探索 MCP-我的学习与实践笔记

[JustW]

👋 今天我们要一起探索 Model Context Protocol (MCP)！你可能听说过各种 AI 大模型，比如 ChatGPT 、文心一言等等，它们能聊天、写代码、甚至画画，简直无所不能！

🤔 但是，你有没有想过，这些 AI 大模型是怎么跟现实世界交互的呢？比如，你怎么让 AI 帮你查天气、订机票、控制家里的智能灯泡？这时候，MCP 就派上用场啦！

🌟 MCP 就像一个“万能插座”，让 AI 大模型可以安全、方便地连接各种各样的“电器”（也就是我们说的工具，比如查天气的 API 、控制灯泡的程序等等）。有了 MCP ，你的 AI 就能真正地“动起来”，而不仅仅是“说起来”！

🧐 你是否曾梦想过，你的 AI 助手不仅能和你聊天，还能帮你完成各种实际任务？比如，当你对 AI 说“帮我预订明天早上 8 点飞往北京的航班”时，它真的能帮你订好机票，而不是仅仅回复你“好的，正在为您搜索航班信息……”？

本文将带你从零开始，用 Python 搭建一个简单的 MCP 应用，让你亲身体验 AI 调用工具的魅力！

💡 MCP 核心概念

在正式开始写代码之前，我们需要先了解几个 MCP 的核心概念：

• MCP (Model Context Protocol): 模型上下文协议。它不是一个具体的软件，而是一套“规则”或者“约定”。这套规则定义了 AI 模型（比如大型语言模型 LLM ）如何与外部世界（各种工具、服务、数据）安全、高效地交互。你可以把它想象成一个“翻译官”，让 AI 听懂各种“方言”（不同的工具/服务的接口），也能让各种工具/服务听懂 AI 的“指令”。
• 核心思想: 将 AI 模型的功能和对接到 AI 模型的工具(tool),数据(resource),提示(prompt)分离开, 独立部署, 让 AI 可以随意连接各种工具,数据以及使用各种提示!
• MCP 主机 (MCP Host): 运行 AI 模型和 MCP 客户端的应用程序。常见的 MCP 主机有：
  • Claude Desktop: Anthropic 公司的桌面客户端，内置了 MCP 支持。
  • IDE 集成: 像 VS Code 、Cursor 等 IDE 可以通过插件支持 MCP 。
  • 自定义应用: 你自己开发的任何集成了 MCP 客户端的应用程序。
• MCP 客户端 (MCP Client): 负责与 MCP 服务器通信的组件。它通常集成在 MCP 主机中。客户端的主要职责是：
  • 发现和连接 MCP 服务器。
  • 向 MCP 服务器请求可用的工具、资源、提示等信息。
  • 根据 AI 模型的指令，调用 MCP 服务器提供的工具。
  • 将工具的执行结果返回给 AI 模型。
• MCP 服务器 (MCP Server): 提供具体功能（工具）和数据（资源）的程序。你可以把它想象成一个“技能包”，AI 模型可以通过 MCP 客户端“调用”这些技能。MCP 服务器可以：
  • 访问本地数据（文件、数据库等）。
  • 调用远程服务（ Web API 等）。
  • 执行自定义的逻辑。
• 本地数据源 (Local Data Source): 位于 MCP 服务器本地的数据，如文件、数据库等。
• 远程服务 (Remote Service): MCP 服务器通过网络访问的服务，如各种 Web API 。
• 资源 (Resource): 服务端提供的数据，比如天气信息、歌曲列表等等。
• 工具 (Tool): 服务端提供的功能，比如查询天气、播放音乐等等。
• Prompt: 预设的提示, 用于引导 AI 输出.

