MCP Zero Langgraph

MCP开发工具

提供方 Hazzng

开发工具 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

MCP-Zero LangGraph集成通过两阶段分层检索技术,智能选择相关工具,适用于需要快速筛选和加载特定工具的开发场景。

一句话选型结论

按资料字段整理

MCP Zero Langgraph 属于开发工具类 MCP 服务器,stdio · 本地进程,无需鉴权,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类开发工具 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

开发工具
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

工具选择Python本地部署分层检索LangGraph集成开发效率智能筛选

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
pip install -e .

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Node.js 等运行时,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
代码与仓库操作

在对话里直接查代码、提 issue、走 PR,省掉来回切工具。

本地命令与脚本

把构建、测试、格式化这类重复命令交给模型执行。

接口联调与测试

让模型调你的接口、跑一遍用例,快速定位问题。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在开发工具场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
MCP Zero Langgraph当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Git 838e2ec1 12 stdio · 本地进程 本地部署 有 2026-05-17
Markitdown MCP 2c653a5f 1 stdio · 本地进程 本地部署 有 2026-05-17
JavaGuide 未标注 stdio · 本地进程 本地部署 有 2026-04-11
awesome-claude-skills 未标注 stdio · 本地进程 本地部署 有 2026-04-26
Context7 831acf40 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

开发工具
字段来自项目仓库与公开索引,中文说明由本站标注
提供方Hazzng上游标注的维护方 Hazzng
分类开发工具本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

8.9 KB
来自项目仓库与上游目录的原文,未做删改

MCP-Zero 与 LangGraph 集成

使用智能MCP工具选择 MCP-Zero的两阶段分层检索,缠绕着 langchain-mcp-adapters 以实现与LangGraph的无缝集成。

特点/功能

  • 零修改 到 langchain-mcp-adapters(易于维护)
  • 搜索空间减少98% (2,797个工具 → 3-5个相关工具)
  • 快速选择 (约1-2秒,包括大型语言模型(LLM)和嵌入向量处理时间)
  • 手动注册表 用于服务器描述(易于管理)
  • 懒加载 (仅从匹配的服务器加载工具)
  • 缓存 (嵌入和工具)
  • 基于诗歌的 依赖管理

建筑学```

User Query
↓
[LLM] Extract server + tool descriptions
↓
[MCP-Zero Stage 1] Match top-5 servers (308 → 5)
↓
[MCP-Zero Stage 2] Match top-3 tools (2,797 → 3)
↓
[MultiServerMCPClient] Load only matched tools
↓
[LangGraph] Reasoning with 3-5 tools


## 安装

### 先决条件

- Python 3.12+
- 诗歌(用于依赖管理)
- Node.js(用于MCP服务器)

### 设置

1. **克隆仓库**```bash
git clone https://github.com/QuangNguyen2609/MCP-Zero-Langgraph
cd mcp-zero-langgraph
  1. 创建一个虚拟环境```bash
    python3.12 -m venv .venv

1. **激活虚拟环境**```bash
# On macOS/Linux
source .venv/bin/activate

# On Windows
.venv\Scripts\activate
  1. 使用 Poetry 安装依赖项```bash
    poetry install

或者如果你更喜欢使用 pip:```bash
pip install -e .
  1. 配置环境变量```bash
    cp .env.example .env

Edit .env with your API keys


1. **配置MCP服务器**
复制示例配置并进行自定义:```bash
cp mcp_servers.example.yaml mcp_servers.yaml

编辑 mcp_servers.yaml 与您的MCP服务器:```yaml
servers:
github:
connection:
transport: stdio
command: npx
args: ["-y", "@modelcontextprotocol/server-github"]
env:
GITHUB_PERSONAL_ACCESS_TOKEN: "${GITHUB_TOKEN}"
metadata:
description: "GitHub repository and issue management"
summary: "Access GitHub APIs to search repositories..."
aliases: ["github", "git", "repository"]
category: "development"


1. **构建嵌入数据集** (一次性设置)```bash
python examples/build_dataset.py

这将会:

  • 连接到所有已配置的MCP服务器
  • 加载所有可用工具
  • 为服务器/工具描述生成嵌入表示
  • 保存带有嵌入信息的数据集(约83 MB)

时间: 根据服务器数量,大约需要5-10分钟。

快速入门

1. 作为库进行安装```bash

pip install git+https://github.com/QuangNguyen2609/MCP-Zero-Langgraph.git


### 2. 创建您的MCP服务器配置

复制示例配置并进行自定义:```bash
cp mcp_servers.example.yaml my_servers.yaml

编辑 my_servers.yaml 与您的MCP服务器一起:```yaml
servers:
github:
connection:
transport: stdio
command: npx
args: ["-y", "@modelcontextprotocol/server-github"]
env:
GITHUB_PERSONAL_ACCESS_TOKEN: "${GITHUB_TOKEN}"
metadata:
description: "GitHub repository management"
summary: "Access GitHub APIs for repos, issues, and PRs"
aliases: ["github", "git", "repo"]
category: "development"


### 3. 构建嵌入数据集(一次性)```python
import asyncio
from mcp_zero_langgraph import build_dataset_from_config
from langchain_openai import OpenAIEmbeddings

async def build():
embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
stats = await build_dataset_from_config(
config_path="my_servers.yaml",
output_path="my_dataset.json",
embedding_client=embeddings
)
print(f"Built: {stats['total_servers']} servers, {stats['total_tools']} tools")

asyncio.run(build())

4. 使用智能工具选择功能```python

import asyncio
from mcp_zero_langgraph import create_tool_selector
from langchain_openai import OpenAIEmbeddings, ChatOpenAI

async def main():

