모델 컨텍스트 프로토콜(MCP)은 LLM 애플리케이션과 외부 데이터 소스 및 도구 간의 원활한 통합을 가능하게 하는 개방형 프로토콜입니다. AI 기반 IDE를 구축하든, 채팅 인터페이스를 개선하든, 맞춤형 AI 워크플로우를 만들든, MCP는 LLM을 필요한 컨텍스트와 연결하는 표준화된 방법을 제공합니다. MCP를 AI 애플리케이션용 USB-C 포트로 생각해 보세요. USB-C가 기기를 다양한 주변기기 및 액세서리에 표준화하는 방법을 제공하는 것처럼, MCP는 AI 모델을 다양한 데이터 소스와 도구에 연결하는 표준화된 방식을 제공합니다.

LangGraph는 복잡한 워크플로우와 애플리케이션에 언어 모델을 원활하게 통합할 수 있도록 설계된 프레임워크입니다. 모듈화와 유연성을 강조합니다. 워크플로우는 그래프로 표현됩니다. 노드는 동작, 도구 또는 모델 쿼리에 대응합니다. 엣지는 이들 간의 정보 흐름을 정의합니다. LangGraph는 구조적이면서도 동적인 작업 수행 방식을 제공하여 자연어 이해, 자동화, 의사결정을 포함하는 AI 애플리케이션 작성에 이상적입니다.

이전 기사에서는 LangGraph의 검색 에이전트 템플릿을 개선하여 AI 솔루션을 개발하고 배포하는 내용을 다뤘습니다.

Universal Assistant built with LangGraph and Model Context Protocol (MCP)

Model Context Protocol (MCP) is an open protocol that enables seamless integration between LLM applications and external data sources and tools. Whether you’re building an AI-powered IDE, enhancing a chat interface, or creating custom AI workflows, MCP provides a standardized way to connect LLMs with the context they need. Think of MCP like a USB-C port for AI applications. Just as USB-C provides a standardized way to connect your devices to various peripherals and accessories, MCP provides a standardized way to connect AI models to different data sources and tools.

LangGraph is a framework designed to enable seamless integration of language models into complex workflows and applications. It emphasizes modularity and flexibility. Workflows are represented as graphs. Nodes correspond to actions, tools, or model queries. Edges define the flow of information between them. LangGraph provides a structured yet dynamic way to execute tasks, making it ideal for writing AI applications involving natural language understanding, automation, and decision-making.

In this earlier article we enhanced LangGraph’s retrieval agent template to develop and deploy an AI solution.

In this project, we combine LangGraph with MCP to build our own Universal Assistant. For our universal assistant we implement a multi-agent pattern as follows:

Assistant receives the user message and decides the agent to use. The agent node decides the right tool to use, and calls the tool on the MCP server. Since all our agents are based on MCP, a single MCP-Agent node is sufficient for LLM based orchestraion, and another single node is sufficient to work with MCP servers to invoke their tools.

Development Setup

1. Create and activate a virtual environment

   git clone https://github.com/esxr/langgraph-mcp.git
   cd langgraph-mcp
   python3 -m venv .venv
   source .venv/bin/activate
   

2. Install Langgraph CLI

   pip install -U "langgraph-cli[inmem]"
   

   Note: “inmem” extra(s) are needed to run LangGraph API server in development mode (without requiring Docker installation)

3. Install the dependencies

   pip install -e .
   

4. Configure environment variables

   cp env.example .env
   

   Add your OPENAI_API_KEY, GITHUB_PERSONAL_ACCESS_TOKEN etc. to the .env