build MCP client with user token
  LangGraph  ->> MCPServer: 9. Call MCP tool (with header)
  Note over MCPServer: 10. MCP validates header and runs tool
  MCPServer  -->> LangGraph: 11. Tool response

  %% Return to caller
  LangGraph  -->> ClientApp: 12. Return resources / tool output

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

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。
• 与任何支持 Streamable HTTP 的 MCP 兼容客户端连接。

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的编程语言进行连接。

JavaScript/TypeScript

Python

npm install @modelcontextprotocol/sdk

注意 将 serverUrl 替换为您的 Agent Server URL，并根据需要配置身份验证头。

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);
    });

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": "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

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

# 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"}))

更多详细信息，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身份验证中间件，该中间件填充了 langgraph_auth_user 对象，使其可通过可配置的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"], etc.

    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)

    # Your tool-calling logic here

    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头信息。
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为新的运行使用不同的配置来实现

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，请参阅身份验证指南。

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。