一句话速览

本文将深入剖析如何通过 LangGraph、MCP 协议与 ReactAgent 三者融合，构建一个支持多轮对话、工具调用、状态持久化与任务中断的生产级智能代理系统。

---

运行效果

智能问答

一、 智能代理系统的演进需求

随着大模型能力的不断增强，单纯的“问答机器人”已无法满足企业级应用场景。用户期望的是：

• ✅ 多轮对话记忆 —— 能记住上下文，支持连续追问
• ✅ 工具调用能力 —— 可连接数据库、API、业务系统
• ✅ 状态可持久化 —— 对话中断后能恢复现场
• ✅ 任务可中断 —— 用户可随时取消长耗时操作
• ✅ 流式输出体验 —— 实时响应，提升交互感

传统单次 Prompt 调用模式已力不从心。我们需要一个状态驱动、工具感知、可中断、可恢复的智能代理架构 —— 这正是 LangGraph + MCP + ReactAgent 技术组合的价值所在。

---

二、技术组合全景图

技术组件	角色定位	解决的问题
LangGraph	状态图引擎	对话状态管理、流程控制、持久化
MCP协议	工具调用标准协议	统一接入外部工具，解耦工具实现
ReactAgent	推理-行动循环框架	实现“思考→调用→观察→再思考”闭环
LangChain	LLM与工具抽象层	统一模型调用、消息封装、工具集成

💡 本系统通过 create_react_agent 创建基于状态图的代理，使用 MultiServerMCPClient 动态加载工具，通过 InMemorySaver 实现对话状态持久化，最终形成一个高内聚、低耦合、易扩展的智能代理系统。

