agent with MCP sample

LangGraph MCP 代理

一个使用LangGraph构建的简单代理，该代理集成了模型上下文协议（MCP）工具。此代理展示了如何在LangGraph工作流中使用MCP工具来构建智能应用程序。

特点/特性

• LangGraph 集成使用LangGraph构建对话式AI工作流
• MCP工具支持与MCP服务器工具无缝集成
• 异步操作完全异步实现以提升性能
• 互动聊天提供程序化和交互式接口
• 工具绑定自动将MCP工具转换为兼容LangChain的工具

可用的MCP工具

该代理附带了以下来自……的MCP工具 mcp_server.py：

1. 桌面() - 列出用户桌面目录中的文件
2. add(a, b) 翻译为中文是“将a和b相加” - 对两个数进行数学加法运算
3. 获取问候语（name） - 返回个性化的问候语
4. 获取_fastmcp文档() - 获取FastMCP文档

设置

先决条件

• Python 3.8及以上版本
• Groq API密钥

安装

1. 安装依赖项：

   python setup.py

或者手动地：

   pip install -r requirements.txt

1. 设置Groq API密钥:

   # PowerShell
   $env:GROQ_API_KEY='your-api-key-here'

   # Command Prompt
   set GROQ_API_KEY=your-api-key-here

使用方法

1. 互动聊天

运行交互式聊天界面：

python interactive_agent.py

选择选项1进行互动聊天。示例对话：

👤 You: What files are on my desktop?
🤖 Agent: I found several files on your desktop: Documents folder, image.png, notes.txt...

👤 You: Add 15 and 27
🤖 Agent: The sum of 15 and 27 is 42.

👤 You: Give me a greeting for Alice
🤖 Agent: Hello, Alice!

2. 演示示例

运行预定义示例：

python interactive_agent.py

选择选项2以查看演示示例。

3. 程序化使用

import asyncio
from langgraph_agent import LangGraphMCPAgent

async def example():
    agent = LangGraphMCPAgent()
    await agent.initialize()
    
    response = await agent.run("What files are on my desktop?")
    print(response)
    
    await agent.close()

asyncio.run(example())

建筑学

组件

1. LangGraphMCPAgent（可译为“语言图多条件规划智能体”或根据具体上下文调整为更贴切的表述，如“基于语言图的多条件规划智能代理”）主要代理类，用于协调工作流
2. MCPTool（注：MCPTool可能是一个特定软件或工具的名称，根据上下文，这里直接保留原英文形式，不进行具体翻译，若需具体翻译需提供更多背景信息）将MCP工具转换为LangChain工具的包装类
3. 代理状态定义对话状态的 TypedDict
4. 图形工作流带有代理和工具节点的LangGraph状态机

工作流程

START → Agent Node → Should Continue? → Tool Node → Agent Node → END
                         ↓
                        END

1. 代理节点处理用户输入并决定是否使用工具
2. 工具节点当代理请求时执行MCP工具
3. 条件逻辑决定是继续使用工具还是结束

文件结构

mcp/
├── langgraph_agent.py      # Main agent implementation
├── interactive_agent.py    # Interactive chat interface
├── mcp_client.py           # Original MCP client
├── mcp_server.py           # MCP server with tools
├── setup.py                # Setup script
├── requirements.txt        # Dependencies
└── README.md              # This file

配置

环境变量

• GROQ_API_KEY大语言模型（使用Groq的Llama3模型）功能所需的

定制化

您可以通过以下方式自定义代理：

1. 添加新的MCP工具 在 mcp_server.py
2. 修改大型语言模型（LLM） 在 LangGraphMCPAgent.__init__()
3. 扩展工作流程 在 _create_graph() 方法
4. 定制工具转换 在……里 MCPTool 班级（或“类别”，根据上下文可灵活翻译）

错误处理

该代理包含全面的错误处理机制，针对：

• 缺少API密钥
• MCP服务器连接问题
• 工具执行错误
• Groq API故障

故障排除

常见问题

1. “GROQ_API_KEY”环境变量是必需的

- 解决方案：按照设置中的示例设置您的Groq API密钥

1. MCP服务器连接错误

- 解决方案：确保 mcp_server.py 在同一目录下

1. 工具执行失败

- 解决方案：检查所有必需的依赖项是否已安装

调试模式

通过设置环境变量来启用调试日志记录：

$env:LANGGRAPH_DEBUG='true'

贡献

欢迎通过以下方式参与贡献：

1. 添加新的MCP工具
2. 改进错误处理
3. 提升对话流畅度
4. 为新代理添加功能

许可证

此项目作为教育示例提供。