Tutorial MCP + LangGraph

Este projeto demonstra como integrar o Model Context Protocol (MCP) com LangGraph para criar um agente ReAct inteligente que pode acessar dados financeiros em tempo real.

Objetivo

Como criar um servidor MCP com ferramentas personalizadas
Como conectar um agente LangGraph ao servidor MCP
Como implementar memoria de conversacao persistente
Como usar ferramentas de analise financeira via MCP

Related MCP server: A Share MCP

Pre-requisitos

Python 3.13+
Chaves de API do OpenAI e/ou Groq
FastMCP
LangGraph MCP Adapter

Instalacao

1. Instalar UV (Gerenciador de Pacotes Python)

Windows:

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

macOS/Linux:

curl -LsSf https://astral.sh/uv/install.sh | sh

2. Clonar e Configurar o Projeto

# Clone o repositorio git clone https://github.com/gustavo-sacchi/tutorial_mcp_langgraph.git cd tutorial_mcp_langgraph # Instale as dependencias e crie o ambiente virtual uv sync # Configure as variaveis de ambiente cp .env.exemple .env

3. Configurar Chaves de API

Edite o arquivo .env e adicione suas chaves:

OPENAI_API_KEY=sua-chave-openai-aqui GROQ_API_KEY=sua-chave-groq-aqui

Como Usar

1. Iniciar o Servidor MCP

Em um terminal:

uv run server_mcp.py

O servidor estara disponivel em http://localhost:4200

2. Executar o Cliente (Agente)

Em outro terminal:

uv run client_mcp.py

3. Interagir com o Agente

Agora voce pode fazer perguntas sobre financas:

User: Qual e o preco atual da acao da Apple? User: Me de um resumo completo da VALE3.SA User: Pesquise noticias recentes sobre investimentos em IA

Testando o MCP

Para testar a interface MCP diretamente:

npx @modelcontextprotocol/inspector uv run server_mcp.py

Arquitetura

┌─────────────────┐ HTTP ┌─────────────────┐ │ Client │◄──────────►│ MCP Server │ │ (LangGraph) │ │ (FastMCP) │ │ │ │ │ │ • ChatOpenAI │ │ • YFinance │ │ • ReAct Agent │ │ • DuckDuckGo │ │ • Memory │ │ • Web Scraping │ └─────────────────┘ └─────────────────┘