Votre application sait exécuter un agent. Pathbound donne à cet agent les éléments sur le client qu’il ne trouve ni dans le modèle ni dans l’état de l’application : le contact résolu, l’entreprise, les conversations et l’activité récente derrière la demande.
Les adaptateurs MCP officiels de LangChain transforment les outils distants de Pathbound en outils LangChain ordinaires. Chargez-les une fois au démarrage de l’application, puis passez la liste d’outils obtenue à un agent LangChain ou à un nœud d’outils LangGraph.
Un seul serveur HTTP distant pour les profils clients, les entreprises, les événements, les chronologies, les conversations et l’agrégation côté serveur.
Les mêmes objets outils dans LangChain et LangGraph : passer d’un agent préconstruit à un graphe explicite ne demande pas d’autre intégration Pathbound.
Des adaptateurs Python et TypeScript maintenus dans les projets LangChain, avec des en-têtes bearer statiques pour une application déployée ou headless.
Le choix du modèle reste dans votre application. Pathbound fournit le contexte client et n’appelle pas le modèle à votre place.
Créez une clé API Pathbound restreinte, gardez-la dans l’environnement de l’application et enregistrez Pathbound comme serveur MCP HTTP distant. Les exemples chargent les outils obtenus dans un agent LangChain standard ; ces mêmes outils peuvent être passés à un ToolNode LangGraph.
Installez langchain-mcp-adapters en complément des paquets LangChain ou LangGraph que l’application utilise déjà.
Créez une clé API REST Pathbound limitée aux autorisations dont cet agent a besoin, et stockez-la dans PATHBOUND_API_KEY. Ne commitez pas la clé.
Configurez MultiServerMCPClient avec l’endpoint Pathbound, le transport HTTP et un en-tête bearer Authorization.
Appelez get_tools(), puis passez les outils renvoyés à create_agent ou à un ToolNode LangGraph. Commencez par les outils de lecture avant d’activer la moindre écriture.
import os
from langchain.agents import create_agent
from langchain_mcp_adapters.client import MultiServerMCPClient
client = MultiServerMCPClient({
"pathbound": {
"transport": "http",
"url": "https://mcp.pathbound.ai/mcp",
"headers": {
"Authorization": f"Bearer {os.environ['PATHBOUND_API_KEY']}"
},
}
})
tools = await client.get_tools()
agent = create_agent("openai:gpt-5.5", tools)Installez @langchain/mcp-adapters en complément des paquets LangChain de l’application.
Stockez une clé API REST Pathbound restreinte dans la variable PATHBOUND_API_KEY de l’environnement d’exécution.
Ajoutez Pathbound sous mcpServers avec le transport HTTP et un en-tête bearer Authorization.
Appelez getTools() et passez le résultat à createAgent ou au nœud d’outils LangGraph.js qu’utilise l’application.
import { createAgent } from "langchain";
import { MultiServerMCPClient } from "@langchain/mcp-adapters";
const client = new MultiServerMCPClient({
mcpServers: {
pathbound: {
transport: "http",
url: "https://mcp.pathbound.ai/mcp",
headers: {
Authorization: `Bearer ${process.env.PATHBOUND_API_KEY}`,
},
},
},
useStandardContentBlocks: true,
});
const tools = await client.getTools();
const agent = createAgent({ model: "openai:gpt-5.5", tools });Une fois la connexion faite, voici de vraies missions que LangChain & LangGraph exécute sur vos données clients. Chaque recette tient en un prompt testé : collez-le et lancez-vous.
Renseignez-vous sur chaque personne inscrite à l’essai au cours des dernières 24 heures. Pour chacune, récupérez son profil et les informations sur son entreprise, regardez ce qu’elle a fait sur notre site et dans le produit, et déterminez qui elle est et si le compte correspond à notre cible. Rédigez une courte synthèse en note sur chaque contact (qui c’est, ce que la personne a fait, verdict, accroche suggérée), puis donnez-moi la liste classée de la plus prometteuse à la moins prometteuse, avec pour chacune une ligne qui explique pourquoi.Voir la recette complète : Recherche sur les nouveaux essais
D’autres missions dans les cas d’usage, chacune avec un prompt testé.
Non. Les adaptateurs MCP de LangChain renvoient des outils LangChain standard. Passez les mêmes outils à un agent préconstruit ou à un ToolNode LangGraph. L’URL de connexion et l’identifiant ne changent pas.
Un processus serveur utilise normalement une clé API REST Pathbound restreinte, stockée dans son environnement. N’implémentez l’OAuth interactif que si chaque utilisateur final doit connecter sa propre identité et ses propres permissions Pathbound. Ne partagez pas une même clé d’espace de travail entre plusieurs clients de votre propre application, sauf si ce modèle d’accès est voulu.
Oui. Gardez PATHBOUND_API_KEY dans l’environnement de déploiement et initialisez le client MCP dans le code du graphe ou de l’application. LangSmith Deployment change l’endroit où l’application s’exécute ; il ne demande pas d’autre endpoint Pathbound.
Les clients multi-serveurs de LangChain sont sans état par défaut. Cela convient à Pathbound, car l’état des clients est conservé côté serveur et non dans la session MCP. N’utilisez une gestion explicite des sessions que si un autre serveur ou un workflow l’exige.
Pas forcément. Commencez par les outils de lecture nécessaires à la mission et filtrez la liste chargée avant de la lier au modèle. N’ajoutez des outils d’écriture que lorsque le workflow l’exige, et placez des étapes d’approbation ou des contrôles de règles autour du nœud d’outils correspondant.
Oui. L’adaptateur MCP produit des outils LangChain indépendamment du modèle. Utilisez l’intégration de modèle LangChain que l’application a déjà choisie, qu’il s’agisse d’OpenAI, d’Anthropic, de Google ou d’un autre fournisseur.
Inscrivez-vous, connectez un CRM ou ajoutez le snippet d’événements, puis pointez votre client MCP sur mcp.pathbound.ai/mcp.