MCP開發入門

官方文檔: https://modelcontextprotocol.io/introduction
入門教程: https://github.com/liaokongVFX/MCP-Chinese-Getting-Started-Guide

• 本文源代碼：https://github.com/youngqqcn/mcp-server-demo

什么是MCP？

模型上下文協議（MCP）是一個創新的開源協議，它重新定義了大語言模型（LLM）與外部世界的互動方式。MCP 提供了一種標準化方法，使任意大語言模型能夠輕松連接各種數據源和工具，實現信息的無縫訪問和處理。MCP 就像是 AI 應用程序的 USB-C 接口，為 AI 模型提供了一種標準化的方式來連接不同的數據源和工具。

MCP 有以下幾個核心功能：

• Resources 資源
• Prompts 提示詞(模板)， 用于給客戶端提供提示詞模板
• Tools 工具
• Sampling 采樣
• Roots 根目錄
• Transports 傳輸層
  • stdio 用于本地
    • 通過 uvx 或 npx 跑一個本地服務供mcp客戶端（也是大模型客戶端）調用
  • streamable http 最新的
  • http + sse : 已廢棄，老的mcp依然使用

MCP客戶端:

• Claude App (要翻墻)
• Cusor
• Vscode
• Cherry Studio
• …

mcp的資源

目前 MCP 非常火爆，很多開發者參與:

• https://github.com/modelcontextprotocol/servers/tree/main/src

• https://mcp.so/

• https://www.modelscope.cn/mcp

• https://github.com/punkpeye/awesome-mcp-servers/tree/main

MCP的工作原理

關于mcp工作過程 https://zhuanlan.zhihu.com/p/29001189476

• 1, 用戶使用客戶端（如 Cursor, Cherry Studio）, 并指定開啟的mcp工具，并向大模型提出問題
• 2, 客戶端將問題發大模型，同時附帶上可使用的mcp工具列表
• 3, 如果大模型需要調用mcp工具獲取外部數據，大模型會中斷并返回需要調用的工具列表, 并包含一個中斷原因: tool_call; 如果不需要調用工具，則直接返回結果
• 4, 客戶端根據大模型返回的工具列表，調用相應的mcp工具, 獲取外部數據
• 5, 客戶端將獲取到的數據，傳遞給大模型
• 6, 大模型根據獲取到的數據，繼續處理問題
• 7, 大模型返回結果
• 8, 客戶端將結果返回給用戶

MCP server 開發

官方文檔: https://modelcontextprotocol.io/introduction
Python SDK: https://github.com/modelcontextprotocol/python-sdk

支持 Python, Typescript, Java …

這里以 Python 為例, 用 uv創建一個項目

如果沒有安裝 uv, 請先安裝 uv: https://docs.astral.sh/uv/getting-started/installation/

uv init mcp-server-democd mcp-server-demouv add "mcp[cli]"source .venv/bin/activate

創建一個 add_server.py, 代碼:

# server.py
from mcp.server.fastmcp import FastMCP# Create an MCP server
mcp = FastMCP("Demo")# Add an addition tool
@mcp.tool()
def add(a: int, b: int) -> int:"""Add two numbers"""return a + b# Add a dynamic greeting resource
@mcp.resource("greeting://{name}")
def get_greeting(name: str) -> str:"""Get a personalized greeting"""return f"Hello, {name}!"if __name__ == "__main__":# Start the servermcp.run(transport="streamable-http")

調試 MCP server:

• 測試/調試MCP程序, 啟動2個終端

• 在一個終端運行 mcp 服務, streamable-http 默認監聽 8000 端口 和 mcp端點 python add_server.py

• 在另外一個終端中, 啟動一個測試客戶端 mcp dev add_server.py

  

• 瀏覽器打開 http://127.0.0.1:6274

• Transport 選擇 streamable-http

• URL 填入 http://localhost:8000/mcp

• 點擊 Connect, 可以看到連接成功

• 然后點擊 Tools, 點擊 List Tools 列出所有的工具

• 點擊 add 進行測試, 輸入 a 和 b 的值, 點擊 Run Tool, 可以看到返回結果

在客戶端使用 MCP server

在 Cherry Studio 中使用上面的 add MCP server

• 下載 Cherry Studio
  

在 Cherry Studio 中選擇支持工具調用的大模型(帶工具icon的模型)

在對話中，開啟我們剛才添加的 my_test_add工具:

因為我們這個add工具過于簡單，如果直接問大模型 100 + 3 等于多少，模型會直接返回結果，而不會調用我們添加的 add 工具 ， 因此，我們這里需要換種方式提問，以便大模型能夠調用我們添加的 add 工具

可見， 大模型調用了我們添加的 add 工具，并返回了正確結果