MCP详解：10分钟快速入门MCP开发 - 链载Ai

MCP 是一个由 Anthropic 发起并开源的协议，旨在标准化 AI 模型（尤其是 LLM）与外部数据源和工具交互的方式。可以将其理解为 AI 应用的 "USB-C 接口"，让不同的 LLM 能够以统一的方式连接和使用各种外部资源。高德地图已经提出了MCP服务器的解决方案，这意味着DeepSeek等LLM能够实现对地图的操作，包括路径规划、地点搜索等，这将进一步的扩展LLM的能力，不久将会出现更多的DeepSeek导航应用等。未来也会出现更多MCP服务，让AI操作更多的软件，实现更多的功能。

作为AI时代的开发者，我们需要快速地掌握MCP开发技术，以适应越来越多的MCP服务。

但现在大多数的MCP教程，都是通过Claude Desktop、Cursor、Cline等MCP客户端实现的。在实际开发中，我们需要通过代码构建自己的客户端，而不是通过现有的客户端软件。

接下来，我们将从开发者的角度，介绍如何用MCP实现DeepSeek的工具调用。（文末附完整代码）

首先，我们来看一MCP的实现效果：

我们在MCP服务器中定义了两个工具：

@mcp.tool()defget_time()->str:"""获取当前系统时间"""returnstr(datetime.datetime.now())@mcp.tool()defcalculate_bmi(weight_kg:float,height_m:float)->float:"""根据体重（kg）和身高（m）计算BMI"""returnweight_kg/(height_m**2)

我们希望通过MCP服务，LLM能够实现对这两个函数工具的调用。

服务器中可用的工具： ['get_time', 'calculate_bmi']

MCP 客户端启动

输入 /bye 退出

>>> 今天天气怎么样

我无法获取天气信息，因为我没有相关的工具。如果您需要了解天气情况，可以查看天气预报应用或网站。

>>> 现在几点了

```json

{

"tool": "get_time", "arguments": {}

}

```

[提示]：正在执行函数

[执行结果]: meta=None content=[TextContent(type='text', text='2025-04-06 22:59:58.898244', annotations=None)] isError=False

现在的时间是2025年4月6日晚上10点59分。

DeepSeek将会直接调用MCP服务中的get_time工具，查询当前时间，并告诉用户当前的时间。

接下来是计算BMI的例子：

>>> 我想知道我的身高和体重是否符合标准请告诉我您的体重（kg）和身高（m），我可以帮您计算BMI指数来判断是否符合标准。例如："我身高1.75米，体重70公斤"。

>>> 身高180，体重80

```json

{

"tool": "calculate_bmi",

"arguments": {

"weight_kg": 80,

"height_m": 1.80

}

```

[提示]：正在执行函数

[执行结果]: meta=None content=[TextContent(type='text', text='24.691358024691358', annotations=None)] isError=False

您的BMI指数是24.69，属于正常范围（18.5-24.9为正常）。您的身高体重比例是健康的。

当向DeepSeek提问“我想知道我的身高和体重是否符合标准”时，DeepSeek将会引导用户说出身高与体重，DeepSeek还能够根据用户说出的数字，自动将厘米单位转为为米，随后调用MCP服务中的calculate_bmi，实现BMI的计算，在计算完成后，DeepSeek将会根据计算结果，判断BMI是否为正常范围。

MCP官方推荐使用uv来管理环境。

uv 是由 Astral 公司（也是著名 Python Linter 工具 Ruff 的开发者）开发的一款用 Rust 编写的高性能 Python 包安装器和虚拟环境管理器。它的目标是成为 pip, pip-tools, venv, virtualenv 等工具的统一、快速替代品。

我们可以通过下面的pip命令安装uv：

uv的基本使用：

介绍uv工具主要使用的两个文件：

pyproject.toml：定义项目的主要依赖，包括项目名称、版本、描述、支持的 Python 版本等信息

uv.lock：记录项目的所有依赖，包括依赖的依赖，且跨平台，确保在不同环境下安装的一致性。这个文件由 uv 自动管理，不要手动编辑

安装依赖（不更新配置文件）

uvpipinstall<依赖名称>

MCP环境配置过程如下：

（1）.创建一个uv项目：

uvinitmcp-server-democdmcp-server-demo

（2）.将 MCP 添加到项目依赖项中：

或者，对于使用 pip 进行依赖项的项目：

pipinstall"mcp[cli]"

接下来，我们将分别从服务端和客户端两个方面，来介绍如何实现MCP开发。

MCP服务端是为LLM提供工具、资源等功能的场所。

MCP能够提供的功能包括：

（1）资源Resources

MCP服务中可提供的资源包括：文件内容、数据库记录、图像等。这意味着LLM可以通过MCP服务，读取文件、数据库等等。

包括可重复使用的提示模板和工作流程。提示使服务器能够定义可重用的提示模板和工作流程，客户端可以轻松地向用户和大型语言模型展示这些模板和工作流程。

LLM可用直接调用MCP中提供的工具，工具一般来说就是函数实现，MCP服务将会提供函数的描述和参数的描述给LLM，LLM将会判断应该执行哪个函数，并填写参数，最后在服务端执行函数。

