带LangGraph的MCP客户端
最低限度 模型上下文协议（MCP）客户端 使用 LangGraph 在Python中。
此存储库显示了如何：
- 使用LangGraph构建会话代理。
- 通过以下方式将该代理连接到外部工具和数据源 MCP客户端.
- 尝试同步、异步和MCP驱动的聊天机器人流。
MCP（模型上下文协议）是一个将人工智能应用程序连接到外部工具和数据源的开放标准，因此LLM可以调用工具、查询系统，并对现实世界的上下文进行操作。：contentReference\[oacite:0\]{索引=0}
______________________________________________________________________
📁 存储库结构
mcp-client-langgraph/
├── chatbot.py # Basic LangGraph chatbot example
├── chatbot_async.py # Asynchronous LangGraph chatbot example
├── chatbot_mcp.py # LangGraph chatbot wired to an MCP clientchatbot.py–了解基于LangGraph的聊天机器人结构的最简单切入点。chatbot_async.py–演示异步用法（在与外部API/工具集成时很有用）。chatbot_mcp.py–展示如何使用LangGraph作为 MCP客户端，连接到MCP服务器并通过协议调用工具。
______________________________________________________________________
🚀 入门指南
1.先决条件
- python 3.10+
git
- （可选但推荐）虚拟环境工具：
- venv / virtualenv / conda
- 一个或多个 MCP服务器 本地或远程运行（以MCP为例）。
您可以通过官方MCP资源和注册表浏览公共MCP服务器和生态系统文档。（\[人类学\]\[1\]）
______________________________________________________________________
2.克隆存储库
git clone https://github.com/campusx-official/mcp-client-langgraph.git
cd mcp-client-langgraph______________________________________________________________________
3.设置虚拟环境（可选但推荐）
python -m venv .venv
# Linux / macOS
source .venv/bin/activate
# Windows (PowerShell)
# .venv\Scripts\Activate.ps1______________________________________________________________________
4.安装依赖项
如果 requirements.txt 存在：
pip install -r requirements.txt如果没有，您可以安装LangGraph+MCP工作通常需要的核心库：
pip install langgraph openai mcp⚠️ 根据内部导入的内容调整依赖关系chatbot.py,chatbot_async.py，以及chatbot_mcp.py.
______________________________________________________________________
💬 用法
1.运行基本聊天机器人
python chatbot.py这个例子通常是最简单的开始。它将：
- 初始化LangGraph图。
- 在终端中运行一个基本的聊天循环。
- 显示消息如何在图中流动。
______________________________________________________________________
2.运行异步聊天机器人
python chatbot_async.py使用此功能：
- 使用LangGraph了解异步模式。
- 与非阻塞I/O集成（例如，外部HTTP工具、数据库等）。
______________________________________________________________________
3.运行启用MCP的聊天机器人
python chatbot_mcp.py此脚本演示：
- 如何配置 LangGraph代理作为MCP客户端.
- 如何连接到MCP服务器（通过MCP公开的工具、数据源或工作流）。
- 如何在会话流中调用MCP工具。
运行此操作之前，请确保： - 您的MCP服务器正在运行并且可以访问。 - 任何必需的环境变量/config（例如，服务器地址、API密钥）都设置在内部 chatbot_mcp.py 或者通过你的外壳。______________________________________________________________________
⚙️ 配置
典型的配置选项（检查Python文件内部并根据需要进行定制）：
- 模型配置
- 通过环境变量提供OpenAI/Anthropic/其他LLM提供者密钥 - 型号名称、温度、最大标记等。
- MCP连接详细信息
- MCP服务器URL/传输（例如。， stdio, http等等） - 代理要使用的工具名称和资源ID
您可能需要的常见环境变量：
export OPENAI_API_KEY="your-api-key"
export MCP_SERVER_URL="http://localhost:PORT" # Example if using HTTP transport替换为代码中使用的实际变量。
______________________________________________________________________
🧠 什么是MCP（模型上下文协议）？
MCP是一个开放标准，允许AI助手通过通用协议连接到外部系统（文件、数据库、工具、API）。把它看作是 “用于AI工具的USB-C”--您的LangGraph代理将成为MCP客户端，您指向的任何MCP服务器都将成为可插拔功能。（\[模型上下文协议\]\[2\]）
此回购 chatbot_mcp.py file就是这种模式的一个简单而实用的例子。
______________________________________________________________________
🧪 扩展项目
以下是一些扩展此repo的想法：
- 添加 自定义MCP服务器 用于：
- 内部API - 数据库 - 文件系统/知识库
- 构建一个LangGraph工作流，该工作流：
- 通过MCP搜索文档 - 总结它们 - 执行操作（例如，写回结果、发送通知）
- 与集成 UI前端:
- 将响应流式传输到支持流式传输的web UI或CLI。
- 添加 追踪/记录:
- 跟踪MCP工具调用和LangGraph节点执行。