de en es ja ko ru zh

langgraph-mcp

Name: langgraph-mcp
Author: Jaynt27

by Jaynt27

Overview Schema Source Related Servers Discussions Admin

Local

LangGraph RAG MCP

Model Context Protocol（MCP）を介して LangGraph のドキュメントを提供する、検索拡張生成（RAG）システムです。

概要

このプロジェクトは、以下のドキュメント検索システムを構築します。

公式ウェブサイトからLangGraph のドキュメントを収集・処理します。
このドキュメントからセマンティック検索用のベクトルデータベースを作成します。
Model Context Protocol（MCP）を通じてこの知識を公開します。
VS Code、Cursor、Claude Desktop、Windsurf などのMCP 互換ホストと統合します。

Related MCP server: AI Research Assistant MCP Server

仕組み

1. ドキュメントの収集と処理（Context）

RecursiveUrlLoader と BeautifulSoup を使用して、複数のウェブサイト URL から LangGraph ドキュメントを再帰的にスクレイピングしてクレンジングします。
正確なトークン数をカウントするため tiktoken を使用し、RecursiveCharacterTextSplitter でテキストを管理可能なチャンクに分割します。
BAAI/bge-large-en-v1.5 エンベディングを使用して、チャンクをベクトル表現に埋め込みます。
効率的な検索のために、SKLearnVectorStore にベクトルを保存します。

2. 検索システム（Tool）

指定されたクエリに対して最も関連性の高いドキュメントチャンクを見つける検索関数を実装します。
この関数を Claude などの言語モデルと統合し、コンテキストに応じた応答を提供します。
出典情報と関連コンテキストを含む、整形された応答を返します。

3. MCP サーバーの統合

fastmcp ライブラリを使用して、検索ツールを MCP サーバーでラップします。
検索関数を、MCP 互換ホストが使用できるツールとして公開します。
検索システムと追加リソース（完全なドキュメントファイルなど）の両方へのアクセスを提供します。

必要条件

Python 3.10+
Docker と Docker Compose（推奨）
Anthropic API キー（Claude モデル用）

インストールとセットアップ

このプロジェクトは、Docker（推奨）またはローカル Python 環境のどちらでも実行できます。

Docker を使用する場合（推奨）

このリポジトリをクローンします：

git clone https://github.com/yourusername/langraph-rag-mcp.git
cd langraph-rag-mcp

.env ファイルに API キーを設定します： プロジェクトのルートに .env ファイルを作成し、Anthropic API キーを追加してください：
```
echo "ANTHROPIC_API_KEY=your_api_key_here" > .env
```
docker-compose.yml ファイルは、この環境変数を自動的に読み込みます。

ローカル環境（Docker を使用しない場合）

このリポジトリをクローンします：

git clone https://github.com/yourusername/langraph-rag-mcp.git
cd langraph-rag-mcp

仮想環境を作成して有効化します：

conda create -n mcp python=3.13
conda activate mcp

必要なパッケージをインストールします：
```
pip install -r requirements.txt
```
.env ファイルに API キーを設定します：
```
echo "ANTHROPIC_API_KEY=your_api_key_here" > .env
```

使用方法

このプロセスは、主に 2 つのステップで構成されます。まずベクトルストアを生成し、次に MCP サーバーを実行します。

ステップ 1: ベクトルストアを生成する

この手順は、一度だけ、またはドキュメントを更新したいときに行います。

Jupyter 環境で rag-tool.ipynb ノートブックを開いて実行します。
これにより、以下が行われます：
- 最新の LangGraph ドキュメントをダウンロードします。
- 完全なドキュメントを llms_full.txt に保存します。
- ドキュメントをチャンクに分割します。
- sklearn_vectorstore.parquet にベクトルストアを作成して永続化します。

ステップ 2: MCP サーバーを実行する

Docker を使用する場合

サーバーを実行する最も簡単な方法は、Docker Compose をラップした提供済みのシェルスクリプトを使用することです。

bash run-mcp-docker.sh

このスクリプトは、Docker イメージが存在しない場合はビルドし、コンテナを起動して、その内部で MCP サーバーを実行します。MCP 通信用の標準入出力を正しく処理します。

Docker を使用しない場合

Docker を使用しない場合は、次のコマンドで MCP サーバーを dev モードで直接実行できます：

mcp dev langgraph-mcp.py

MCP ホストの設定

この MCP サーバーを互換性のあるエディターで使用するには、設定が必要です。

VS Code

VS Code の settings.json ファイルを開きます。（コマンドパレットから Preferences: Open User Settings (JSON) で見つけることができます）。
以下の設定をファイルに追加します。<path-to-your-project> を、お使いの環境の langraph-rag-mcp ディレクトリの絶対パスに必ず置き換えてください。

"mcp.servers": [
    {
        "name": "langgraph-mcp",
        "command": [
            "/bin/bash",
            "<path-to-your-project>/run-mcp-docker.sh"
        ],
        "env": {
            "ANTHROPIC_API_KEY": "<your-anthropic-api-key>"
        }
    }
]

Docker を使用しない場合は、command を次のように変更します：

"command": [
    "<path-to-your-conda-env>/bin/python",
    "<path-to-your-project>/langgraph-mcp.py"
]

