LangGraph

LangGraph は大規模言語モデル（LLM）を活用したアプリケーションを開発するためのフレームワークです。

​

前提条件

LangGraph を Connect AI と連携させる前に、以下の準備が必要です。

• Connect AI アカウントにデータソースを接続します。詳細については、ソース を参照してください。
• 設定ページでパーソナルアクセストークン（PAT）を生成します。認証時のパスワードとして使用するため、コピーして保管してください。
• OpenAI API キーを取得します：https://platform.openai.com/。
• LangChain および LangGraph パッケージをインストールするために Python >= 3.10 が必要です。

​

Python ファイルの作成

1. LangGraph MCP 用のフォルダーを作成します。

2. フォルダー内に langraph.py という Python ファイルを作成します。

3. 以下のテキストを langraph.py に貼り付けます。Base64 エンコードされた Connect AI ユーザー名と PAT（前提条件で取得）を指定する必要があります。

   """
   LangGraph + MCP + OpenAI Integration
   Pure LangGraph implementation without LangChain
   """
   import asyncio
   from typing import Any
   from langgraph.graph import StateGraph, START, END
   from langgraph.prebuilt import create_react_agent
   from langchain_mcp_adapters.client import MultiServerMCPClient
   from langchain_openai import ChatOpenAI
   from langchain_core.messages import BaseMessage, HumanMessage, AIMessage, ToolMessage
   from typing_extensions import TypedDict, Annotated
   import operator
   
   class AgentState(TypedDict):
       """State for the LangGraph agent"""
       messages: Annotated[list[BaseMessage], operator.add]
   
   async def main():
       # Configuration
       MCP_BASE_URL = "https://mcp.cloud.cdata.com/mcp"
       MCP_AUTH = "YOUR_BASE64_ENCODED_EMAIL:PAT"
       OPENAI_API_KEY = "YOUR_OPENAI_API_KEY"
       
       # Step 1: Connect to MCP server
       print("🔗 Connecting to MCP server...")
       mcp_client = MultiServerMCPClient(
           connections={
               "default": {
                   "transport": "streamable_http",
                   "url": MCP_BASE_URL,
                   "headers": {"Authorization": f"Basic {MCP_AUTH}"} if MCP_AUTH else {},
               }
           }
       )
       
       # Step 2: Load all available tools from MCP
       print("📦 Loading MCP tools...")
       all_mcp_tools = await mcp_client.get_tools()
       tool_names = [tool.name for tool in all_mcp_tools]
       print(f"✅ Found {len(tool_names)} tools: {tool_names}\n")
       
       # Step 3: Initialize OpenAI LLM
       print("🤖 Initializing OpenAI LLM...")
       llm = ChatOpenAI(
           model="gpt-4o",
           temperature=0.2,
           api_key=OPENAI_API_KEY
       )
       
       # Step 4: Create LangGraph agent
       print("⚙️ Creating LangGraph agent...\n")
       agent = create_react_agent(llm, all_mcp_tools)
       
       # Step 5: Create the graph
       builder = StateGraph(AgentState)
       builder.add_node("agent", agent)
       builder.add_edge(START, "agent")
       builder.add_edge("agent", END)
       graph = builder.compile()
       
       # Step 6: Run agent with your query
       user_prompt = "List down the first record from the Activities table from ActCRM1"
       print(f"❓ User Query: {user_prompt}\n")
       print("🔄 Agent is thinking and using tools...\n")
       
       initial_state = {
           "messages": [HumanMessage(content=user_prompt)]
       }
       
       result = await graph.ainvoke(initial_state)
       
       # Step 7: Print final response
       final_response = result["messages"][-1].content
       print(f"✨ Agent Response:\n{final_response}")
   
   if __name__ == "__main__":
       asyncio.run(main())
   

​

LangChain および LangGraph パッケージのインストール

プロジェクトのルートターミナルで pip install -U langgraph langchain langchain-openai langchain-mcp-adapters typing-extensions を実行します。

​

Python スクリプトの実行

1. インストールが完了したら、python langraph.py を実行してスクリプトを実行します。

2. スクリプトは、LLM が接続されたデータをクエリするために必要な Connect AI MCP ツールを検出します。

3. エージェントにプロンプトを提供します。エージェントが応答を返します。