🛠️ 准备工作

在开始之前，我们需要准备一些工具：

1. Python 环境: 确保你已经安装了 Python 3.10 或更高版本。
2. 文本编辑器: 推荐使用 VS Code ，因为它有很多好用的插件，可以帮助我们更高效地编写代码。
3. 终端: 在 Windows 上可以使用 PowerShell 或 CMD ，在 macOS 或 Linux 上可以使用 Terminal 。
4. 一点点耐心和好奇心！ 😉

🏗️ 搭建 MCP 服务端

我们的第一个任务是搭建一个 MCP 服务端。这个服务端会提供一个简单的“计算器”工具，让 AI 可以进行加法运算。下面以 windows 电脑为例,其他系统请参考: https://modelcontextprotocol.io/quickstart

1. 创建项目目录:

   在 powershell 中执行下面的命令

   mkdir mcp-demo
   cd mcp-demo
   

2. 创建虚拟环境 (推荐):

   用 uv 创建,更方便快捷! uv 通常指一个环境配置工具，用于简化开发环境的搭建流程。

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

   

   有的可能需要手动配置环境变量,可以参考控制台给出的提示进行配置!

   

   下面为创建目录以及激活环境,安装依赖!

   # Create a new directory for our project
   uv init calculate
   cd calculate
   
   # Create virtual environment and activate it
   uv venv
   .venv\Scripts\activate
   
   # Install dependencies
   uv add mcp[cli] httpx
   
   # Create our server file
   new-item calculate.py
   

1. 打开刚刚创建的目录，并编写以下代码：

   

   from mcp.server.fastmcp import FastMCP
   
   # 创建 FastMCP 服务端实例，命名为 "add-server"
   mcp = FastMCP("add-server")
   
   # 使用 @mcp.tool() 装饰器定义一个名为 "add" 的工具
   @mcp.tool()
   def add(a: int, b: int) -> int:
       """
       计算两个整数的和。
   
       Args:
           a: 第一个整数。
           b: 第二个整数。
   
       Returns:
           两个整数的和。
       """
       return a + b
   
   # 主程序入口
   if __name__ == "__main__":
       # 启动服务端，使用 stdio 作为传输方式
       mcp.run(transport='stdio')
   

2. 运行命令测试:

   mcp dev calculate.py
   

   如果一切正常，你应该能在终端看到类似下面的输出：

   Starting MCP inspector...
   Proxy server listening on port 3000
   
   🔍 MCP Inspector is up and running at http://localhost:5173 🚀
   

   这表示你的 MCP 服务已经成功启动了！访问终端输出的地址,即可进行调试!

   

3. 客户端调用:

   我这里使用的是 cursor,更多支持的客户端可以查看 https://modelcontextprotocol.io/clients

   

   

   这里的路径请调整为自己的路径,注意必须使用绝对路径

   {
       "mcpServers": {
         "add-server": {
           "command": "E://mcp-demo//calculate//.venv//Scripts//python.exe",
           "args": ["E://mcp-demo//calculate//calculate.py"]
         }
       }
     }
   

   配置之后,启用刚刚添加的 mcp server, 对话框中选择 agent,然后提问即可,注意,启用时会自动启动一个控制台,请不要关闭! 这个一旦关闭，Cursor 就检测不到你的 MCP 工具

   

Cherry Studio 中进行调用本地 mcp server,使用 uvx 始终不成功,最终使用下面方式实现! 有知道原因的可以留言指导我一下!! 参考文档: https://vaayne.com/posts/2025/how-to-use-mcp-in-cherry-studio/

📱 搭建 MCP 客户端

接下来，我们要搭建一个 MCP 客户端，参考代码见下面这个地址中的 main.py!

代码地址: https://github.com/modelcontextprotocol/python-sdk/tree/main/examples/clients/simple-chatbot/mcp_simple_chatbot

那么，这份代码是怎么把它们串起来，让 AI 帮你调用工具的呢？主要分三步：

1. 🎁 把工具清单告诉 AI

首先，我们要让 AI 知道 MCP Server 都有哪些工具可用。这一步就像是给 AI 一份“工具清单”。

这份代码里，有一个 Tool 类，专门用来描述工具的信息，包括：

• name（工具名称）：比如 "image_generator"（图片生成器）
• description（工具描述）：告诉 AI 这个工具是干嘛的，比如“根据你的描述生成一张图片”
• input_schema（输入格式）：告诉 AI 使用这个工具需要提供哪些信息，比如“图片的描述”

然后，format_for_llm() 方法会把这些信息整理成一段通俗易懂的文字，就像这样：

Tool: image_generator
Description: 根据你的描述生成一张图片
Arguments:
- description: 你想要生成的图片是什么样的？ (required)

