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。



关于如何使用 MCP服务器的文章多如牛毛，但关于如何_构建_自己的MCP服务器的实战指南却出奇地少。

官方文档是有的，但自从2025年底Streamable HTTP传输成为标准以来，许多旧版SSE（Server-Sent Events）方式的示例已经过时了一半。我第一次按照教程操作时，因为没有说明需要单独安装uvicorn，卡了很久。

这篇文章正是基于那次经历整理的，涵盖2026年当前可用的MCP服务器构建流程，重点聚焦在Streamable HTTP传输配置和Claude Code集成部分。

正如MCP服务器工具包完整指南中介绍的，现有的公开MCP服务器已达数百个。那为什么还要自己构建呢？

内部系统集成。 没有任何公开MCP服务器了解你公司的内部JIRA、构建系统或部署流水线。

精细化权限控制。 公开服务器通常要么全部允许，要么全部禁止。如果你需要只对特定团队开放的工具，或只在特定环境下运行的命令，就必须自己构建。

复杂的组合逻辑。 当你想把多个API组合成一个统一的”工具”时，重新构建一个新服务器往往比修改现有服务器更简洁。

# 推荐Python 3.11+ python –version  # 安装FastMCP（MCP Python SDK的高级接口） pip install fastmcp  # Streamable HTTP传输所需的ASGI服务器 pip install uvicorn

FastMCP是mcp包中内置的高级API。直接使用底层Server类也是可以的，但FastMCP能覆盖大多数使用场景，且无需额外的样板代码。

# server.py from fastmcp import FastMCP  mcp = FastMCP(“my-first-server”)  @mcp.tool() def get_word_count(text: str) -> dict:  “””  返回文本的单词数、字符数和行数。   Args:  text: 要分析的文本字符串  “””  words = text.split()  lines = text.splitlines()  return   @mcp.tool() def format_list(items: list[str], style: str = “bullet”) -> str:  “””  将字符串列表转换为指定格式的输出。   Args:  items: 要格式化的字符串列表  style: ‘bullet’（默认）、’numbered’ 或 ‘comma’ 之一  “””  if style == “numbered”:  return “ ”.join(f“{i+1}. {item}” for i, item in enumerate(items))  elif style == “comma”:  return “, “.join(items)  else:  return “ ”.join(f”- {item}“ for item in items)  if name == “main”:  mcp.run()

这样运行的是stdio传输。直接连接Claude Desktop时这种方式可以用，但如果需要多个客户端通过网络连接，就需要Streamable HTTP了。

# server_http.py from fastmcp import FastMCP  mcp = FastMCP(“my-http-server”)  @mcp.tool() def get_word_count(text: str) -> dict:  “”“返回文本统计信息。”“”  words = text.split()  return {  “words”: len(words),  “characters”: len(text),  “lines”: len(text.splitlines())  }  @mcp.tool() def format_list(items: list[str], style: str = “bullet”) -> str:  “”“将列表转换为指定格式的字符串。”“”  if style == “numbered”:  return “ ”.join(f“{i+1}. {item}” for i, item in enumerate(items))  elif style == “comma”:  return “, “.join(items)  return “ ”.join(f”- {item}“ for item in items)  if name == “main”:  # 使用Streamable HTTP运行：默认端口8000  mcp.run(transport=“streamable-http”, host=“0.0.0.0”, port=8000)

运行效果：

python server_http.py # INFO: Started server process [12345] # INFO: Waiting for application startup. # INFO: Application startup complete. # INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)

默认端点是http://localhost:8000/mcp/。可以通过FastMCP()初始化时的streamable_http_path参数修改这个路径。

在Claude Code的MCP配置文件（~/.claude/settings.json）中添加：

{  "mcpServers": {  "my-tools": {  "transport": {  "type": "streamable-http",  "url": "http://localhost:8000/mcp/"  }  }  } }

重启Claude Code后，my-tools服务器注册的工具就可以使用了。

实际测试连接时，第一次可能会遇到CORS错误。这是因为FastMCP的默认CORS设置只允许localhost来源，解决方法如下：

from fastmcp import FastMCP  mcp = FastMCP(  "my-http-server",  # 仅用于开发环境的设置  allowed_origins=["http://localhost:*"] )

