Протокол контекста модели (MCP) — это открытый протокол, который обеспечивает бесшовную интеграцию между LLM-приложениями и внешними источниками данных и инструментами. Будь то создание IDE на базе ИИ, улучшение чат-интерфейса или создание индивидуальных рабочих процессов ИИ, MCP предоставляет стандартизированный способ подключения LLM к нужному им контексту. Представьте MCP как USB-C порт для приложений на базе ИИ. Точно так же, как USB-C предоставляет стандартизированный способ подключения ваших устройств к различным периферийным устройствам и аксессуарам, MCP предоставляет стандартизированный способ подключения моделей ИИ к различным источникам данных и инструментам.

LangGraph — это фреймворк, разработанный для обеспечения бесшовной интеграции языковых моделей в сложные рабочие процессы и приложения. Он делает акцент на модульности и гибкости. Рабочие процессы представлены в виде графов. Узлы соответствуют действиям, инструментам или запросам модели. Рёбра определяют поток информации между ними. LangGraph обеспечивает структурированный, но динамичный способ выполнения задач, что делает его идеальным для написания приложений на основе ИИ, связанных с пониманием естественного языка, автоматизацией и принятием решений.

В этой предыдущей статье мы усовершенствовали шаблон агента поиска LangGraph для разработки и внедрения решения на базе ИИ.

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