看到了吧？这份“工具清单”是不是很清晰？ AI 一看就知 道有哪些工具可以用，以及每个工具怎么用。

在 ChatSession 类的 start 方法中，程序会：

1. 从每个 MCP Server 获取工具列表。
2. 将所有工具的信息格式化成一段文字（tools_description）。
3. 把这段文字放到一个“系统提示”（system_message）里，告诉 AI：“你有这些工具可以用哦！”

2. 🤔 AI 分析你的需求，决定用哪个工具

现在，AI 已经知道了有哪些工具可用。接下来，当你向 AI 提问时，它就会分析你的需求，看看需不需要调用工具。

比如，你问：“帮我画一张日落时海滩的图片。”

AI 会想：“嗯，这个需求跟‘图片生成器’工具很匹配，我应该调用它。”

但是，AI 怎么告诉程序它要调用哪个工具呢？这里有一个关键的约定：

AI 必须按照特定的 JSON 格式回复！

代码里的 system_message 特别强调了这一点：

IMPORTANT: When you need to use a tool, you must ONLY respond with the exact JSON object format below, nothing else:

{
"tool": "tool-name",
"arguments": {
  "argument-name": "value"
}
}

也就是说，如果 AI 想调用“图片生成器”工具，它必须回复一段类似这样的 JSON：

{
    "tool": "image_generator",
    "arguments": {
        "description": "日落时海滩的图片"
    }
}

ChatSession 的 process_llm_response方法专门处理 AI 的 JSON 回复. 检查是否包含 "tool" 和 "arguments" 键。

3. 🛠️ 执行工具调用，获取结果

最后一步，就是根据 AI 的指示，真正地去调用工具了。

ChatSession 类的 process_llm_response 方法会：

1. 接收到 AI 的回复。
2. 尝试把回复解析成 JSON 格式。
3. 如果解析成功，并且发现 AI 要调用工具：
   • 找出是哪个 MCP Server 提供了这个工具。
   • 调用 Server 类的 execute_tool 方法，执行工具。
   • 把工具的执行结果返回给 AI 。

Server 类的 execute_tool 方法负责与 MCP Server 通信，发送工具调用请求，并获取结果。它还有重试机制，确保工具调用更可靠。

最后，AI 会根据工具的返回结果，用自然语言给你一个最终的答复。

整个过程就像这样：

1. 你向 AI 提问。
2. AI 分析你的问题，看看需不需要调用工具。
3. 如果需要，AI 会按照约定的 JSON 格式回复，告诉程序要调用哪个工具，以及参数是什么。
4. 程序解析 AI 的回复，找到对应的 MCP Server ，执行工具调用。
5. 程序把工具的执行结果返回给 AI 。
6. AI 根据工具的返回结果，给你一个最终的答复。

是不是很简单？通过这种方式，AI 就可以借助 MCP Server 的各种工具，完成更复杂的任务，变得更加强大！

演示

启动代码通过对话就可以实现工具的调用了,然后可以自行调整上面的 API 调用地址和模型以及提示词进行测试,我个人测试可能还是 gemini 这个模型调用成功率高一些!

✨ 总结与展望

通过这个简单的例子，相信你已经对 MCP 有了一个初步的了解。MCP 的强大之处在于，它可以让 AI 大模型与各种各样的工具和服务连接起来，从而实现更加复杂和强大的功能。

• 跨平台: MCP 不仅仅支持 python, 还有 TS/JS, Java 等版本! 让你可以用自己最熟悉的语言进行开发!
• 安全性: MCP 服务器可以控制权限, 保证你的数据安全!
• 错误处理: 要记得在实际开发中, 对用户的输入,以及 AI 的返回做校验, 保证程序的稳定!
• 异步处理: MCP 支持异步操作,这对于处理耗时任务（如网络请求、数据库查询）非常重要。

未来，你可以尝试：

• 添加更多工具: 比如查询天气、搜索新闻、控制智能家居等等。
• 使用不同的客户端: 比如将 MCP 集成到你的 Web 应用、手机 App 中。
• 探索更高级的 MCP 特性: 比如资源管理、Prompt 系统等等。

MCP 的世界充满了无限可能，期待你用它创造出更多有趣、有用的 AI 应用！✨

如果你在学习过程中遇到任何问题，或者有任何想法和建议，欢迎随时与我交流！😊

最后

给大家推荐一些关于 mcp server 好用的网站!

