de en es ja ko ru zh

langgraph-mcp

Name: langgraph-mcp
Author: akshay2172

by akshay2172

Overview Schema Related Servers Score Discussions

Local

LangGraph RAG MCP

一个通过模型上下文协议（Model Context Protocol，MCP）提供 LangGraph 文档服务的检索增强生成（RAG）系统。

概述

本系统构建了一个文档检索系统，它可以：

从官方网站收集和处理 LangGraph 文档
按照本文档创建向量数据库，用于语义搜索
通过模型上下文协议（MCP）公开这些知识
与 MCP 兼容的主机集成，如 VS Code、Cursor、Claude Desktop 或 Windsurf

Related MCP server: LangGraph RAG MCP

工作原理

1. 文档收集与处理（上下文）

使用 RecursiveUrlLoader 和 BeautifulSoup，从多个网站 URL 递归抓取并清洗 LangGraph 文档。
借助带 tiktoken 的 RecursiveCharacterTextSplitter 将文本切分为适当的块，从而实现准确的 token 计数。
使用 BAAI/bge-large-en-v1.5 嵌入模型，将文本块转换为向量表示。
将向量存储在 SKLearnVectorStore 中，以便高效检索。

2. 检索系统（工具）

实现一个检索函数，为给定的查询找出最相关的文档块。
将该函数与 Claude 等语言模型集成，以提供基于上下文的响应。
返回包含来源说明和相关上下文的格式化响应。

3. MCP 服务器集成

使用 fastmcp 库将检索工具封装到 MCP 服务器中。
将检索函数作为工具公开，使 MCP 兼容的主机得以调用。
提供对检索系统以及附加资源（如完整文档文件）的访问。

环境要求

Python 3.10 或更高版本
Docker 和 Docker Compose（推荐）
Anthropic API 密钥（用于 Claude 模型）

安装与设置

你可以使用 Docker（推荐）或本地 Python 环境来运行本系统。

使用 Docker（推荐）

克隆仓库：

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

在 .env 文件中设置 API 密钥：

在项目根目录创建一个 .env 文件，并填入你的 Anthropic API 密钥：

echo "ANTHROPIC_API_KEY=your_api_key_here" > .env

docker-compose.yml 文件会自动加载该环境变量。

本地环境（无 Docker）

克隆仓库：

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

创建并激活虚拟环境：

conda create -n mcp python=3.13
conda activate mcp

安装所需依赖包：

pip install -r requirements.txt

在 .env 文件中设置 API 密钥：

echo "ANTHROPIC_API_KEY=your_api_key_here" > .env

使用方法

整个过程主要包含两个步骤：第一步生成向量存储，第二步运行 MCP 服务器。

第 1 步：生成向量存储

你只需要执行一次，或者当你想更新文档时再执行。

在 Jupyter 环境中打开并运行 rag-tool.ipynb 笔记本。
该过程将：
- 下载最新的 LangGraph 文档。
- 将完整文档保存到 llms_full.txt。
- 将文档拆分为多个文本块。
- 在 sklearn_vectorstore.parquet 处创建并保存向量存储。

第 2 步：运行 MCP 服务器

使用 Docker

运行服务器最简单的方式，是使用随附的 shell 脚本（它封装了 Docker Compose）。

bash run-mcp-docker.sh

该脚本会在镜像不存在时构建 Docker 镜像、启动容器，然后在容器内执行 MCP 服务器，并正确支持 MCP 通信所需的输入输出。

不使用 Docker

如果你不使用 Docker，可以通过以下命令，以开发模式直接运行 MCP 服务器：

mcp dev langgraph-mcp.py

配置 MCP 主机

若要在兼容的编辑器中使用该服务器，你需要对其进行配置。

VS Code

打开你的 VS Code settings.json 文件（可通过命令面板打开：Preferences: Open User Settings (JSON)）。
将以下配置添加到文件中。请务必将 <path-to-your-project> 替换为你机器上 langgraph-rag-mcp 目录的绝对路径。

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

不使用 Docker 时，可把 command 改为：

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

系统架构

(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)

参考资料

MCP From Scratch

This server cannot be installed

RayrunBuild, deploy, and operate MCP servers without becoming an infrastructure team.ray.runAd

license - not found

Not graded

quality - not tested

maintenance

How are these scores calculated?

Maintenance

–Maintainers

–Response time

–Release cycle

–Releases (12mo)

Commit activity

Resources

GitHub Repository

Need Help?

Related Servers

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

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)
LangGraph RAG MCP
RAG Systems Documentation Access
pedarias
F
license
Not graded
quality
D
maintenance
Retrieval-Augmented Generation system serving LangGraph documentation through the Model Context Protocol, enabling semantic search and context-aware responses.
Updated a year ago (2025-06-27 13:21 UTC)
16
docrag
RAG Systems Documentation Access
ryan-m-bishop
A
license
Not graded
quality
D
maintenance
Provides RAG (Retrieval Augmented Generation) access to technical documentation through MCP, enabling LLMs to search and retrieve relevant documentation on-demand.
Updated 8 months ago (2026-01-13 15:18 UTC)
4
MIT
groq-docs-mcp
RAG Systems Documentation Access
dhannusch
A
license
Not graded
quality
D
maintenance
Enables users to search Groq's API documentation using natural language queries through an MCP-compatible interface.
Updated a year ago (2025-10-09 20:26 UTC)
MIT

View all related MCP servers

Related MCP Connectors

Dewey
Agentic search over your Dewey document collections from any MCP-compatible client.
agentready-mcp
Query any docs site via MCP. Submit a URL, ask questions, get cited answers.
saagarpatel.dev Portfolio
Agent-native MCP server over the public saagarpatel.dev corpus. Read-only, stateless.

View all MCP Connectors

Latest Blog Posts

Who's Calling? MCP Hosts Are an Identity Blind Spot (And the Spec Knows It)
By Om-Shree-0709 on July 25, 2026.
mcp
Agent Identity
OAuth 2.1
Your AI Chatbot Just Exposed Your CEO's Salary to an Intern
By Om-Shree-0709 on July 2, 2026.
Agent Identity
MCP Security
OAuth Delegation
Why MCP Servers Need Execution Sandboxing (And Why Your Current Stack Isn't Enough)
By Om-Shree-0709 on June 30, 2026.
Agentic Ai
Prompt Injection
WebAssembly

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/akshay2172/langgraph-rag-mcp-server'

If you have feedback or need assistance with the MCP directory API, please join our Discord server

LangGraph RAG MCP

概述

工作原理

1. 文档收集与处理（上下文）

2. 检索系统（工具）

3. MCP 服务器集成

环境要求

安装与设置

使用 Docker（推荐）

本地环境（无 Docker）

使用方法

第 1 步：生成向量存储

第 2 步：运行 MCP 服务器

使用 Docker

不使用 Docker

配置 MCP 主机

VS Code

系统架构

参考资料

Maintenance

Resources

Looking for Admin?

Related MCP Servers

MCP Documentation Server

LangGraph RAG MCP

docrag

groq-docs-mcp

Related MCP Connectors

Latest Blog Posts

MCP directory API