Modular MCP Langgraph Agent

🧠 LangGraph+MCP代理：总结→ 提取→ 翻译

1. 总结：缩短输入的长度，同时保留关键含义。
2. 提取关键字：从文本中提取相关关键字。
3. 翻译：将输入或提取的内容翻译成任何指定的语言。

所有功能均按以下方式实现 MCP工具，并通过流媒体调用 LangGraph代理.

______________________________________________________________________

📁 项目结构

langgraph-mcp-tool/
│
├── mcp_servers/
│ └── text_server.py # MCP tool server (summarize, extract_keywords, translate)
├── client.py # Async client: loads tools and runs LangGraph agent
├── graph.py # Defines the LangGraph agent and tool integration
├── config.py # Loads & resolves MCP server config with environment variables
├── mcp_config.json # MCP server configuration (tool -> server mapping)
├── .env # Stores your OpenAI API key
└── README.md # You're here!

______________________________________________________________________

🚀 特性

• LangGraph代理：将工具使用与工具条件路由相协调。
• 流输出：生成响应时，代理消息逐令牌流式传输。
• OpenAI GPT-4o：每个工具内部使用OpenAI API进行智能处理。
• 文本内容 输出：MCP工具输出使用 TextContent，无缝转换为 ToolMessage.

______________________________________________________________________

🧠 运作原理

MCP服务器： text_server.py

服务器通过MCP使用 @mcp.tool() 装饰师：

• summarize(text: str)：使用GPT-4o减小输入大小。
• extract_keywords(text: str)：提取约5-10个相关关键词。
• translate(text: str, language: str)：将文本翻译成目标语言。

这些工具返回：

[TextContent(type="text", text="...")]

LangGraph理解并呈现为ToolMessage内容。

______________________________________________________________________

代理执行：client.py

客户端执行以下操作：

1. 从MCP_config.json加载MCP配置。
2. 使用MultiServerMCPClient连接到MCP文本服务器。
3. 使用load_mcp_tools加载工具。
4. 使用这些工具创建LangGraph代理。
5. 运行交互式提示，通过以下方式处理用户输入：

• HumanMessage
• 代理商状态→ LangGraph图→ 流式AI输出

使用操作系统优雅地处理退出/退出。\_exit（0）以避免异步清理错误。

______________________________________________________________________

LangGraph代理：graph.py

该代理由以下组件构建：

• AgentState：保存完整的消息历史记录。
• ToolNode（工具）：注册所有加载的MCP工具。
• tools_condition：仅当调用工具时，才将模型输出路由到工具节点。
• MemorySaver：启用聊天历史的短期记忆。

______________________________________________________________________

配置：Config.py+mcp_Config.json

• mcp_config.json定义了如何运行每个mcp服务器（工具名称→ 路径）。
• config.py解析任何${ENV}变量并将JSON加载到Python中。

示例mcp_config.json：

{
  "text": {
    "command": "python",
    "args": ["./mcp_servers/text_server.py"],
    "transport": "stdio"
  }
}

🧪 如何跑步

1.安装依赖项

pip install -r requirements.txt

确保你有：

• Python 3.10+
• OpenAI SDK
• LangGraph
• LangChain MCP

2.设置.env

OPENAI_API_KEY=your-key-here

3.运行代理

python agent/client.py

✅ 您将看到类似以下内容：

Loaded tools: ['summarize', 'extract_keywords', 'translate']
USER:

______________________________________________________________________

💬 对话示例

USER: Translate this sentence to Korean and then to Hindi: my name is Soham and I am 10 years old
ASSISTANT:
- Korean: 제 이름은 소함이고 10살입니다.
- Hindi: मेरा नाम सोहम है और मैं 10 साल का हूँ।

USER: Summarize this then: [long paragraph]
ASSISTANT: [Summary]

USER: Extract keywords from the text you just summarized
ASSISTANT: [Keywords]

USER: Translate each keyword to Japanese
ASSISTANT: [Translated keywords]

______________________________________________________________________

🧩 扩展此项目

• 添加更多MCP工具：情感分析、语法纠正、文本转语音
• 使用LangGraph条件逻辑进行工具链接
• 构建Streamlit前端
• 将消息历史记录存储在数据库中

______________________________________________________________________

🧑‍💻 作者

贾耶什 Suryawanshi

• 🧠 Python开发人员|💡 AI工具生成器|🌍 数据与工程爱好者
• 📫 领英

______________________________________________________________________

📃 许可证

MIT许可证