LangGraph-MCP-Agents：将 AI Agent 接入任意工具的数据中间件

当 AI 不再是"睁眼瞎"：MCP 协议打开工具调用的大门

在大型语言模型（LLM）刚刚兴起时，AI 能做的事很有限——它只能基于训练数据回答问题，无法实时查询天气、搜索文档、操作数据库。你问它"今天福州天气怎么样"，它只能礼貌地说"抱歉，我无法访问实时数据"。这几乎是所有早期 AI 助手的共同痛点：AI 与真实世界之间隔着一堵墙。

2024 年底，Anthropic 发布的 Model Context Protocol（MCP） 协议改变了这一局面。MCP 的设计理念很优雅：让 AI Agent 通过一个标准化的中间层协议，像拼积木一样自由接入各种外部工具和数据源——不再需要为每个工具单独写适配代码。LangChain 团队随后推出了 langchain-mcp-adapters，将 MCP 协议无缝接入 LangGraph 生态。

本文要分析的项目 LangGraph-MCP-Agents 就是这个背景下的产物：它基于 LangGraph 构建 ReAct Agent，通过 MCP 协议连接各类外部工具，并以 Streamlit Web UI 的形式呈现给用户。GitHub 主页显示项目由 teddylee777 维护（GitHub 链接指向 teddylee777/langgraph-mcp-agents，与 braincrew-lab 为同一仓库），2024 年底发布 v0.1.0，目前已有 706 颗星。

技术架构：三层结构的 Agent 运行时

从代码结构来看，LangGraph-MCP-Agents 采用了清晰的三层架构：

第一层：MCP Server（工具层）
项目内置了四个示例 MCP Server，均基于 mcp[cli] 的 FastMCP 框架实现：

• mcp_server_local.py：天气查询工具（模拟数据）
• mcp_server_time.py：获取当前时间
• mcp_server_rag.py：基于 FAISS 的本地文档检索（RAG）工具
• mcp_server_remote.py：远程 MCP Server 连接器

每个 Server 通过 @mcp.tool() 装饰器暴露函数，遵循标准 MCP 工具定义规范。

第二层：LangGraph Agent（推理层）
核心逻辑在 app.py 中：使用 langgraph.prebuilt.create_react_agent 创建 ReAct（Reasoning + Acting）Agent，底层由 langchain-anthropic（Claude）或 langchain-openai（GPT-4o）驱动。

Agent 的状态管理由 langgraph.checkpoint.memory.MemorySaver 实现，提供对话历史的持久化能力。utils.py 中的 astream_graph 函数负责流式输出——将 Agent 思考过程中的每个 token 实时推送至前端。

第三层：Streamlit UI（交互层）
app.py 使用 Streamlit 构建 Web 界面，核心功能包括：

• 模型选择：支持 Claude 3.7 Sonnet、Claude 3.5 Sonnet、GPT-4o、GPT-4o-mini
• 工具动态配置：通过 UI 实时添加/删除 MCP 工具，无需重启应用
• Smithery JSON 导入：支持从 Smithery 平台（一键部署 MCP 工具的市场）复制 JSON 配置
• 流式响应：实时显示 Agent 思考过程和工具调用结果
• 会话历史：基于 MemorySaver 的多轮对话支持
• 登录认证（可选）：通过 USE_LOGIN 环境变量开启

配置通过 config.json 文件持久化，启动时由 load_config_from_json() 加载。

部署体验：从零到跑起来不到 10 分钟

LangGraph-MCP-Agents 的部署体验相当友好。项目根目录的 dockers/ 文件夹提供了完整的容器化方案：

# docker-compose.yaml 核心配置
services:
  app:
    image: teddylee777/langgraph-mcp-agents:0.2.1
    ports:
      - "8585:8585"
    volumes:
      - ./.env:/app/.env:ro
      - ./data:/app/data:rw
      - ./config.json:/app/config.json

用户只需三步即可完成部署：

1. 进入 dockers/ 目录，cp .env.example .env 创建环境变量文件
2. 填入 ANTHROPIC_API_KEY 或 OPENAI_API_KEY
3. docker compose up 启动服务，访问 http://localhost:8585

健康检查通过 /_stcore/health 端点实现，确保容器就绪后才对外服务。数据目录 ./data 通过卷挂载持久化，配置文件 config.json 同样支持热更新。

硬件要求方面，由于使用 faiss-cpu 而非 GPU 版本的 FAISS，项目对显卡无要求。实测 4GB 内存 + 2GB 磁盘即可运行，适合在普通开发机或低配服务器上部署。

代码质量：从示例代码到生产级框架的跨越

作为一个 v0.1.0 的早期项目，LangGraph-MCP-Agents 的代码质量处于示例级别向生产级过渡的阶段。

值得肯定的地方：

1. 依赖管理规范：使用 pyproject.toml + uv.lock 管理依赖，明确要求 Python ≥ 3.12，这是 2024 年后的主流实践
2. 异步架构合理：通过 nest_asyncio.apply() 解决 Streamlit 与 asyncio 的事件循环冲突，astream_graph 的流式输出实现干净利落
3. UI 细节到位：登录页/主应用分页面配置（WIDE layout vs 默认）、Smithery 平台集成等体现了对用户体验的考量
4. 多语言支持：README 同时提供英文和韩文版本，说明作者面向国际化用户群体

需要改进的地方：

1. 无测试覆盖：项目未包含任何测试文件（pytest/unittest），对 Agent 逻辑的可靠性没有自动化验证
2. 文档深度不足：虽然 README 覆盖了部署和基本使用，但缺少 API 设计文档、错误处理指南、安全注意事项
3. RAG 实现简化：mcp_server_rag.py 使用 faiss-cpu + pymupdf 实现文档解析，但缺乏分块策略、向量模型选择、检索策略的配置化支持
4. API Key 明文问题：在生产环境中使用 .env 文件管理密钥是常见做法，但项目未提供密钥轮换、环境隔离等安全建议

行业意义：MCP 生态的一个活标本

LangGraph-MCP-Agents 的价值不仅在于项目本身，更在于它作为 MCP 协议实际落地的活标本。

MCP 协议的核心优势在于"解耦"：工具开发者只需实现 MCP Server，Agent 开发者只需接入 MCP Client，两端可以独立演进。Smithery 平台的出现更是加速了这一生态——用户可以从平台上直接复制 JSON 配置，一键将数千个社区开发的 MCP 工具接入自己的 Agent。

从这个角度看，LangGraph-MCP-Agents 展示了 LangGraph 生态如何承接 MCP 协议的能力下沉。随着 MCP 工具生态的壮大，这类项目的价值会持续增长——它们是 Agent 运行时与工具生态之间的"桥梁层"。

总结

LangGraph-MCP-Agents 是一个架构清晰、部署友好、面向 MCP 生态的 AI Agent 入门级项目。它将 LangGraph 的 ReAct Agent、MCP 协议的标准化工具调用、Streamlit 的快速 UI 构建三者串联起来，提供了一个可上手、可扩展的 Agent 开发模板。

适合人群：对 AI Agent 感兴趣、想快速体验 MCP 协议威力的开发者
不适合：需要生产级测试覆盖、复杂 RAG 流水线、企业级安全管控的团队
一句话评价：MCP 生态的一个优秀入口项目，代码可改进，但思路值得学习。