模型上下文协议（MCP）：简化AI与外部工具的集成

Step1-什么是MCP？如何创建自定义的MCP

什么是MCP？

**模型上下文协议（MCP）**是由Anthropic开发的开源标准，旨在通过标准化接口连接AI模型与外部工具、数据库和API。它类似于HTTP协议，但专注于AI应用的集成，提供了一个类似USB-C接口的通用连接方式，实现不同AI模型与不同工具之间的无缝通信。

MCP的主要组件

• Host（主机）：管理LLM应用，负责初始化和管理客户端。
• Client（客户端）：与服务器建立一对一的连接，负责消息路由和功能管理。
• Server（服务器）：提供工具和资源，支持数据检索和操作。
• Base Protocol（基础协议）：定义客户端和服务器之间的通信方式，使用JSON-RPC 2.0。

为什么使用MCP？

• 标准化集成：MCP提供了一种结构化的方式来连接AI模型与外部工具，减少了定制化集成的需求。
• 灵活性：支持不同AI模型和供应商之间的切换。
• 安全性：保持数据在本地基础设施内，同时与AI进行交互。
• 可扩展性：支持多种传输方式，如stdio、WebSockets、HTTP SSE等。

MCP示例项目：GitHub PR审查服务器

项目概述

该项目使用MCP连接Claude Desktop与GitHub和Notion，实现自动化的代码审查和文档管理。

步骤概述

1. 环境设置：

   • 安装Python 3.10+。
   • 设置uv包管理器，创建虚拟环境。

2. 安装依赖：

   • 使用uv或pip安装必要的Python包，如mcp[cli]、requests、notion-client。

3. 环境变量设置：

   • 创建.env文件，存储GitHub和Notion的API密钥。

4. GitHub集成：

   • 编写github_integration.py文件，实现从GitHub获取PR变更的功能。

5. MCP服务器实现：

   • 创建pr_analyzer.py文件，定义MCP工具，实现PR分析和Notion文档创建。

6. 运行MCP服务器：

   • 使用python pr_analyzer.py命令启动服务器。

示例代码

GitHub集成代码

import os
import requests
from dotenv import load_dotenv

load_dotenv()
GITHUB_TOKEN = os.getenv('GITHUB_TOKEN')

def fetch_pr_changes(repo_owner: str, repo_name: str, pr_number: int) -> dict:
    # Fetch PR metadata and file changes
    pr_url = f"https://api.github.com/repos/{repo_owner}/{repo_name}/pulls/{pr_number}"
    files_url = f"{pr_url}/files"
    headers = {'Authorization': f'token {GITHUB_TOKEN}'}
    
    try:
        pr_response = requests.get(pr_url, headers=headers)
        pr_response.raise_for_status()
        pr_data = pr_response.json()
        
        files_response = requests.get(files_url, headers=headers)
        files_response.raise_for_status()
        files_data = files_response.json()
        
        # Combine PR metadata with file changes
        changes = []
        for file in files_data:
            change = {
                'filename': file['filename'],
                'status': file['status'],
                'additions': file['additions'],
                'deletions': file['deletions'],
                'changes': file['changes'],
                'patch': file.get('patch', ''),
                'raw_url': file.get('raw_url', ''),
                'contents_url': file.get('contents_url', '')
            }
            changes.append(change)
        
        pr_info = {
            'title': pr_data['title'],
            'description': pr_data['body'],
            'author': pr_data['user']['login'],
            'created_at': pr_data['created_at'],
            'updated_at': pr_data['updated_at'],
            'state': pr_data['state'],
            'total_changes': len(changes),
            'changes': changes
        }
        
        return pr_info
        
    except Exception as e:
        print(f"Error fetching PR changes: {str(e)}")
        return None