在生产环境中，用实际运行Claude Code的主机地址替换通配符。

我最常用的模式是将外部API封装为MCP工具。以GitHub API为例：

import httpx from fastmcp import FastMCP import os  mcp = FastMCP("github-tools")  GITHUB_TOKEN = os.environ.get("GITHUB_TOKEN", "")  @mcp.tool() async def get_open_issues(owner: str, repo: str, limit: int = 10) -> list[dict]:  """  获取GitHub仓库的开放Issue列表。   Args:  owner: 仓库所有者（例如：'anthropics'）  repo: 仓库名称（例如：'claude-code'）  limit: 获取的Issue数量（默认10，最多30）  """  limit = min(limit, 30)  headers = {"Accept": "application/vnd.github.v3+json"}  if GITHUB_TOKEN:  headers["Authorization"] = f"Bearer {GITHUB_TOKEN}"   async with httpx.AsyncClient() as client:  resp = await client.get(  f"https://api.github.com/repos/{owner}/{repo}/issues",  headers=headers,  params={"state": "open", "per_page": limit}  )  resp.raise_for_status()  issues = resp.json()   return [    for issue in issues  ]  if __name__ == "__main__":  mcp.run(transport="streamable-http", port=8000)

FastMCP自动识别async def并异步处理。使用像httpx这样的异步HTTP客户端，服务器在I/O等待期间可以处理其他请求，显著提升性能。

在Claude Code中，输入”显示anthropics/claude-code仓库最新的10个开放Issue”，AI会自动调用get_open_issues("anthropics", "claude-code", 10)。

除了工具（Tool），还可以定义资源（Resource）——用于向AI提供静态或半静态数据：

@mcp.resource("config://app-settings") def get_app_settings() -> str:  """返回应用配置信息。"""  return """  环境: production  API版本: v2  允许的模型: claude-opus-4, claude-sonnet-4  最大Token数:   """

资源与工具不同，是AI可以”读取”的上下文数据，而非执行操作的工具。

坦率地说，将Streamable HTTP MCP服务器部署到生产环境仍需谨慎。

正如MCP安全危机 — 60天30个CVE中所讨论的，MCP生态系统在安全方面尚未成熟。自建服务器时需要特别注意：

未实现认证的风险： FastMCP默认配置没有认证。仅在内部网络使用尚可，但若暴露在公网，必须添加API密钥或OAuth验证：

from fastmcp import FastMCP from fastmcp.server.auth import BearerAuthProvider  auth = BearerAuthProvider(  public_key="...", # JWT验证用公钥  issuer="https://auth.yourcompany.com" ) mcp = FastMCP("secure-server", auth=auth)

输入验证： 不要将用户输入直接传递给系统命令或原始查询。使用Pydantic模型强制类型约束，可以获得基本的输入验证。

日志记录： 必须记录哪个AI智能体在何时调用了哪个工具。正如MCP Gateway — 谁在控制AI智能体的工具调用中所说，智能体流量监控是生产环境的必要条件。

mcp CLI是验证服务器运行状态的最快方式：

# 安装mcp CLI pip install "mcp[cli]"  # 在浏览器中打开Inspector UI mcp inspector server_http.py

mcp inspector提供Web UI，可以查看已注册的工具列表，并直接输入参数进行测试。在接入Claude Code之前，这是验证服务器逻辑的好工具。

从零开始构建MCP服务器，你会发现”比想象中简单”。借助FastMCP，用几个装饰器注册工具并以Streamable HTTP方式启动，30分钟内就能完成。

真正的难点不在于服务器本身，而在于工具设计：如何写清楚参数类型和docstring让AI不会误用，如何以AI能理解的形式返回错误，如何保持每个工具职责单一而不是塞入所有功能——这才是真正需要思考的地方。

官方MCP Python SDK仓库（github.com/modelcontextprotocol/python-sdk）有丰富的示例，建议先把本文的代码跑通，再去参考那里的示例深入学习。