模型上下文协议-MCP-教程-6-步构建您的第一个-MCP-服务器

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

原文：towardsdatascience.com/model-context-protocol-mcp-tutorial-build-your-first-mcp-server-in-6-steps/

近年来，随着 AI 代理和基于 RAG 的应用的出现，对通过集成外部资源（例如基于 RAG 的系统）和工具（例如基于代理的系统）来定制大型语言模型（LLMs）的需求不断增加。这通过结合外部知识并启用自主任务执行，增强了 LLMs 现有的功能。

模型上下文协议（MCP），首次由 Anthropic 于 2024 年 11 月推出，因其提供了一种更连贯、更一致的方式将 LLMs 与外部工具和资源连接起来，因此越来越受欢迎，成为为每个用例构建自定义 API 集成的有吸引力的替代方案。MCP 是一个标准化、开源的协议，它提供了一个一致的接口，使 LLM 能够与各种外部工具和资源交互，从而允许最终用户使用具有增强功能的 MCP 服务器。与当前的代理系统设计模式相比，MCP 提供了几个关键优势：

通过标准化集成提高系统的可扩展性和可维护性。
由于单个 MCP 服务器实现可以与多个 MCP 客户端协同工作，因此可以减少重复的开发工作。
通过提供在 LLM 提供商之间切换的灵活性来避免供应商锁定，因为 LLM 不再与代理系统紧密耦合。
通过允许快速创建可工作的产品，显著加快开发过程。

本文旨在指导您了解模型上下文协议的基础知识以及构建 MCP 服务器的基本组件。我们将通过以下实际示例来应用这些概念：构建一个 MCP 服务器，该服务器允许 LLMs 通过简单地提供类似以下示例的 URL 来总结和可视化 GitHub 代码库。

用户输入：

https://github.com/aws-samples/aws-cdk-examples/blob/main/python/codepipeline-docker-build/Base.py

MCP 输出：

MCP 采用客户端-服务器架构，其中客户端是请求集中式服务器提供服务的设备或应用程序。客户端与服务器之间的关系可以用客户与餐厅的类比来帮助理解。客户（客户端）就像客户端，通过点菜单发送请求，而餐厅则类似于服务器，提供如菜品和座位等服务。餐厅拥有足够的资源在短时间内服务多个客户，而客户只需担心接收他们的订单。

MCP 架构由三个组件组成：MCP 服务器、MCP 客户端和 MCP 主机。MCP 服务器提供工具和资源，通过结构化请求暴露 AI 模型可以利用的功能。MCP 主机提供运行时环境，管理客户端和服务器之间的通信，例如 Claude 桌面或具有 MCP 支持扩展的 IDE。如果我们继续使用上述客户-餐厅类比，MCP 主机可以被视为一个餐厅管理系统，它协调客户（客户端）和餐厅之间的通信，处理订单接收和支付处理。MCP 客户端通常内置在主机应用程序中，允许用户通过界面与服务器交互。然而，也有灵活性来开发针对特定用例和需求定制的 MCP 客户端，例如使用 Streamlit 构建简单的 AI 网络应用，以支持更多的前端功能。

在这篇文章中，我们将专注于理解 MCP 服务器，并将我们的知识应用于构建一个简单、定制的 MCP 服务器。MCP 服务器围绕各种外部工具和资源的 API 调用，使客户端能够访问这些功能，而无需担心额外的设置。MCP 服务器支持整合三种类型的组件，这符合三种常见的 LLM 定制策略。

资源是数据、文件和文档，它们作为外部知识库，用于丰富 LLM（大型语言模型）现有的知识。这在基于 RAG（检索增强生成）的系统尤其有用。
工具是可执行函数和与其他程序的集成，用于丰富 LLM 的动作空间，例如执行 Google 搜索、创建 Figma 原型等，这些可以在基于代理的系统中被利用。
提示是预定义的指令模板，用于指导 LLM 的输出，例如以专业或随意的语调进行回应。这在受益于提示工程技术的系统中非常有用。

