用MCP Server为你的大模型应用插上翅膀

显示全部楼层

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">玩大模型的同学应该对MCP（Model Context Protocol）都不陌生。去年Anthropic发布该大模型协议之后，就引起了广泛关注，因为有了它，大模型就可以插上翅膀。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">MCP是一个开源协议，它规定了应用程序如何向LLM提供上下文。可以把MCP想象成AI应用的Type C数据线。就像Type C数据线为将您的设备连接到各种外部设备和配件提供了标准化方式一样，MCP也为将AI模型连接到不同的数据源和工具提供了标准化方法。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;display: table;padding: 0px 0.2em;color: rgb(255, 255, 255);background: rgb(15, 76, 129);">MCP基本架构

在核心层面上，MCP遵循客户端-服务器架构，其中主机应用程序可以连接到多个服务器。当然，MCP官方也提供了标准的Server SDK和Client SDK，为我们构建应用提供了便利。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">借助python SDK，我们可以定义Resources、 Tools、 Roots、Sampling 以及 Prompt。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;display: table;padding: 0px 0.2em;color: rgb(255, 255, 255);background: rgb(15, 76, 129);">两种标准传输实现

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">MCP提供了Standard Input/Output (stdio)和Server-Sent Events (SSE)两种传输实现。

Standard Input/Output (stdio)

stdio传输通过标准输入和输出流进行通信。这在本地集成和命令行工具中尤其有用。

使用 stdio 的场景包括：

• 构建命令行工具
• 实现本地集成
• 需要简单的进程通信
• 与 shell 脚本进行交互

（Claude就是基于这个能力实现电脑控制的）

Server-Sent Events (SSE)

服务器发送事件（SSE）使服务器能够通过HTTP POST请求向客户端进行流式传输，用于客户端与服务器之间的通信。

使用SSE的情况包括：

• 仅需要从服务器到客户端的单向流式传输
• 在受限网络环境下工作
• 实现简单的更新功能

本文以介绍如何构建MCP Server为例，主要内容为基于Python SDK自定义SSE传输类型的MCP Server，并向外部应用提供tools的能力。

MCP Server创建

Python SDK的github地址为 https://github.com/modelcontextprotocol/python-sdk ，其提供了一系列的demo实例，例如可以通过fastmcp创建：

# server.py
frommcp.server.fastmcpimportFastMCP

# Create an MCP server
mcp = FastMCP("Demo")

# Add an addition tool
@mcp.tool()
defadd(a:int, b:int) ->int:
 """Add two numbers"""
 returna + b

# Add a dynamic greeting resource
@mcp.resource("greeting://{name}")
defget_greeting(name:str) ->str:
 """Get a personalized greeting"""
 returnf"Hello,{name}!"

然后直接启动：

mcpdevserver.py

或者，也可通过lowlevel的Server创建

importanyio
importclick
importhttpx
importmcp.typesastypes
frommcp.server.lowlevelimportServer

# 此处代码省略，完整代码参考：https://github.com/modelcontextprotocol/python-sdk/blob/main/examples/servers/simple-tool/mcp_simple_tool/server.py
# ...

@click.command()
@click.option("--port", default=8000,help="Port to listen on for SSE")
@click.option(
 "--transport",
 type=click.Choice(["stdio","sse"]),
  default="stdio",
 help="Transport type",
)
defmain(port:int, transport:str) ->int:
  app = Server("mcp-website-fetcher")

  @app.call_tool()
 asyncdeffetch_tool(
    name:str, arguments:dict
 ) ->list[types.TextContent | types.ImageContent | types.EmbeddedResource]:
   ifname !="fetch":
     raiseValueError(f"Unknown tool:{name}")
   if"url"notinarguments:
     raiseValueError("Missing required argument 'url'")
   returnawaitfetch_website(arguments["url"])

