Langchain MCP (Mcpmessenger)

LangChain代理MCP服务器

一个生产就绪的MCP服务器，通过部署在Google Cloud Run上的模型上下文协议公开LangChain代理功能。

🚀 概述

这是一个 独立后端服务 它将LangChain代理封装为单个高级MCP工具。服务器由以下组件构建 快速API 并部署在 谷歌云运行，提供可扩展的、生产就绪的解决方案，用于将AI代理功能暴露给任何符合MCP的客户端。

实时服务： https://langchain-agent-mcp-server-554655392699.us-central1.run.app

✨ 特性

• ✅ MCP合规性 -完整的模型上下文协议支持
• ✅ 朗链代理 -基于ReAct模式的多步推理
• ✅ 剧作家沙盒 -可访问性快照的交互式预览（新增！）
• ✅ 谷歌云运行 -可扩展的无服务器部署
• ✅ 工具支持 -自定义工具的可扩展框架
• ✅ 生产就绪 -错误处理、日志记录和监控
• ✅ Docker支持 -容器化，便于部署

🏗️ 建筑

🛠️ 快速开始

先决条件

• Python 3.11+
• OpenAI API密钥
• Google Cloud帐户（用于Cloud Run部署）
• Docker（可选，用于本地测试）

本地开发

1. 克隆存储库：

   git clone https://github.com/mcpmessenger/LangchainMCP.git
   cd LangchainMCP

1. 安装依赖项：

   # Windows
   py -m pip install -r requirements.txt

   # Linux/Mac
   pip install -r requirements.txt

1. 设置环境变量：

创建 .env 文件：

   OPENAI_API_KEY=your-openai-api-key-here
   OPENAI_MODEL=gpt-4o-mini
   PORT=8000

1. 运行服务器：

   # Windows
   py run_server.py

   # Linux/Mac
   python run_server.py

1. 测试端点：

- 健康：http://localhost:8000/health - 显示：http://localhost:8000/mcp/manifest - API文件：http://localhost:8000/docs - 剧作家沙盒：http://localhost:8080/sandbox（启动前端后）

1. 启动前端（可选）：

   # Install frontend dependencies (first time only)
   npm install

   # Start frontend dev server
   npm run dev

然后访问http://localhost:8080/sandbox使用Playwright沙盒预览功能。

☁️ 谷歌云运行部署

该服务器设计用于部署 谷歌云运行。请参阅我们的全面部署指南：

• DEPLOY_LOUD_RUN_WINDOWS.md -Windows部署指南
• DEPLOY_LOUD_RUN.md -一般部署指南
• QUICK_DEPLOY.md -快速参考

快速部署

# Windows PowerShell
.\deploy-cloud-run.ps1 -ProjectId "your-project-id" -Region "us-central1"

# Linux/Mac
./deploy-cloud-run.sh your-project-id us-central1

当前部署

• 服务URL: https://langchain-agent-mcp-server-554655392699.us-central1.run.app
• 项目： 俚语
• 地区： 美国中央1
• 状态： ✅ 实时和可操作

📡 API终点

MCP端点

获取清单

GET /mcp/manifest

返回声明可用工具的MCP清单。

答复：

{
  "name": "langchain-agent-mcp-server",
  "version": "1.0.0",
  "tools": [
    {
      "name": "agent_executor",
      "description": "Execute a complex, multi-step reasoning task...",
      "inputSchema": {
        "type": "object",
        "properties": {
          "query": {
            "type": "string",
            "description": "The user's query or task"
          },
          "system_instruction": {
            "type": "string",
            "description": "Optional system-level instructions to customize agent behavior"
          }
        },
        "required": ["query"]
      }
    }
  ]
}

调用工具

POST /mcp/invoke
Content-Type: application/json

{
  "tool": "agent_executor",
  "arguments": {
    "query": "What is the capital of France?",
    "task_id": "optional-workflow-id"
  }
}

使用系统说明（可选）：

POST /mcp/invoke
Content-Type: application/json

{
  "tool": "agent_executor",
  "arguments": {
    "query": "Analyze Tesla stock",
    "system_instruction": "You are a financial analyst. Provide detailed analysis with specific numbers."
  }
}

答复：

{
  "content": [
    {
      "type": "text",
      "text": "The capital of France is Paris."
    }
  ],
  "isError": false
}