---

三、核心代码结构详解

1. 初始化与环境配置

```python
def __init__(self):
# 校验环境变量，确保关键配置不缺失
    required_env_vars = [
"MODEL_NAME", "MODEL_TEMPERATURE", "MODEL_BASE_URL",
"MODEL_API_KEY", "MCP_HUB_COMMON_QA_GROUP_URL",
    ]
for var in required_env_vars:
if not os.getenv(var):
            raise ValueError(f"Missing required environment variable: {var}")

# 初始化LLM客户端，支持流式、重试、超时等生产级配置
    self.llm = ChatOpenAI(...)

# 初始化MCP客户端，支持多工具服务器动态接入
    self.client = MultiServerMCPClient({
"mcp-hub": {
"url": os.getenv("MCP_HUB_COMMON_QA_GROUP_URL"),
"transport": "streamable_http",
        },
    })

# 使用内存检查点保存对话状态（生产环境建议替换为Redis）
    self.checkpointer = InMemorySaver()

# 运行中任务字典，用于支持任务取消
    self.running_tasks = {}

🛠️ 设计要点：环境变量校验前置，避免运行时崩溃；工具配置支持热插拔；状态存储可替换，便于扩展。

2. 流式响应封装

@staticmethod
def _create_response(content: str, message_type: str = "continue", data_type: str = DataTypeEnum.ANSWER.value[0]) -> str:
"""
    封装SSE格式响应，支持前端区分消息类型（继续/结束/错误/信息）
    """
    res = {
"data": {"messageType": message_type, "content": content},
"dataType": data_type,
    }
return"data:" + json.dumps(res, ensure_ascii=False) + "\n\n"

🌊 作用：实现真正的流式输出，前端可实时渲染模型思考过程、工具调用、最终答案，大幅提升用户体验。

3. 上下文记忆管理

@staticmethod
def short_trim_messages(state):
"""
    模型调用前自动修剪历史消息，防止上下文溢出
    保留系统消息 + 最新的人类消息序列，确保对话连贯性
    """
    trimmed_messages = trim_messages(
        messages=state["messages"],
        max_tokens=20000,
        token_counter=lambda msgs: sum(len(m.content or "") for m in msgs),
        strategy="last",      # 保留最新消息
        start_on="human",     # 从用户消息开始保留
        include_system=True,  # 必须保留系统提示
    )
return {"llm_input_messages": trimmed_messages}

🧠 智能裁剪：避免因历史消息过长导致模型性能下降或API报错，同时保持对话逻辑连贯。

4. 主运行逻辑：run_agent

async def run_agent(self, query: str, response, session_id: Optional[str] = None, uuid_str: str = None, user_token=None):
"""
    核心执行方法：启动智能代理，处理用户查询，流式返回结果
    支持：身份验证、任务取消、工具调用监听、对话状态持久化、记录存储
    """
# 解码用户Token，获取用户ID作为任务标识
    user_dict = await decode_jwt_token(user_token)
    task_id = user_dict["id"]
    task_context = {"cancelled": False}
    self.running_tasks[task_id] = task_context

    try:
        t02_answer_data = []  # 收集完整回答用于后续存储

# 动态获取可用工具列表
        tools = await self.client.get_tools()

# 使用session_id作为thread_id，实现多轮对话状态隔离
        thread_id = session_id if session_id else"default_thread"
        config = {"configurable": {"thread_id": thread_id}}

# 定义系统提示词，约束模型行为与输出格式
        system_message = SystemMessage(content="""...""")  # 内容略，见完整代码

# 创建React代理，绑定模型、工具、状态管理器和预处理钩子
        agent = create_react_agent(
            model=self.llm,
            tools=tools,
            prompt=system_message,
            checkpointer=self.checkpointer,
            pre_model_hook=self.short_trim_messages,  # 注册消息修剪钩子
        )

# 流式执行代理，监听每一步输出
        async for message_chunk, metadata in agent.astream(
            input={"messages": [HumanMessage(content=query)]},
            config=config,
            stream_mode="messages",
        ):
# 检查任务是否被取消
if self.running_tasks[task_id]["cancelled"]:
                await response.write(self._create_response("\n> 这条消息已停止", "info"))
                await response.write(self._create_response("", "end", DataTypeEnum.STREAM_END.value[0]))
break

# 处理工具调用节点
if metadata["langgraph_node"] == "tools":
                tool_name = message_chunk.name or "未知工具"
                tool_use = "> 调用工具:" + tool_name + "\n\n"
                await response.write(self._create_response(tool_use))
                t02_answer_data.append(tool_use)
continue

# 输出模型生成内容
if message_chunk.content:
                content = message_chunk.content
                t02_answer_data.append(content)
                await response.write(self._create_response(content))
if hasattr(response, "flush"):
                    await response.flush()
                await asyncio.sleep(0)  # 让出事件循环

# 仅在未取消时保存对话记录
if not self.running_tasks[task_id]["cancelled"]:
            await add_user_record(
                uuid_str, session_id, query, t02_answer_data, {},
                DiFyAppEnum.COMMON_QA.value[0], user_token
            )

    except asyncio.CancelledError:
        ... # 处理取消异常
    except Exception as e:
        ... # 处理运行时异常
    finally:
# 清理任务记录
if task_id in self.running_tasks:
            del self.running_tasks[task_id]

⚙️ 核心价值： 状态隔离：通过 thread_id 区分不同用户/会话 工具透明：实时输出工具调用过程，增强可信度 可中断：支持用户主动取消长时间运行任务 可审计：完整记录对话过程，便于复盘与优化

5. 任务取消与状态管理

async def cancel_task(self, task_id: str) -> bool:
"""取消指定任务，通过设置标志位实现优雅中断"""
if task_id in self.running_tasks:
        self.running_tasks[task_id]["cancelled"] = True
return True
return False

def get_running_tasks(self):
"""获取当前所有运行中任务ID，用于监控与管理"""
return list(self.running_tasks.keys())

🚫 用户体验：当模型“思考太久”，用户可点击“停止”按钮，系统立即响应，避免资源浪费与体验卡顿。

6. MCP使用姿势

• streamable_http方式调用

self.client = MultiServerMCPClient({
"mcp-hub": {
"url": "http://xxxx.com",
"transport": "streamable_http",
  }
}

• 本地子进程方式调用三方开源工具

self.client = MultiServerMCPClient({
"undoom-douyin-data-analysis": {
"command": "uvx",
"transport": "stdio",
"args": [
"--index-url",
"https://mirrors.aliyun.com/pypi/simple/",
"--from",
"undoom-douyin-data-analysis",
"undoom-douyin-mcp",
           ],
  },
}

• 本地子进程方式调用本地开发的工具

current_dir = os.path.dirname(os.path.abspath(__file__))
mcp_tool_path = os.path.join(current_dir, "mcp", "query_db_tool.py")
self.client = MultiServerMCPClient({
"query_qa_record": {
"command": "python",
"args": [mcp_tool_path],
"transport": "stdio",
     }
}

---

四、总结

LangGraph + MCP + ReactAgent 的组合，不是简单的技术堆砌，而是面向复杂、真实、生产环境的智能代理架构解决方案。

它解决了传统 Agent 的三大痛点：

❌ 状态丢失 → ✅ LangGraph 状态图持久化 ❌ 工具混乱 → ✅ MCP 协议标准化接入 ❌ 黑盒执行 → ✅ ReactAgent 透明化推理过程

📚 完整代码

参考我的开源项目: git@github.com:apconw/sanic-web.git

🌈 项目亮点

• ✅ 集成 MCP 多智能体架构
• ✅ 支持 Dify / LangChain / LlamaIndex / Ollama / vLLM / Neo4j
• ✅ 前端采用 Vue3 + TypeScript + Vite5，现代化交互体验
• ✅ 内置 ECharts / AntV 图表问答 + CSV 表格问答
• ✅ 支持对接主流 RAG 系统 与 Text2SQL 引擎
• ✅ 轻量级 Sanic 后端，适合快速部署与二次开发

运行效果:

数据问答

五、AI大模型学习路线

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