Create embeddings

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")

Create tool selector

selector = await create_tool_selector(
config_path="my_servers.yaml",
dataset_path="my_dataset.json",
embedding_client=embeddings
)

Select tools for a query

tools = await selector.select_tools(
user_query="Search for Python repos on GitHub",
llm=ChatOpenAI(model="gpt-4")
)

print(f"Selected {len(tools)} tools:")
for tool in tools:
print(f" - {tool.name}: {tool.description}")

asyncio.run(main())


### 5. LangGraph 集成```python
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI

async def run_agent(query: str):
"""Run agent with intelligently selected tools."""
# Create LLM
llm = ChatOpenAI(model="gpt-4o")

# Select tools for the query
tools = await selector.select_tools(
user_query=query,
llm=llm
)

# Create ReAct agent with selected tools
agent = create_react_agent(model=llm, tools=tools)

# Run agent
result = await agent.ainvoke({"messages": [("user", query)]})
return result

# Example usage
result = await run_agent("Search for Python repos on GitHub")
print(result["messages"][-1].content)

高级配置

自定义Top-K值```python

from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")

selector = await create_tool_selector(
config_path="my_servers.yaml",
dataset_path="my_dataset.json",
embedding_client=embeddings,
top_servers=10, # Match top-10 servers (default: 5)
top_tools=5 # Match top-5 tools (default: 3)
)


### 获取统计数据```python
stats = selector.get_stats()
print(stats)
# {
#   "embedding_cache_size": 42,
#   "tool_cache_size": 5,
#   "total_servers": 308,
#   "cached_servers": ["github", "filesystem", "postgres"]
# }

项目结构```

mcp-zero-langgraph/
├── mcp_zero_langgraph/ # Main package
│ ├── init.py # Package exports
│ ├── configuration.py # Configuration management
│ ├── server_registry.py # Server configuration loader
│ ├── embedding_builder.py # Dataset builder
│ ├── matcher.py # MCP-Zero two-stage matcher
│ └── tool_selector.py # Main tool selector
├── examples/
│ ├── build_dataset.py # Build embedding dataset
│ ├── simple_usage.py # Basic usage example
│ └── langgraph_agent.py # LangGraph integration example
├── tests/ # Unit tests
├── mcp_servers.example.yaml # Example MCP server configuration
├── pyproject.toml # Poetry configuration
├── .env.example # Environment variables


## 发展

### 安装开发依赖项```bash
poetry install --with dev

运行测试```bash

poetry run pytest


### 格式代码```bash
poetry run black .
poetry run ruff check --fix .

类型检查```bash

poetry run mypy mcp_zero_langgraph


## 建筑优势

### 对 langchain-mcp-adapters 无更改

所有的智慧都在于 **包装层**这意味着:

- 轻松更新 langchain-mcp-adapters,避免冲突
- 清晰的职责分离
- 保持与 langchain-mcp-adapters 更新的兼容性

### 手动注册表控制

服务器描述位于一个(部分/位置) **YAML 配置文件**,所以你可以:

- 精选高质量描述
- 添加别名和分类
- 对您的元数据进行版本控制
- 跨团队共享配置

### 惰性加载(或延迟加载)

工具仅被加载 **按需(的)**:

- 第一阶段匹配服务器(不加载工具)
- 第二阶段匹配工具(仅从匹配的服务器加载)
- 结果:服务器连接数从308减少到5

## 故障排除

### “未找到数据集”

执行构建步骤:```bash
python examples/build_dataset.py

“未选择工具”

检查以下内容:

  1. 你的问题已经足够具体了
  2. YAML中的服务器描述与您的域匹配
  3. 嵌入式API密钥有效(已检查 .env)

“连接被拒绝”

某些MCP服务器可能需要:

  • API密钥(设置在环境变量中)
  • 网络访问
  • 特定的依赖项(npm 包)

查阅MCP服务器的文档。

诗歌安装问题

如果Poetry安装失败:```bash

Update Poetry

poetry update

Clear cache

poetry cache clear . --all

Reinstall

poetry install


## 参考文献

- LangChain-MCP适配器 - LangChain与MCP的集成
- 模型上下文协议 - MCP规范

## 贡献

欢迎投稿!请:

1. 为仓库创建分支(或:克隆仓库)
1. 创建一个特性分支(`git checkout -b feature/amazing-feature`)
1. 提交您的更改(`git commit -m 'Add amazing feature'`)
1. 推送到分支(`git push origin feature/amazing-feature`)
1. 提交一个拉取请求

## 许可证

这个项目遵循MIT许可证授权——详见 许可证 详情请见文件。

## 引用

如果您在研究中使用了此项目,请引用:```bibtex
@software{mcp_zero_langgraph,
title = {MCP-Zero LangGraph Integration},
author = {Nguyen Dang Quang},
year = {2025},
url = {hhttps://github.com/QuangNguyen2609/MCP-Zero-Langgraph}
}

致谢

  • MCP-Zero的两位作者提出了两阶段检索方法
  • LangChain 团队负责 langchain-mcp-adapters

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
MCP Zero Langgraph 怎么安装?

在客户端按下面的安装命令接入:pip install -e .。装完在客户端配置里引用同一个包或端点。

MCP Zero Langgraph 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

MCP Zero Langgraph 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

MCP Zero Langgraph 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

MCP Zero Langgraph 能提供哪些能力?

资料显示能力标签包括 Python、开发工具、命令行工具。具体工具清单以官方文档为准。

MCP Zero Langgraph 需要什么运行环境?

属于本地进程,需要在本机装好运行环境。

MCP Zero Langgraph 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。