系统说明

这 agent_executor 工具支持可选 system_instruction 参数，允许您在每次调用的基础上自定义代理的行为。

用途：

• 基本查询 （使用默认提示）：

  {
    "tool": "agent_executor",
    "arguments": {
      "query": "What is the weather today?"
    }
  }

• 使用自定义指令查询:

  {
    "tool": "agent_executor",
    "arguments": {
      "query": "Explain quantum computing",
      "system_instruction": "You are a physics professor. Explain concepts clearly and use examples."
    }
  }

• 个性化定制:

  {
    "tool": "agent_executor",
    "arguments": {
      "query": "Tell me about space",
      "system_instruction": "You are a pirate explaining complex topics. Use pirate terminology!"
    }
  }

笔记：

• 如果 system_instruction 如果省略，代理将使用其默认提示
• 忽略空或仅空白的指令（使用默认提示）
• 每次使用自定义指令的调用都会创建一个新的代理实例

剧作家沙盒端点

生成辅助功能快照

POST /api/playwright/snapshot
Content-Type: application/json

{
  "url": "wikipedia.org",
  "use_cache": true
}

答复：

{
  "snapshot": "[body]\n  Name: Wikipedia\n  [main]\n    Name: Main content...",
  "url": "https://wikipedia.org",
  "cached": false,
  "token_count": 3307
}

特征：

• 生成任何网站的结构化可访问性快照
• 展示人工智能如何通过结构化数据“查看”网站
• 对热门网站的缓存支持
• 令牌计数估计
• 与Windows兼容（使用ProactorEventLoop）

快照测试提示

POST /api/playwright/test-prompt
Content-Type: application/json

{
  "snapshot": "[body]\n  [button]\n    Name: Login",
  "prompt": "Find the login button"
}

答复：

{
  "matches": [
    {
      "line": 2,
      "content": "[button] Name: Login",
      "context": "..."
    }
  ],
  "prompt": "Find the login button",
  "total_matches": 1
}

剧作家沙盒用户界面： 访问 http://localhost:8080/sandbox 要使用交互式预览功能，请执行以下操作：

• 输入任何URL以生成快照
• 与AI辅助功能快照并排查看实时网站
• 在快照中查找元素的测试提示
• 查看与完整HTML/屏幕截图相比的令牌节省

其他终点

• GET / -服务器信息
• GET /health -健康检查
• GET /api/tasks -安全任务摘要（可选监控）
• GET /api/tasks/{task_id} -安全任务摘要（可选监控）
• GET /docs -交互式API文档（Swagger UI）

🔧 配置

环境变量

📚 文档

📖 完整文档网站 -完整的文档和示例（GitHub页面）

快速链接：

• 入门指南 -在本地设置和运行
• 例子 -代码示例包括 “用10行构建RAG代理”
• 部署指导 -部署到Google Cloud Run
• API 参考 -完整的API文件
• 故障排除 -常见问题和解决方案

在本地构建文档：

# Windows
.\build-docs.ps1 serve

# Linux/Mac
./build-docs.sh serve

附加指南：

• README_BACKEND.md -完整的技术文档
• PLAYWRIGHT_SANDBOX_SETUP.md -剧作家沙盒设置和使用
• BUG报告_布局权_未执行错误.md -Windows兼容性修复程序文档
• DEPLOY_LOUD_RUN_WINDOWS.md -Windows部署指南
• 安装_需求分析.md -先决条件安装
• SLASHMCP_INTEGRATION.md -SlashMCP集成指南
• docs/glazyr-integration.md -Glazyr集成说明（截图→ MCP调用）

🧪 测试

# Test health endpoint
Invoke-WebRequest -Uri "https://langchain-agent-mcp-server-554655392699.us-central1.run.app/health"

# Test agent invocation
$body = @{
    tool = "agent_executor"
    arguments = @{
        query = "What is 2+2?"
    }
} | ConvertTo-Json

Invoke-WebRequest -Uri "https://langchain-agent-mcp-server-554655392699.us-central1.run.app/mcp/invoke" `
    -Method POST `
    -ContentType "application/json" `
    -Body $body

# Test with system instruction
$bodyWithInstruction = @{
    tool = "agent_executor"
    arguments = @{
        query = "What is 2+2?"
        system_instruction = "You are a math teacher. Explain your reasoning step by step."
    }
} | ConvertTo-Json

