在人工智能快速发展的今天，如何让AI更高效地与现实世界交互，成为许多开发者和研究者关注的焦点。MCP（Model Context Protocol）技术作为一种创新的工具集成方案，为AI提供了一种"双手"的能力，使其能够通过调用外部工具完成复杂任务。本文将展示在实际场景中的应用。
环境搭建
在开始构建MCP工具之前，我们需要先搭建一个稳定的工作环境。以下是详细的环境配置步骤：
初始化项目
首先，我们需要初始化一个项目目录，这将作为我们后续开发的基础。运行以下命令：
bash
uv init dirsearch-mcp-server这一步会创建一个名为dirsearch-mcp-server的目录，并初始化项目结构。
注：
uv 是一个挺全面的python依赖管理工具，但本人不用python做主力很久，略有生疏，按照大家的推荐也使用的uv。
这个项目名称原本是想用来连接dirsearch使用的，奈何环境问题一直搞不定，遂怒，决定使用 go run main.go 运行自编写的go程序，环境报错，亦怒， 直接 go build 编译执行。
创建Python虚拟环境
为了确保开发环境的隔离性和稳定性，我们使用Python虚拟环境。进入项目目录后，运行以下命令：
bash
cd dirsearch-mcp-server
uv venv这将创建一个名为.venv的虚拟环境，所有依赖包都将安装在这个环境中，避免与其他项目产生冲突。
激活虚拟环境
激活虚拟环境是使用MCP工具的前提。根据你的操作系统，运行以下命令：
bash
.venv\Scripts\activate激活后，你的命令行提示符会显示(venv)，表示虚拟环境已成功激活。
安装依赖
接下来，我们需要安装MCP的依赖包。运行以下命令：
bash
uv add mcp[cli]这将安装MCP的核心库及其命令行接口（CLI），为后续开发提供支持。
创建MCP服务器：赋予AI执行能力
在环境配置完成后，我们可以开始创建一个MCP服务器。以下是具体的实现代码：
python
import subprocess
import time
from pathlib import Path
from mcp.server.fastmcp import FastMCP
# Initialize FastMCP server
mcp = FastMCP("beian-query-server", log_level="ERROR")
@mcp.tool()
async def run_beian_query(domain: str, timeout: int = 300) -> dict:
"""
执行备案信息查询工具
参数:
domain (str): 要查询的域名 (如 baidu.com)
timeout (int): 最大执行时间（秒）
返回:
dict: 包含执行结果的字典
"""
start_time = time.time()
result = {
"status": "pending",
"command": "",
"returncode": None,
"stdout": "",
"stderr": "",
"duration": 0.0
}
try:
# 配置固定参数
target_dir = r"E:\Script\GoStore\RedTeam\tools\ToolsForBeian"
exe_path = str(Path(target_dir) / "beian.exe")
go_cmd = [exe_path, "info", "-i", domain]
# 验证环境
if not Path(exe_path).exists(): # 关键修改点3
raise FileNotFoundError(f"beian.exe not found in {target_dir}")
# 记录完整命令
result["command"] = " ".join(go_cmd)
# 执行命令
process = subprocess.run(
go_cmd,
cwd=target_dir,
stdout=subprocess.PIPE,
stderr=subprocess.PIPE,
timeout=timeout,
encoding='utf-8',
errors='replace'
)
# 记录结果
result.update({
"status": "success",
"returncode": process.returncode,
"stdout": process.stdout.strip(),
"stderr": process.stderr.strip(),
"duration": round(time.time() - start_time, 2)
})
except subprocess.TimeoutExpired as e:
result.update({
"status": "timeout",
"stderr": f"执行超时 ({timeout}s)",
"duration": timeout
})
except Exception as e:
result.update({
"status": "error",
"stderr": str(e),
"duration": round(time.time() - start_time, 2)
})
return result
if __name__ == "__main__":
mcp.run(transport="stdio")上述 exePath 中的beian.exe 就是编译后的程序名称
代码解析
-
初始化MCP服务器
使用
FastMCP类创建一个服务器实例，指定服务器名称为beian-query-server，并将日志级别设置为ERROR，以减少不必要的输出。 -
定义工具函数
通过
@mcp.tool()装饰器，我们将run_beian_query函数注册为一个MCP工具。这个函数接收两个参数：domain（域名）和timeout（超时时间），并返回一个包含执行结果的字典。 -
工具逻辑
- 配置工具路径：指定
beian.exe的路径，并验证其是否存在。 - 执行命令：通过
subprocess.run执行备案查询命令，并捕获输出和错误信息。 - 结果处理：根据执行结果更新状态、返回码、输出内容和执行时间。
- 配置工具路径：指定
配置MCP Client
创建好 server 后，就需要对client进行配置了，由于 vscode 中 cline 插件很好的支持了 mcp server 功能，可以节省我们创建 mcp client 的步骤 ，但是使用时需要进行相关配置，以下是配置文件的内容：
json
{
"mcpServers": {
"beian-query-server": {
"name": "调用golang工具的备案查询工具",
"key": "dirsearch-mcp-server",
"command": "uv",
"args": [
"--directory",
"E:\\Script\\PyStore\\dirsearch-mcp-server\\",
"run",
"--with",
"mcp",
"mcp",
"run",
"main.py"
],
"disabled": false,
"autoApprove": []
}
}
}配置文件解析
name：工具的名称，用于描述工具的功能。key：工具的唯一标识符。command：运行工具的命令。args：命令的参数列表，用于指定运行环境和脚本路径。disabled：是否禁用该工具。autoApprove：自动批准的工具列表。
这段配置相当于运行以下命令：
bash
uv --directory E:\Script\PyStore\dirsearch-mcp-server\ run --with mcp mcp run main.py运行
为了更方便地使用MCP工具，我们可以在VSCode中安装cline插件，并进行以下配置：
-
安装插件
在VSCode的扩展市场中搜索并安装
cline插件。 -
选择MCP服务器
打开VSCode，选择
MCP server作为目标服务器。 -
配置工具
点击
Config按钮，按照提示完成配置。 -
运行工具
配置完成后，工具将自动运行，如下图所示：
- 查看结果
工具运行后，你可以在VSCode的输出窗口中查看结果，如下图所示：
最终的查询结果如下：
总结
通过本文的介绍，我们成功搭建了一个基于MCP技术及ai技术的智能化备案信息查询工具，并实现了自动调用和结果展示。
MCP技术为AI提供了一种与外部工具交互的能力，在渗透测试中，如果将完整的渗透测试工具链通过MCP技术装备给ai调用，那么智能化的渗透测试工具将极大的提高工作的效率，就可以实现渗透测试从自动化到完全智能化的转变。