使用说明

MCP+LangGraph+RAG研究代理演示

此repo显示了如何 将MCP工具附加到LangGraph中的OpenAI LLM，包括a RAG MCP服务器, 并作为一个研究助理代理协调一切。

该设置有意固执己见，并受到生产启发：

多个MCP服务器：
- MathServer （stdio）
- ResearchServer （HTTP）
- RAGServer （stdio，本地文档的矢量搜索）
LangGraph代理：
- 用途 openai:gpt-4.1 作为推理引擎。
- 通过以下方式发现所有MCP工具 MultiServerMCPClient.
- 将他们与法学硕士联系起来 model.bind_tools(tools).
- 通过执行工具调用 ToolNode + tools_condition.
一个CLI，允许您端到端地查询系统。

1.架构概述

在高层次上：

                          +---------------------------+
                          |  ResearchServer (HTTP)    |
                          |  - search_docs()          |
                          |  - get_paper_abstract()   |
                          +-------------+-------------+
                                        ^
                                        |
+---------------------------+           |
|  MathServer (stdio)       |           |
|  - add()                  |           |
|  - multiply()             |           |
|  - compound_interest()    |           |
+-------------+-------------+           |
              ^                         |
              |                         |
+-------------+-------------+           |
|  RAGServer (stdio)        |           |
|  - index_corpus()         |           |
|  - search_corpus()        |           |
+-------------+-------------+           |
              ^                         |
              |                         |
        +-----+-------------------------+----------------------------+
        |       MultiServerMCPClient (langchain-mcp-adapters)       |
        |   - Connects to all MCP servers                           |
        |   - Exposes tools to LangGraph / LangChain                |
        +----------------------+------------------------------------+
                               |
                               v
                        +------+-------+
                        |  OpenAI LLM  |
                        | openai:gpt-4.1
                        +------+-------+
                               |
                 model.bind_tools(tools)
                               |
                               v
                        +------+----------------------------+
                        |   LangGraph StateGraph            |
                        |   - Node: LLM                     |
                        |   - Node: ToolNode(MCP tools)     |
                        |   - Edge: tools_condition         |
                        +-------------------+---------------+
                                            |
                                            v
                                      CLI / Notebook

代理的行为就像 研究副驾驶 这可以：

通过以下方式快速提取定义和上下文 ResearchServer.
使用以下命令运行小计算 MathServer.
通过以下方式在您的本地文档中提供基本答案 RAGServer.

2.文件夹结构

mcp-langgraph-rag-agent-demo/
  ├─ agent/
  │   ├─ __init__.py
  │   └─ graph_research_agent.py      # LangGraph + MCP wiring
  │
  ├─ mcp_servers/
  │   ├─ data/
  │   │   ├─ 001_mcp_intro.md         # Sample docs indexed by RAG
  │   │   ├─ 002_security_considerations.md
  │   │   └─ 003_rag_playbook.md
  │   ├─ math_server.py               # MCP math tools (stdio)
  │   ├─ research_server.py           # MCP research tools (HTTP)
  │   └─ rag_server.py                # MCP RAG tools (stdio)
  │
  ├─ scripts/
  │   └─ run_agent.py                 # CLI entrypoint
  │
  ├─ .env.example                     # Template for OpenAI key
  ├─ requirements.txt
  └─ README.md

3.快速入门

3.1先决条件

python 3.10+
用于的OpenAI API密钥 gpt-4.1 （或在中更新型号名称 graph_research_agent.py).
能够安装Python依赖项（请参阅 requirements.txt).

3.2安装依赖项

git clone <this-repo-url>
cd mcp-langgraph-rag-agent-demo

python -m venv .venv
source .venv/bin/activate  # On Windows: .venv\Scripts\activate

pip install -r requirements.txt

创建您的 .env:

cp .env.example .env
# Then edit .env and paste your OPENAI_API_KEY

3.3启动HTTP研究MCP服务器

在 端子1:

cd mcp_servers
python research_server.py

您应该看到日志，表明它正在监听 http://0.0.0.0:8000/mcp.

数学和RAG服务器由MCP客户端通过stdio自动启动，因此您可以不需要手动运行它们。

3.4运行LangGraph代理

在 终端2 （位于回购根目录）：

python scripts/run_agent.py

您应该看到：

✅ MCP + LangGraph + RAG agent is ready.
Type 'exit' or 'quit' to stop.

现在聊天：

You: What is MCP and why is it useful for connecting internal tools?
You: Search our docs for security considerations and summarise three key points.
You: Use RAG to find anything about RAG Playbook and explain it simply.
You: If each query saves 3 minutes for 50 researchers per week, how many hours do we save in a year?