如果你想了解更多关于 LLM 定制策略的信息，请查看我之前关于“简要解释 6 种常见的 LLM 定制策略”的文章和视频。

我们将使用一个简单的示例来演示如何使用 Python 构建您的第一个 MCP 服务器，这允许调用自定义的visualize_code工具，将从中提取的原始代码文件转换为如下示例中的可视化图表。

对于有数据科学背景的人学习构建 MCP 服务器，有几个软件开发概念可能不熟悉但很重要，包括处理异步操作时的异步编程、客户端/服务器架构以及用于修改函数行为的 Python 装饰器。随着我们通过这个实际示例进行讲解，我们将更详细地解释这些概念。

要观看视频教程，请访问“在 6 步中构建您的第一个 MCP 服务器”：

软件包管理器设置：MCP 使用uv作为默认的软件包管理器。对于 macOS 和 Linux 系统，安装uv并使用 shell 命令sh执行它：

在新工作目录/visual中初始化，激活虚拟环境，创建项目结构以存储主脚本visual.py：

# Create a new directory for our project uv init visual cd visual # Create virtual environment and activate it uv venv source .venv/bin/activate # Install dependencies uv add "mcp[cli]" httpx # Create our server file touch visual.py

安装所需的依赖项：pip install mcp httpx fastapi uvicorn

进一步阅读：

Anthropic 的官方博客文章“为服务器开发者 - 模型上下文协议”提供了一个易于遵循的指南，用于设置 MCP 服务器开发环境。

在visual.py脚本中，导入所需的库，初始化我们的 MCP 服务器实例，并定义用于发起 HTTP 请求的用户代理。我们将使用FastMCP作为官方 Python MCP SDK。

from typing import Any import httpx from mcp.server.fastmcp import FastMCP # Initialize FastMCP server mcp = FastMCP("visual_code_server")

我们将创建一个辅助函数get_code()来从 GitHub URL 获取代码。

async def get_code(url: str) -> str:
    """
    Fetch source code from a GitHub URL.

    Args:
        url: GitHub URL of the code file
    Returns:
        str: Source code content or error message
    """
    USER_AGENT = "visual-fastmcp/0.1"

    headers = {
        "User-Agent": USER_AGENT,
        "Accept": "text/html"
    }

    async with httpx.AsyncClient() as client:
        try:
            # Convert GitHub URL to raw content URL
            raw_url = url.replace("github.com", "raw.githubusercontent.com")
                        .replace("/blob/", "/")
            response = await client.get(raw_url, headers=headers, timeout=30.0)
            response.raise_for_status()
            return response.text
        except Exception as e:
            return f"Error fetching code: {str(e)}"

让我们将get_code()函数分解为几个组件。

异步实现

异步编程允许多个操作并发运行，通过在等待操作完成时不阻塞执行来提高效率。它通常用于高效处理 I/O 操作，如网络请求、用户输入和 API 调用。相比之下，同步操作通常用于机器学习任务，是顺序执行的，每个操作在移动到下一个任务之前都会阻塞直到完成。以下是对定义此函数的异步操作所做的更改：

函数使用async def声明，以允许并发处理多个操作。
使用async with上下文管理器和httpx.AsyncClient()进行非阻塞 HTTP 请求。
通过在client.get()中添加await关键字来处理异步 HTTP 请求。

URL 处理

配置接受 HTML 内容的 Accept 头，并设置适当的 User-Agent 以识别发起 HTTP 请求的客户端，即visual-fastmcp/0.1。将常规 GitHub URL 转换为原始文件格式。

错误处理

捕获 HTTP 特定异常（httpx.RequestError，httpx.HTTPStatusError）并捕获其他通用异常处理作为后备，然后返回描述性错误消息以进行调试。