システムアーキテクチャ

(Phase 1: Data Ingestion - Performed once on Host Machine)
┌─────────────┐      ┌──────────────────┐      ┌───────────────────────────────┐
│ LangGraph   │      │ Jupyter Notebook │      │ Vector Store & Full Docs      │
│ Docs (Web)  │───▶  │ (rag-tool.ipynb) │───▶  │ (.parquet & .txt files)       │
└─────────────┘      └──────────────────┘      └───────────────────────────────┘


(Phase 2: Live RAG System - Request/Response Flow)
┌──────────────┐                             ┌─────────────┐
│   VS Code    │                             │  .env file  │
│(User Interface)│                             │ (API KEY)   │
└──────┬───────┘                             └──────┬──────┘
       │ 1. User Query                             │ (provides)
       ▼                                           │
┌──────┴───────────────────────────────────────────┴───────────────────────────────┐
│ Host Machine Boundary                                                            │
│                                                                                  │
│      ┌────────────────────┐          ┌─────────────────────────────────────────┐ │
│      │ run-mcp-docker.sh  │ 2. Execs │  🐳 Docker Container                      │ │
│      │ (Entrypoint Script)│────▶     │                                         │ │
│      └────────────────────┘          │  ┌───────────────────────────────────┐  │ │
│                                      │  │   🐍 Python MCP Server              │  │ │
│      ▲                             ◀─┼──│   (langgraph-mcp.py)              │  │ │
│      │ 7. Final Response             │  └───────────────┬───────────────────┘  │ │
│      │                               │                  │ 3. Reads Data From  │ │
│      └───────────────────────────────│──────────────────│─────────────────────┘ │
│                                      │                  │                       │
│                                      │                  ▼                       │
│                                      │  ┌───────────────────────────────────┐  │
│ (files mounted from Host) ············  │   Mounted Vector Store & Docs     │  │
│                                      │  └───────────────────────────────────┘  │
│                                      └─────────────────────────────────────────┘ │
│                                                                                  │
└──────────────────────────────────────────────────────────────────────────────────┘
                                                        │ 4. API Call
                                                        │    (sends augmented prompt)
                                                        ▼
                                             ┌────────────────────┐
                                             │ ☁️ Anthropic API   │
                                             │   (Claude LLM)     │
                                             └──────────┬─────────┘
                                                        │ 5. Generation
                                                        │
                                                        ◀························
                                                          6. Returns Response
                                                          (to MCP Server)

リソース

MCP From Scratch

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivitySlowing

ResponsivenessNo issues

Resources

GitHub Repository

Need Help?

Related Servers

Related MCP Connectors

langchain
io.github.doc2mcp
MCP server for langchain documentation, generated by doc2mcp.
Documentation Access AI & Machine Learning
24
agentready-mcp A
io.github.AshutoshRaj97
Query any docs site via MCP. Submit a URL, ask questions, get cited answers.
Documentation Access Search
822
saagarpatel.dev Portfolio A
io.github.saagpatel
Agent-native MCP server over the public saagarpatel.dev corpus. Read-only, stateless.
Search Documentation Access
82
ctx A
io.github.vanshulgoyal101
Turn a GitHub repo or docs site into agent-ready context: pack it or search it, over MCP.
RAG Systems Search Documentation Access
611

Related MCP Servers

MCP Documentation Server
Documentation Access Developer Tools App Automation
esakrissa
F
license
Not graded
quality
D
maintenance
A customized MCP server that enables integration between LLM applications and documentation sources, providing AI-assisted access to LangGraph and Model Context Protocol documentation.
Updated a year ago (2025-06-15 10:09 UTC)
-
AI Research Assistant MCP
RAG Systems Search AI & Machine Learning
sagarkpoojary
F
license
Not graded
quality
D
maintenance
An MCP-based AI agent that retrieves and processes documents to answer queries using a RAG pipeline with LangChain and Claude models. It enables document indexing, context-aware retrieval, and multi-tool orchestration for research and knowledgebase applications.
Updated 6 months ago (2026-04-21 06:11 UTC)
1
-
LangGraph RAG MCP
RAG Systems Documentation Access
pedarias
F
license
B
quality
C
maintenance
Retrieval-Augmented Generation system serving LangGraph documentation through the Model Context Protocol, enabling semantic search and context-aware responses.
Updated 12 days ago (2026-09-28 19:09 UTC)
2
16
-
langgraph-mcp
RAG Systems Documentation Access Vector Databases
akshay2172
F
license
Not graded
quality
C
maintenance
Enables MCP-compatible hosts to retrieve LangGraph documentation through retrieval-augmented generation, with source attribution for responses.
Updated 2 months ago (2026-08-24 10:46 UTC)
-

LangGraph RAG MCP

概要

仕組み

1. ドキュメントの収集と処理（Context）

2. 検索システム（Tool）

3. MCP サーバーの統合

必要条件

インストールとセットアップ

Docker を使用する場合（推奨）

ローカル環境（Docker を使用しない場合）

使用方法

ステップ 1: ベクトルストアを生成する

ステップ 2: MCP サーバーを実行する

Docker を使用する場合

Docker を使用しない場合

MCP ホストの設定

VS Code

システムアーキテクチャ

リソース

Maintenance

Resources

Related MCP Connectors

Related MCP Servers

MCP Documentation Server

AI Research Assistant MCP

LangGraph RAG MCP

langgraph-mcp