（4）采样Sampling

让MCP 服务器请求 LLM的生成结果。采样是MCP的一个强大功能，它允许 MCP 服务器通过客户端请求LLM的生成结果，从而实现复杂的智能行为，同时保持安全性和隐私性。

在Python SDK中，不同的功能可通过@修饰符来实现，下面是一个简单的工具调用的MCP服务器的例子：

frommcp.server.fastmcpimportFastMCPimportdatetimemcp=FastMCP()@mcp.tool()defget_time()->str:"""获取当前系统时间"""returnstr(datetime.datetime.now())@mcp.tool()defcalculate_bmi(weight_kg:float,height_m:float)->float:"""根据体重（kg）和身高（m）计算BMI"""returnweight_kg/(height_m**2)if__name__=="__main__":mcp.run(transport='stdio')

在实现工具时，有几个需要注意的地方：

（1）要给每个函数工具写好注释

MCP服务将会自动解析这些注释，作为工具的描述。

（2）定义好每个参数的类型

例如：weight_kg: float，MCP将自动解析参数的类型，作为参数的描述，并且会将LLM的输出结果自动转为相应的类型。

（3）定义好返回值的类型

例如：-> float，这表示函数将返回一个float类型的值。

MCP客户端是用户与LLM交互的场所，处理流程如下：

在客户端中，首先要连接服务端。连接好服务端后，查看服务端中有哪些可以调用的工具，并将这些工具解析到系统提示中。

asyncdefconnect_to_server(self,server_script_path:str):"""连接MCP服务器"""server_params=StdioServerParameters(command="python",args=[server_script_path],env=None)self.stdio,self.write=awaitself.exit_stack.enter_async_context(stdio_client(server_params))self.session=awaitself.exit_stack.enter_async_context(ClientSession(self.stdio,self.write))awaitself.session.initialize()#列出可用工具response=awaitself.session.list_tools()tools=response.toolsprint("\n服务器中可用的工具：",[tool.namefortoolintools])tools_description="\n".join([format_tools_for_llm(tool)fortoolintools])#修改系统提示system_prompt=("Youareahelpfulassistantwithaccesstothesetools:\n\n"f"{tools_description}\n""Choosetheappropriatetoolbasedontheuser'squestion.""Ifnotoolisneeded,replydirectly.\n\n""IMPORTANT:Whenyouneedtouseatool,youmustONLYrespondwith""theexactJSONobjectformatbelow,nothingelse:\n""{\n"'"tool":"tool-name",\n''"arguments":{\n''"argument-name":"value"\n'"}\n""}\n\n""Afterreceivingatool'sresponse:\n""1.Transformtherawdataintoanatural,conversationalresponse\n""2.Keepresponsesconcisebutinformative\n""3.Focusonthemostrelevantinformation\n""4.Useappropriatecontextfromtheuser'squestion\n""5.Avoidsimplyrepeatingtherawdata\n\n""leaseuseonlythetoolsthatareexplicitlydefinedabove.")self.messages.append({"role":"system","content":system_prompt})

接下来，就是对话的过程：

核心代码如下：

asyncdefchat_loop(self):"""运行交互式聊天循环"""print("MCP客户端启动")print("输入/bye退出")whileTrue:prompt=input(">>>").strip()ifprompt.lower()=='/bye':breakllm_response=awaitself.chat(prompt)print(llm_response)result=awaitself.execute_tool(llm_response)ifresult!=llm_response:self.messages.append({"role":"assistant","content":llm_response})final_response=awaitself.chat(result,"system")print(final_response)self.messages.append({"role":"assistant","content":final_response})else:self.messages.append({"role":"assistant","content":llm_response})

步骤主要分为：

2.LLM响应，并输出

3.判断LLM的响应是否为工具调用

4.若结果为工具调用，执行工具，再将执行的结果发送给LLM，再次获得响应，并输出。

至此，实现了LLM通过MCP的工具调用。在此代码的基础上，我们后续可以扩展出更多的应用，丰富LLM的能力。

server.py

frommcp.server.fastmcpimportFastMCPimportdatetimemcp=FastMCP()@mcp.tool()defget_time()->str:"""获取当前系统时间"""returnstr(datetime.datetime.now())@mcp.tool()defcalculate_bmi(weight_kg:float,height_m:float)->float:"""根据体重（kg）和身高（m）计算BMI"""returnweight_kg/(height_m**2)if__name__=="__main__":mcp.run(transport='stdio')