  @app.list_tools()
 asyncdeflist_tools() ->list[types.Tool]:
   return[
      types.Tool(
        name="fetch",
        description="Fetches a website and returns its content",
        inputSchema={
         "type":"object",
         "required": ["url"],
         "properties": {
           "url": {
             "type":"string",
             "description":"URL to fetch",
            }
          },
        },
      )
    ]

 iftransport =="sse":
   frommcp.server.sseimportSseServerTransport
   fromstarlette.applicationsimportStarlette
   fromstarlette.routingimportMount, Route

    sse = SseServerTransport("/messages/")

   asyncdefhandle_sse(request):
     asyncwithsse.connect_sse(
        request.scope, request.receive, request._send
      )asstreams:
       awaitapp.run(
          streams[0], streams[1], app.create_initialization_options()
        )

    starlette_app = Starlette(
      debug=True,
      routes=[
        Route("/sse", endpoint=handle_sse),
        Mount("/messages/", app=sse.handle_post_message),
      ],
    )

   importuvicorn

    uvicorn.run(starlette_app, host="0.0.0.0", port=port)
 else:
   frommcp.server.stdioimportstdio_server

   asyncdefarun():
     asyncwithstdio_server()asstreams:
       awaitapp.run(
          streams[0], streams[1], app.create_initialization_options()
        )

    anyio.run(arun)

 return0

然后启动该main函数。（具体介绍可参考代码中链接）

当你完成Server构建之后，即可使用MCP Inspector工具进行调试。如果你使用fastMCP进行构建，那么mcp dev server.py命令默认会启动MCP Inspector。而如果使用lowlevel的Server创建，则默认不会，那么此时可通过额外启动MCP Inspector来进行调试。可执行如下命令：

npx@modelcontextprotocol/inspector

然后打开本地5173端口，即可得到：

本文使用到的mcp server代码地址：

https://github.com/xiaozhch5/chatdata-mcp-server

修改URL地址，连接MCP Server：

至此，我们便可以看到我们定义的相关tools，我们可以在该界面进行调试，例如，我们点击weather，通过此tools查看某个地方的天气：

现在我们已经定义好了MCP Server，且通过sse的方式将tools暴露出来。接着，便可以通过此sse将这些tools接近来。

langchain4j接入MCP Server实例

当前应该所有的大模型应用开发框架都是支持该协议的，我们这里以langchain4j为例。

McpTransporttransport=
 newHttpMcpTransport.Builder() 
    .sseUrl("http://127.0.0.1:8099/sse") 
    .logRequests(true)// if you want to see the traffic in the log 
    .logResponses(true) 
    .build(); 
McpClientmcpClient=newDefaultMcpClient.Builder().transport(transport).build(); 

ToolProvidertoolProvider=McpToolProvider.builder().mcpClients(List.of(mcpClient)).build(); 

ChatAgentAssistantbot=
  AiServices.builder(ChatAgentAssistant.class) 
    .chatLanguageModel(openAiCompatibleModel.getChatModel("gpt-3.5-turbo")) 
    .toolProvider(toolProvider) 
    .build(); 

Stringres=bot.chat(""" 
      帮我查一下广州的天气
      """); 
System.out.println(res);

执行上述代码，即可得到：

当然，你也可以把该通过MCP Server提供的能力接入到你的大模型应用中：

总结

通过构建基于MCP协议的服务器并向外部系统暴露工具服务，我们不仅实现了与不同语言的大模型应用无缝对接，还提供了高效的调试路径及最佳实践。从快速搭建服务器到详细地使用MNP Inspector进行功能验证，再到在实际项目中测试和优化，整个过程帮助开发者高效集成和管理大模型组件，从而为用户提供更丰富、更友好的交互体验。

题外话

MCP Server地址

本文使用的MCP Server相关代码地址（纯用cursor写的）：

https://github.com/xiaozhch5/chatdata-mcp-server

Browser Use使用

browser use将ai和你的浏览器结合起来，吊打一众RPA。我也把这个集成到MCP Server中了，详情可见上述代码。但是发现这东西使用Ollama部署的qwen2.5:14b无法正确格式化数据，还是得用OpenAI的相关模型才能够支持tools进行格式化输出，并且调用一次耗费的token好多。。。大概需要0.2刀。不过这功能还是没得说的。。。

谷歌查到的信息：