教程

• https://modelcontextprotocol.io/introduction
• https://vaayne.com/posts/2025/how-to-use-mcp-in-cherry-studio/

mcp server 资源站

• https://github.com/punkpeye/awesome-mcp-servers
• https://github.com/modelcontextprotocol/servers
• https://mcpservers.org/

关于http的形式,改成sse的方式即可,代码来自 https://www.v2ex.com/t/1120709?p=1#reply14

from mcp.server.fastmcp import FastMCP

# Create an MCP server
mcp = FastMCP(
    "Demo",
    debug=True,
    log_level='INFO',
    host="0.0.0.0",
    port=8000,
)


# 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__':
    mcp.run('sse')

Cloudflare 出云端部署教程啦: https://developers.cloudflare.com/agents/guides/remote-mcp-server/

[Unmurphy]

刚好，最近也要学习，

[tserial]

总结的很好，也是刚接触

[kidyang]

🐮

[934831065ldc]

按照你的思路，都将 mcp server 的工具都拼接到 system 里面，如果有 1 万个工具，10 万工具，那 system message 是不是要爆掉了？

[guansixu]

感觉工具的调用跟 function call 有点像，只是 function call 是写在代码里面的函数

[birdhk]

最近刚在学，有个疑问，比如我想让大模型使用 get 请求获取一个 url 的信息并让他分析，这应该用 resource 还是 tool 呢？

[fredweili]

手工点赞，正想看看这个

[SilenceLL]

@guansixu 不同层级的东西，function call 更定制化一些，mcp 比较通用。不过现在其他家如谷歌还没跟进，说不定谷歌也想搞一个协议，本身这玩意就是谁流传的广谁就赢了。

[JustW]

@934831065ldc 是的,会出现这个问题

[JustW]

@birdhk 按官方的写法,应该是放资源里,操作类的就是用 tool.就是个规范,不是硬性要求.

[codingKingKong]

@JustW 如果是这样的话, 感觉就有点太怪了, 由 mcp-server 来维护这个声明, 由 client 扫描接入的 tools 说明, 支持特殊配置感觉会更正常一些

[JustW]

@codingKingKong 客户端的代码就是你说的这个逻辑吧.

[lpdink]

@934831065ldc 对 mcp 工具的选择性召回是必要的，总归 RAG 生态现在也做的很好，接过来用在将来是必然的

[ASHYWHISPER]

🙏感谢博主的启蒙。

[HomeZane]

话说每个 mcp 都要启动一个服务的方式让我很难受，难道没有大善人提供线上 mcp 的服务吗

[JustW]

@HomeZane 有啊.文章末尾的资源站就是呀

[HomeZane]

@JustW #16 资源站的不都是需要本地部署吗？

[ppddtt]

uvx 不成功的 可以先在 terminal 中安装一遍

[zhaoxj58]

写的很好，赞一个

[ChristopherY]

没太理解，为什么你的例子中服务端实现了一个简单的加法工具，客户端又是一个 chatbot

[JustW]

@ChristopherY 两个例子是单独的，客户端的代码中调用的是官方的 server ，没有调用自己的。主要是了解一下如何通过 API 调用 mcp server

[ChristopherWu]

aiprotocolshub.com

其实不只有 MCP 一种协议，我用上面的网站都整理起来了。LCEL 比 MCP 早很多



| 协议 | 主要优势 | 主要劣势 | 最佳使用场景 | 实现复杂度 |
| :--------------- | :------------------------------------------------------- | :----------------------------------------------------- | :------------------------------------ | :--------- |
| Function Calling | 标准化的函数调用格式强大的参数验证与多种 API 和工具兼容 | 依赖于准确的函数描述复杂参数可能出错需要额外的错误处理 | 工具调用、API 集成、数据检索任务 | 中等 |
| ChatML | 清晰的角色定义广泛的行业支持简化多轮对话管理 | 元数据支持有限无官方标准规范多模态内容支持不完善 | 聊天机器人、客服系统、多轮对话应用 | 低 |
| MCP | 支持复杂的多智能体协作灵活的智能体通信路由可扩展性强 | 实现复杂资源消耗较高调试难度大 | 多智能体系统、协作任务、复杂问题解决 | 高 |
| ReAct | 结合推理和行动能力提高复杂任务处理能力增强对环境的适应性 | 需要精心设计的提示模板可能陷入推理循环 Token 消耗较大 | 推理密集型任务、需要环境交互的场景 | 中等 |
| LCEL | 组件化和可重用性强强大的链式调用能力丰富的内置组件 | 学习曲线较陡峭依赖 LangChain 生态灵活性有一定局限 | 数据处理管道、复杂工作流、构建 RAG 系统 | 中高 |