代理将决定何时调用以下工具：

search_docs （HTTP MCP）
index_corpus / search_corpus （RAG MCP）
compound_interest 或 add / multiply （数学MCP）

4.MCP工具如何连接到OpenAI LLM

关键线路位于 agent/graph_research_agent.py:

from langchain_mcp_adapters.client import MultiServerMCPClient
from langgraph.prebuilt import ToolNode, tools_condition
from langgraph.graph import StateGraph, START, MessagesState
from langchain.chat_models import init_chat_model

async def build_mcp_tools():
    client = MultiServerMCPClient(
        {
            "math": {
                "command": "python",
                "args": ["mcp_servers/math_server.py"],
                "transport": "stdio",
            },
            "research": {
                "url": "http://localhost:8000/mcp",
                "transport": "streamable_http",
            },
            "rag": {
                "command": "python",
                "args": ["mcp_servers/rag_server.py"],
                "transport": "stdio",
            },
        }
    )
    tools = await client.get_tools()
    return tools

def make_llm_node(model, tools):
    bound = model.bind_tools(tools)

    def llm_node(state):
        messages = state["messages"]
        response = bound.invoke(messages)
        return {**state, "messages": messages + [response]}

    return llm_node

async def build_graph():
    tools = await build_mcp_tools()
    model = init_chat_model("openai:gpt-4.1")

    builder = StateGraph(MessagesState)
    builder.add_node("llm", make_llm_node(model, tools))
    builder.add_node("tools", ToolNode(tools))

    builder.add_edge(START, "llm")
    builder.add_conditional_edges("llm", tools_condition)
    builder.add_edge("tools", "llm")

    return builder.compile()

释义：

MultiServerMCPClient 连接到 三台MCP服务器 并发现了他们的工具。
tools = await client.get_tools() 返回LangChain样式工具的平面列表。
model.bind_tools(tools) 告诉 openai:gpt-4.1 这些工具是可用的。
ToolNode(tools) 知道如何执行LLM发出的任何工具调用。
tools_condition 为图形布线：
- 如果LLM做到了不调用工具➜ end.
- 如果它做了调用工具➜ go to ToolNode，运行它们，然后回到LLM。

5.详细介绍RAG MCP服务器

RAG服务器位于 mcp_servers/rag_server.py 并公开了两个工具：

index_corpus(reset: bool = False)
search_corpus(query: str, top_k: int = 5)

语料库是 .md / .txt 文件下 mcp_servers/data/.

核心模式：

rag_index = RAGIndex()

@mcp.tool()
def index_corpus(reset: bool = False) -> str:
    count = rag_index.build_index(reset=reset)
    return f"Indexed {count} documents from {DATA_DIR}."

@mcp.tool()
def search_corpus(query: str, top_k: int = 5) -> str:
    results = rag_index.search(query, top_k=top_k)
    # Format into a compact text snippet for the LLM

您可以替换实施 RAGIndex 与：

FAISS、Elasticsearch或您的内部向量存储。
您自己的嵌入服务，而不是 sentence-transformers.

LangGraph接线不改变。

6.延长此回购

将其推向生产的一些想法：

MCP服务器的身份验证和RBAC
- 为HTTP MCP服务器附加身份验证标头/令牌。
- 强制方法级权限（例如，谁可以调用 index_corpus).
每个用户的对话状态
- 添加a user_id 在该州。
- 将对话历史记录保存在数据库中，并在每个会话中重新加载。
结构化工具输出
- 从工具中返回JSON，并在LLM提示符中解析它。
- 在答案中明确附上引用和文档ID。
额外的MCP服务器
- Jira、GitHub、Databricks、内部REST API。
- 所有内容均通过同一途径访问 MultiServerMCPClient 图案。

7.故障排除

ImportError:句子转换
- 安装它： pip install sentence-transformers
- 或者替换掉嵌入逻辑 rag_server.py 为了你自己。
无法连接到研究服务器
- 确保 python mcp_servers/research_server.py 正在运行。
- 检查该端口 8000 是免费的。
OpenAI身份验证错误
- 确认 OPENAI_API_KEY 存在于您的环境中。
- 在REPL中尝试一个简单的LangChain OpenAI调用来验证。

8.总结

此存储库是模板用于：

使用以下工具构建严肃的多工具代理 LangGraph.
通过以下方式展示这些工具 主控程序 （标准输入+HTTP）。
接地回答 检索增强生成 在你自己的文件。
保持编排干净： model.bind_tools + ToolNode + tools_condition.

以它为起点，插入您自己的：

企业RAG堆栈
票务系统
copula作业
您希望您的代理推理的任何其他内部服务。

使用说明

MCP+LangGraph+RAG研究代理演示

1.架构概述

2.文件夹结构

3.快速入门

3.1先决条件

3.2安装依赖项

3.3启动HTTP研究MCP服务器

3.4运行LangGraph代理

4.MCP工具如何连接到OpenAI LLM

5.详细介绍RAG MCP服务器

6.延长此回购

7.故障排除

8.总结

相关 MCP

WebAPI转换服务器

A股数据查询工具

金融数据MCP服务

WhatsApp AI聊天机器人

Gemini MCP 研究聊天机器人

Deepwiki文档转换服务