client.py

importasyncioimportsysfromtypingimportOptionalfromcontextlibimportAsyncExitStackfrommcpimportClientSession,StdioServerParametersfrommcp.client.stdioimportstdio_clientfromdotenvimportload_dotenvfromopenaiimportAsyncOpenAI,OpenAIimportjsonload_dotenv()#loadenvironmentvariablesfrom.envdefformat_tools_for_llm(tool)->str:"""对tool进行格式化Returns:格式化之后的tool描述"""args_desc=[]if"properties"intool.inputSchema:forparam_name,param_infointool.inputSchema["properties"].items():arg_desc=(f"-{param_name}:{param_info.get('description','Nodescription')}")ifparam_nameintool.inputSchema.get("required",[]):arg_desc+="(required)"args_desc.append(arg_desc)returnf"Tool:{tool.name}\nDescription:{tool.description}\nArguments:\n{chr(10).join(args_desc)}"classMCPClient:def__init__(self):self.session:Optional[ClientSession]=Noneself.exit_stack=AsyncExitStack()self.client=AsyncOpenAI(base_url="https://api.deepseek.com",api_key="<你的apikey>",)self.model="deepseek-chat"self.messages=[]asyncdefconnect_to_server(self,server_script_path:str):"""连接MCP服务器"""server_params=StdioServerParameters(command="python",args=[server_script_path],env=None)self.stdio,self.write=awaitself.exit_stack.enter_async_context(stdio_client(server_params))self.session=awaitself.exit_stack.enter_async_context(ClientSession(self.stdio,self.write))awaitself.session.initialize()#列出可用工具response=awaitself.session.list_tools()tools=response.toolsprint("\n服务器中可用的工具：",[tool.namefortoolintools])tools_description="\n".join([format_tools_for_llm(tool)fortoolintools])#修改系统提示system_prompt=("Youareahelpfulassistantwithaccesstothesetools:\n\n"f"{tools_description}\n""Choosetheappropriatetoolbasedontheuser'squestion.""Ifnotoolisneeded,replydirectly.\n\n""IMPORTANT:Whenyouneedtouseatool,youmustONLYrespondwith""theexactJSONobjectformatbelow,nothingelse:\n""{\n"'"tool":"tool-name",\n''"arguments":{\n''"argument-name":"value"\n'"}\n""}\n\n"'"```json"isnotallowed'"Afterreceivingatool'sresponse:\n""1.Transformtherawdataintoanatural,conversationalresponse\n""2.Keepresponsesconcisebutinformative\n""3.Focusonthemostrelevantinformation\n""4.Useappropriatecontextfromtheuser'squestion\n""5.Avoidsimplyrepeatingtherawdata\n\n""leaseuseonlythetoolsthatareexplicitlydefinedabove.")self.messages.append({"role":"system","content":system_prompt})asyncdefchat(self,prompt,role="user"):"""与LLM进行交互"""self.messages.append({"role":role,"content":prompt})#初始化LLMAPI调用response=awaitself.client.chat.completions.create(model=self.model,messages=self.messages,)llm_response=response.choices[0].message.contentreturnllm_responseasyncdefexecute_tool(self,llm_response:str):"""rocesstheLLMresponseandexecutetoolsifneeded.Args:llm_response:TheresponsefromtheLLM.Returns:Theresultoftoolexecutionortheoriginalresponse."""importjsontry:tool_call=json.loads(llm_response.replace("```json\n","").replace("```",""))if"tool"intool_calland"arguments"intool_call:#result=awaitself.session.call_tool(tool_name,tool_args)response=awaitself.session.list_tools()tools=response.toolsifany(tool.name==tool_call["tool"]fortoolintools):try:print("[提示]：正在执行函数")result=awaitself.session.call_tool(tool_call["tool"],tool_call["arguments"])ifisinstance(result,dict)and"progress"inresult:progress=result["progress"]total=result["total"]percentage=(progress/total)*100print(f"rogress:{progress}/{total}({percentage:.1f}%)")print(f"[执行结果]:{result}")returnf"Toolexecutionresult:{result}"exceptExceptionase:error_msg=f"Errorexecutingtool:{str(e)}"print(error_msg)returnerror_msgreturnf"Noserverfoundwithtool:{tool_call['tool']}"returnllm_responseexceptjson.JSONDecodeError:returnllm_responseasyncdefchat_loop(self):"""运行交互式聊天循环"""print("MCP客户端启动")print("输入/bye退出")whileTrue:prompt=input(">>>").strip()ifprompt.lower()=='/bye':breakllm_response=awaitself.chat(prompt)print(llm_response)result=awaitself.execute_tool(llm_response)ifresult!=llm_response:self.messages.append({"role":"assistant","content":llm_response})final_response=awaitself.chat(result,"system")print(final_response)self.messages.append({"role":"assistant","content":final_response})else:self.messages.append({"role":"assistant","content":llm_response})asyncdefmain():iflen(sys.argv)<2:print("Usage:uvrunclient.py<path_to_server_script>")sys.exit(1)client=MCPClient()awaitclient.connect_to_server(sys.argv[1])awaitclient.chat_loop()if__name__=="__main__":asyncio.run(main())

运行命令

uvrunclient.py./server.py

./server.py 为MCP服务的路径