[ChristopherY]

@JustW 那用加法工具这个例子来说，我看代码中只创建了 server ，没有见 client 怎么写？还是说会自动创建对应的 client ？

[JustW]

@ChristopherY 工具自带,cursor 和 cherry studio 自己实现了,所以能直接用, 创建 client 的方式在下面搭建客户端那个 github 中地址有单独的代码.

[crazychang]

# 逻辑流程：Client → LLM → Tool (if JSON) → Return

def client_process(input_data):
# 第一步：客户端将输入数据发送给 LLM
llm_response = llm_process(input_data)

# 第二步：判断 LLM 返回值是否为 JSON 格式
if is_json(llm_response): # 如果是 JSON
# 第三步：解析 JSON 并调用工具处理
result = tool_process(parse_json(llm_response))
else:
# 第四步：如果不是 JSON ，直接返回 LLM 的响应
result = llm_response

return result # 返回最终结果

是这个意思吧😮

[JustW]

是的,重点就是第一步,去获取了所有的 mcp server,拼接在输入数据中了.

[pozhenzi998]

3000 端口可以改吗？怎么改呢？

[EMMMMMMMMM]

@JustW mcp Server 只能是本地启动的一个进程吗? 是否可以通过 http 接口的方式调用?

[lanfeng579]

请教一个问题，我怎么把我写的 mcp Serve 发布到网络上面给别人调用呢，目前这一步 网上也没有撒具体的资料，还是弄成传统微服务的方式 http 调用吗？

[JustW]

@pozhenzi998 补上了,文章最下面

[JustW]

@lanfeng579 补上了,文章最下面

[JustW]

@EMMMMMMMMM 补上了,文章最下面

[EMMMMMMMMM]

@JustW 那感觉不合理啊，mcp 的适用场景不应该是这样吧。 一个综合性的工具， 有成百上千个工具，应该是正常的哇

[EMMMMMMMMM]

按照楼主的 Demo 跑了下来，感觉 MCP 本身没做啥事情，只是定义了一个接口协议？

[JustW]

@EMMMMMMMMM 这是现阶段的一个问题，看后面咋解决吧，比如 cherry studio 里面是在对话时选用那几个 mcp server 启用。

[evilStart]

为什么我觉得你这篇像是 AI 生成的😅

[JustW]

@evilStart 我写大纲，AI 润色。🤔🤔

[JustW]

@EMMMMMMMMM 对呀，文章开头就写了，定义了一个规范。

[voidmnwzp]

所谓的 mcp 听起来更像是代理请求

[5aSx5Lia]

thanks, 最近写的很容易理解，楼主这部分内容我大概花了两天才从 github discussion 和 docs 上理解到，特别是那张 hub 的图片

[housex]

文章实操性挺高，概念梳理的也很清楚， 正在学习这块，那天偶然看到一个可以将 HTML 内容部署到 EdgeOne Pages （类似 Cloudflare Pages ）并获取可公开访问的 URL 的 MCP 服务，感觉 ai 大背景下 mcp 服务的连接作用是尤其重要了。

[housex]

奥，忘记贴链接里，道友们感兴趣可以看下，将 HTML 内容部署到 EdgeOne Pages （类似 Cloudflare Pages ）并获取可公开访问的 URL 的 MCP 服务地址： https://glama.ai/mcp/servers/@TencentEdgeOne/edgeone-pages-mcp

[popvlovs]

@934831065ldc 以 cursor 为例，限制 40 个 tools
[img]( )

[chaoziCoder]

棒，特别是对 MCP 如何连接 AI 与各种工具的详细解释，让我对其潜力有了更深的理解。推荐下我的 MCP 导航站( https://mcpdb.org)，希望能帮助更多人探索 MCP 的世界！