进一步阅读：

Python AsyncIO 文档
同步和异步编程

使用几行额外的代码，我们现在可以创建我们的主要 MCP 服务器工具 visualize_code()。

@mcp.tool() async def visualize_code(url: str) -> str: """ Visualize the code extracted from a Github repository URL in the format of SVG code. Args: url: The GitHub repository URL Returns: SVG code that visualizes the code structure or hierarchy. """ code = await get_code(url) if "error" in code.lower(): return code else: return " --- ".join(code) return " ".join(visualization)

装饰器

Python 装饰器是一个特殊函数，它修改或增强另一个函数或方法的行为，而不改变其原始代码。FastMCP 提供装饰器，可以将自定义函数包装起来以将其集成到 MCP 服务器中。例如，我们使用 @mcp.tool() 通过装饰 visualize_code 函数来创建 MCP 服务器工具。同样，我们可以使用 @mcp.resource() 为资源，使用 @mcp.prompt() 为提示。

类型提示和文档字符串

FastMCP 类利用 Python 类型提示和文档字符串自动增强工具定义，简化了 MCP 工具的创建和维护。对于我们的用例，我们使用类型提示 visualize_code(url: str) -> str 创建工具函数，接受字符串格式的输入参数 url，并生成从源文件中提取的所有代码的合并字符串。然后，添加以下文档字符串以帮助 LLM 理解工具的使用。

 """ Visualize the code extracted from a Github repository URL in the format of SVG code. Args: url: The GitHub repository URL Returns: SVG code that visualizes the code structure or hierarchy. """

让我们通过调用 Claude 桌面版中的 MCP 服务器来比较带有和没有文档字符串提供的 MCP 工具函数。

没有文档字符串的模型输出 – 只生成文本摘要

带有文档字符串提供的模型输出 – 生成文本摘要和图表

进一步阅读：

Python 类型提示教程
Python 装饰器指南

将主要执行块作为 visual.py 脚本的最后一步添加。使用简单的 I/O 传输在本地运行服务器，使用 “stdio”。在您的本地机器上运行代码时，MCP 服务器位于您的本地机器上，并监听来自 MCP 客户端的工具请求。对于生产部署，您可以配置不同的传输选项，例如为基于 Web 的部署配置 “streamable-http”。

if __name__ == "__main__": mcp.run(transport='stdio')

我们将通过 Claude 桌面版演示如何使用此 MCP 服务器，但请注意，它允许通过稍微调整配置将服务器连接到不同的主机（例如 Cursor）。查看 “Claude 桌面版用户 – 模型上下文协议” 获取 Claude 的官方指南。

下载 Claude 桌面版
在你的本地文件夹~/Library/Application\ Support/Claude/claude_desktop_config.json（对于 MacOS）中设置服务器设置配置文件，并将更新为你的工作文件夹路径。

{ "mcpServers": { "visual": { "command": "uv", "args": [ "--directory", " 
    
    
      
        /visual", "run", "visual.py" ] } } }

使用命令行运行它：uv --directory /visual run visual.py
启动（或重启）Claude 桌面，选择“搜索和工具”然后“视觉”。你应该能够切换到我们刚刚创建的visualize_code工具。

通过提供 GitHub URL 尝试可视化工具，例如：

本文概述了 MCP 架构（MCP 客户端、主机和服务器），主要关注 MCP 服务器组件和应用。它指导如何构建一个自定义 MCP 服务器，该服务器可以从 GitHub 仓库实现代码到图表的转换。

构建自定义 MCP 服务器的关键步骤：

环境设置
基本服务器设置
创建辅助函数
实现 MCP 工具
配置 MCP 服务器
从 Claude 桌面使用 MCP 服务器

如果你对此感兴趣，可能的探索方向包括在云服务提供商上探索远程 MCP 服务器，实现安全特性和健壮的错误处理。

简要解释 6 种常见的 LLM 定制策略
基于 Transformer 的主题建模 BERTopic 实用指南

模型上下文协议-MCP-教程-6-步构建您的第一个-MCP-服务器

相关推荐