> ## Documentation Index
> Fetch the complete documentation index at: https://docs.cloud.cdata.com/llms.txt
> Use this file to discover all available pages before exploring further.

# 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](/ja/Sources) を参照してください。
* [設定](/ja/Settings#personal-access-tokens)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/](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

<Steps>
  <Step>
    LangGraph MCP 用のフォルダーを作成します。
  </Step>

  <Step>
    フォルダー内に `langraph.py` という Python ファイルを作成します。
  </Step>

  <Step>
    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。

    ```bash expandable theme={null}
    """
    Simple 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())
    ```
  </Step>
</Steps>

## 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

<Steps>
  <Step>
    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。
  </Step>

  <Step>
    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。
  </Step>

  <Step>
    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。

    <Frame>
      <img src="https://mintcdn.com/cdata/tJfdD354GT5ojxph/ja/images/langgraph_client_terminal.png?fit=max&auto=format&n=tJfdD354GT5ojxph&q=85&s=2faca17ecee1945e19426042bd05d26e" alt="" width="1737" height="798" data-path="ja/images/langgraph_client_terminal.png" />
    </Frame>
  </Step>
</Steps>