四、LangGraph接入HTTP MCP智能体

1. 接入在线MCP服务流程

        在 SSE (Server-Sent Events) 模式 下，我们可以把 MCP 服务器当成一个已经在网络上跑着的「工具 API」，用 URL 建立事件流、再用 POST /messages 发指令。当前主流的使用形式可以归纳为两大类：自托管启动与平台托管直连。

• 自托管启动（Self-hosted）

  这种方式主要是应用MCP官方的Python / TypeScript MCP SDK 把 Server 代码跑起来（FastAPI / Express 集成）, 程序启动后会打印或返回一个本地或内网 SSE URL，然后便可以用这个 URL 建立事件流接入到OpenAI Agents SDK 框架中。如果需要使用MCP 官方的Python SDK构建SSE 模式的MCP 服务器，可以学习《【加餐】MCP SSE与流式HTTP开发实战】》课程模块，我们这里不再重复讲解。

• 平台托管直连（Platform-hosted）

  诸如 ModelScope的 MCP 广场、mcp.run等社区维护大量 MPC 服务并支持一键启动MCP的SSE 模式。使用的方法非常简单，只需要在平台首页选好MCP Server → 生成一个API-Key，一键生成 SSE URL ，即可直接接入使用。

  对于国内开发者，通过“一键复制 URL + API-Key”就能拿到 SSE 端点的热门网站大致可以分为四类：

1. 专门的 MCP 服务市场/目录（如 MCP Market、AIbase、MCP Server Hub）；

1. 云厂商推出的 官方托管平台（阿里云 “百炼” 与 Higress Marketplace）；

1. 行业 API 已内置 MCP & SSE（百度地图、腾讯位置服务等）；

1. IDE / 客户端集市 把第三方 SSE URL 聚合到本地（Cherry Studio、Cursor）。

MCP 热门导航网站

平台	规模与特点	访问链接
ModelScope MCP 广场	超过 3000+ 个中文托管 MCP；详情页右侧直接复制 SSE URL，部分服务需在“API Key”栏目填 Token	点击进入
MCP Market	标榜“国内首个 MCP 服务市场”，已收录 1W+ SSE Server，并提供云托管与 Playground，一键生成专属 URL	点击进入
AIbase MCP 资源站	整理 GitHub 上的热门 MCP Server 并直接给出 SSE 地址与使用教程	点击进入
MCP Server Hub	国际化，标签筛选 + “Copy URL” 操作流畅，站内统计数千条 SSE Server	点击进入
阿里云 百炼	官方托管“全周期 MCP 服务”，控制台能生成已鉴权的 SSE URL	点击进入

  平台托管直连不需要开发者关心进程与依赖等问题，直接在网页一键生成URL即可接入。下面我们以ModelScope的MCP 广场为例，演示如何在OpenAI Agents SDK框架中通过SSE 模式接入MCP 服务器。

• Step 1. 进入ModelScope的MCP 广场，访问地址：https://www.modelscope.cn/mcp

• Step 2. 点击右上角登录按钮，登录ModelScope账号

•   可以通过手机号注册并登录，注意：国内用户记得选择中国大陆 +86 的手机号注册，否则会提示手机号格式错误。

• Step 3. 挑选MCP 服务，并进入详情页

•   这里我们选择的是12306-MCP车票查询工具，该MCP 服务提供了搜索12306购票信息的功能。

• Step 4. 点击立即使用按钮，进入MCP 服务详情页

•   如果是首次使用，在详情页的最右侧会有一个通过SSE URL连接服务的说明

•   点击连接按钮，即可生成一个SSE URL，如下图所示：

• Step 5. 修改配置文件

JSON {   "mcpServers": {     "12306-mcp": {       "url": "https://mcp.api-inference.modelscope.net/f38521aeede344/sse",       "transport": "sse"     }        }  }

• 实际运行效果

  上述过程中，MCP适配器承担了接口映射的工作——它将 MCP Server 提供的工具描述转化为 LangGraph 的工具对象，包括工具名称、功能说明、输入输出参数类型等。大模型在推理中根据工具描述和对话上下文决定何时调用哪个工具，LangGraph负责将调用意图映射为实际的函数调用。调用时，MCP客户端会将函数参数通过既定格式发送给服务器执行，并将结果以标准化的JSON格式返回给LangGraph代理。这一标准通信过程无需开发者处理底层序列化和协议细节，实现了上下文和数据在 LangGraph 与 MCP 之间的透明传递。模型每次调用工具时，当前对话信息会作为提示的一部分（通常由LangGraph agent在内部prompt中包含工具使用说明），因此模型“知道”何时以及如何使用这些工具来获取所需信息。

2. 搭建可视化MCP智能体开发平台

  掌握了LangGraph 接入 MCP Server 的原理，接下来我们通过一个实际的案例来进一步加深大家对LangGraph + MCP Server的应用。我们实现了一个基于Streamlit的智能AI代理平台，其包含的主要功能是：

• 多MCP工具集成平台：支持动态添加和管理多个MCP（Model Context Protocol）工具

• 智能对话代理：基于LangGraph创建的ReAct（推理-行动）代理，能够智能选择和使用工具

• 可视化Web界面：提供友好的用户界面进行对话和工具管理

• 多模型支持：目前主要支持DeepSeek模型，架构可扩展支持其他LLM

  如下是该系统的运行效果演示：

接下来我们逐步讲解如何在本地部署并启动LangGraph_Multi_MCP应用。

  下载源码文件后，首先需要新建一个venv环境：

  进入该虚拟环境后，进行依赖项的安装：

  接下来，在启动前需要配置.env文件，包含以下配置:

Bash     # === 必需配置 ===     # DeepSeek API密钥（必须）     DEEPSEEK_API_KEY=your_deepseek_api_key_here     # === 可选配置 ===     # 登录功能开关     USE_LOGIN=true                    # true启用登录，false禁用     # 用户认证信息（仅在USE_LOGIN=true时需要）     USER_ID=your_username            # 登录用户名     USER_PASSWORD=your_password      # 登录密码     # LangSmith追踪（可选）     LANGSMITH_TRACING=true     LANGSMITH_API_KEY=your_langsmith_key     LANGSMITH_PROJECT=langgraph_mcp_project

  其次，大家可以参考mcp_server_time.py文件，来实现内置的MCP Server，然后将其写入config.json文件中。

Python     {     "get_current_time": {         "command": "python",         "args": [         "./mcp_server_time.py"         ],         "transport": "stdio"     }     }

  注意：这里可以写多个MCP Server的配置，大家可以根据自己的需求进行开发和应用。注意：前端界面中的添加和删除MCP Server的功能，其实就是对config.json文件的修改。

  修改完以上配置后，便可以在控制台运行项目了。执行如下命令：

Bash     streamlit run app.py

  首次登录时，需要输入用户名和密码，这里的用户名和密码是在.env文件中配置的，按照自己的设置进行登录校验即可。登录成功后，便可以进入系统的主界面进行交互了。