Invoke-WebRequest -Uri "https://langchain-agent-mcp-server-554655392699.us-central1.run.app/mcp/invoke" `
    -Method POST `
    -ContentType "application/json" `
    -Body $bodyWithInstruction

🎭 剧作家沙盒功能

Playwright Sandbox是一个交互式预览功能，演示了AI代理如何通过结构化的可访问性数据“查看”网站。此功能对于理解结构化快照与完整HTML或屏幕截图相比的价值特别有用。

特性

• 双视图界面：查看实时网站及其结构化可访问性快照
• 代币效率：比较令牌计数-快照通常比完整HTML小90%以上
• 交互式测试：测试提示以查找快照中的元素
• 缓存：缓存热门网站以获得更快的演示结果
• Windows兼容：已修复 NotImplementedError 在Windows上使用ProactorEventLoop

快速开始

1. 安装剧作家：

   py -m pip install playwright
   py -m playwright install chromium

1. 启动后端：

   py run_server.py

1. 启动前端：

   npm install  # First time only
   npm run dev

1. 访问沙盒：

打开http://localhost:8080/sandbox并尝试以下URL：

- wikipedia.org - github.com - google.com

运作原理

1. 输入URL -系统使用Playwright导航到网站
2. 生成快照 -提取结构化的可访问性信息（角色、名称、描述）
3. 查看比较 -查看实时网站与人工智能的结构化视图
4. 测试提示 -试着让人工智能找到特定的元素

技术细节

• 后端：具有Playwright集成的FastAPI端点
• 前端：使用TanStack查询的React+Vite
• 事件循环：在Windows上使用ProactorEventLoop来支持子进程
• 隐身模式：反机器人检测措施，以提高兼容性
• 错误处理：妥善处理阻止自动访问的网站

看 PLAYWRIGHT_SANDBOX_SETUP.md 有关详细的设置说明。

🏗️ 项目结构

.
├── src/
│   ├── main.py              # FastAPI application with MCP endpoints
│   ├── agent.py             # LangChain agent definition and tools
│   ├── pages/
│   │   └── Sandbox.tsx      # Playwright Sandbox UI component
│   ├── mcp_manifest.json    # MCP manifest configuration
│   └── start.sh             # Cloud Run startup script
├── tests/
│   └── test_mcp_endpoints.py # Test suite
├── Dockerfile               # Container configuration
├── requirements.txt         # Python dependencies (includes playwright)
├── deploy-cloud-run.ps1     # Windows deployment script
├── deploy-cloud-run.sh      # Linux/Mac deployment script
└── cloudbuild.yaml          # Cloud Build configuration

🚀 部署选项

Google Cloud Run（推荐）

• 可扩展的 -基于流量的自动缩放
• 无服务器 -只为你使用的东西付费
• 管理 -没有要管理的基础设施
• 快速 -全球CDN的低延迟

看 DEPLOY_LOUD_RUN_WINDOWS.md 详细说明。

Docker（本地/其他平台）

docker build -t langchain-agent-mcp-server .
docker run -p 8000:8000 -e OPENAI_API_KEY=your-key langchain-agent-mcp-server

📊 演出

• P95延迟： 对于标准3步ReAct链，\<5秒
• 可扩展性： Cloud Run上的水平扩展
• 正常运行时间： 99.9%目标（云运行SLA）
• 吞吐量： 高效处理并发请求

🔒 安全

• API密钥身份验证（可选）
• 环境变量管理
• Secret Manager集成（云运行）
• 默认情况下为HTTPS（云运行）
• CORS配置

🤝 贡献

我们欢迎捐款！请参阅我们的投稿指南。

1. 分叉存储库
2. 创建要素分支
3. 进行更改
4. 提交拉取请求

📜 许可证

该项目根据MIT许可证获得许可。

🔗 链接

• GitHub存储库： https://github.com/mcpmessenger/LangchainMCP
• 实时服务： https://langchain-agent-mcp-server-554655392699.us-central1.run.app
• API文件： https://langchain-agent-mcp-server-554655392699.us-central1.run.app/docs
• 模型上下文协议： https://modelcontextprotocol.io/

🙏 致谢

• 内置于 LangChain
• 部署于 谷歌云运行
• 用途 快速API 对于web框架

______________________________________________________________________

状态： ✅ 生产就绪并部署在Google Cloud Run上