MCP服务器代码

import sys
from mcp.server.fastmcp import FastMCP
from github_integration import fetch_pr_changes
from notion_client import Client
from dotenv import load_dotenv

class PRAnalyzer:
    def __init__(self):
        load_dotenv()
        
        self.mcp = FastMCP("github_pr_analysis")
        print("MCP Server initialized", file=sys.stderr)
        
        self._init_notion()
        self._register_tools()
    
    def _init_notion(self):
        self.notion_api_key = os.getenv("NOTION_API_KEY")
        self.notion_page_id = os.getenv("NOTION_PAGE_ID")
        
        if not self.notion_api_key or not self.notion_page_id:
            raise ValueError("Missing Notion API key or page ID")
        
        self.notion = Client(auth=self.notion_api_key)
        print(f"Notion client initialized successfully", file=sys.stderr)
    
    def _register_tools(self):
        @self.mcp.tool()
        async def fetch_pr(repo_owner: str, repo_name: str, pr_number: int) -> dict:
            pr_info = fetch_pr_changes(repo_owner, repo_name, pr_number)
            return pr_info
        
        @self.mcp.tool()
        async def create_notion_page(title: str, content: str) -> str:
            self.notion.pages.create(
                parent={"type": "page_id", "page_id": self.notion_page_id},
                properties={"title": {"title": [{"text": {"content": title}}]}},
                children=[{
                    "object": "block",
                    "type": "paragraph",
                    "paragraph": {
                        "rich_text": [{
                            "type": "text",
                            "text": {"content": content}
                        }]
                    }
                }]
            )
            return f"Notion page '{title}' created successfully!"
    
    def run(self):
        try:
            print("Running MCP Server for GitHub PR Analysis...", file=sys.stderr)
            self.mcp.run(transport="stdio")
        except Exception as e:
            print(f"Fatal Error in MCP Server: {str(e)}", file=sys.stderr)
            sys.exit(1)

if __name__ == "__main__":
    analyzer = PRAnalyzer()
    analyzer.run()

运行MCP服务器

使用以下命令启动服务器：

python pr_analyzer.py

启动后，打开Claude Desktop应用，通过MCP与GitHub和Notion进行交互，实现自动化的PR审查和文档管理。

---

Step2-配置支持MCP的Agent

Agent概述

Agent是指能够与MCP服务器交互的智能实体，通常由大型语言模型（LLM）驱动。通过MCP，Agent可以访问外部工具和数据源，执行复杂任务。

配置Agent

要配置支持MCP的Agent，需要完成以下步骤：

1. 设置开发环境：

   • 确保Python 3.8或更高版本已安装。
   • 安装必要的依赖，如openai-agents和mcp[cli]。

2. 定义MCP服务器配置：

   • 创建一个配置文件（例如mcp_agent.config.yaml），定义MCP服务器的设置，包括服务器类型（stdio或SSE）和工具列表。

3. 初始化Agent：

   • 使用Agent框架（如OpenAI Agents SDK）创建一个Agent实例。
   • 将MCP服务器配置传递给Agent，以便其可以访问和使用MCP工具。

4. 集成MCP工具：

   • 在Agent中注册MCP工具，确保Agent可以调用这些工具执行任务。

5. 运行Agent：

   • 启动Agent，并通过MCP服务器与外部工具进行交互。

示例代码

以下是使用OpenAI Agents SDK配置支持MCP的Agent的示例代码：

import asyncio
from openai_agents import Agent, MCPServerStdio

# 初始化MCP服务器
local_server = MCPServerStdio(
    params={
        "command": "npx",
        "args": ["-y", "@modelcontextprotocol/server-filesystem", "./local_files"],
    },
    cache_tools_list=True
)

# 创建Agent实例
async def run_agent_with_mcp_servers():
    async with local_server:
        agent = Agent(
            name="MultiToolAgent",
            instructions="Use available tools to accomplish tasks.",
            mcp_servers=[local_server]
        )
        
        # 运行Agent
        result = await agent.run("Complete the requested task using appropriate tools.")
        return result

# 执行Agent
asyncio.run(run_agent_with_mcp_servers())

调试和监控

• 日志检查：监视MCP服务器日志以捕获工具执行过程中的错误。
• 追踪功能：使用SDK的内置追踪功能监控工具调用，并优化性能。

扩展和优化

• 多Agent架构：考虑使用多个Agent来分担工具调用负担，提高系统的可扩展性。
• 缓存机制：在远程SSE服务器中使用缓存来减少延迟，提高响应速度。

通过这些步骤和示例，你可以成功配置支持MCP的Agent，并将其与外部工具和数据源进行集成。