【MCP】从0到1实现一个MCP Server

说好了一辈子，少一年、一个月、一天、一个时辰，都不是一辈子。

《霸王别姬》（1993）

01 MCP介绍

MCP全称Model Context Protocol，模型上下文协议。

MCP 是一种开放协议，它标准化了应用程序如何为 LLM 提供上下文。将 MCP 想象成 AI 应用程序的 USB-C 端口。正如 USB-C 提供了一种将设备连接到各种外围设备和配件的标准化方式一样，MCP 也提供了一种将 AI 模型连接到不同数据源和工具的标准化方式。

02 为什么选择MCP

MCP 可帮助您在 LLM 之上构建代理和复杂的工作流程。LLM 经常需要与数据和工具集成，而 MCP 提供：

越来越多的预构件集成，您的 LLM 可以直接引入并使用
在 LLM 提供商和供应商之间切换的灵活性
在基础架构中保护数据的最佳实践

03 MCP架构

MCP 的核心遵循客户端-服务器架构，其中主机应用程序可以连接到多个服务器：

MCP Hosts：希望通过 MCP 访问数据的 Claude Desktop、IDE 或 AI 工具等程序
MCP Clients：与服务器保持 1：1 连接的协议客户端
MCP Servers：轻量级程序，每个程序都通过标准化的 Model Context Protocol 公开特定功能
Local Data Sources：MCP 服务器可以安全访问的计算机文件、数据库和服务
Remote Services：MCP 服务器可以连接到的 Internet 上可用的外部系统（例如，通过 API）

04 快速实现简单的MCP Server

这里我们将快速构建一个简单的MCP服务，以便在 Claude for Desktop 和其他客户端（Cline、Cursor等等）中使用。

MCP 服务可以提供三种主要类型的功能：

Resources：客户端可以读取的类似文件的数据（如 API 响应或文件内容）
Tools：LLM 可以调用的函数（经用户批准）
Prompts：帮助用户完成特定任务的预先编写的模板

这里我们使用 Python + Cline 实现MCP Server的编码与调用，Python版本为3.10或更高，MCP SDK 版本为 1.2.0 或更高。

官方文档建议使用 uv 作为包管理工作，但是我偏不用，我就用相对原始的 pip 命令。

这里默认各位朋友是掌握了 Python 语言的，所以我省略了环境的配置，也省略了项目的创建。我的项目长这样：

对，基本没啥东西，就一个 main.py 文件。

我们先 mock 一些数据，用于后续使用。实际开发场景中，我们会去访问真实数据。

python 复制代码

# 准备模拟数据
# 用户信息数组，用户信息key是用户名，value是用户信息
users = {
    "alice": {"name": "Alice", "age": 25},
    "bob": {"name": "Bob", "age": 30},
    "charlie": {"name": "Charlie", "age": 35},
}

# 用户资源数组，用户资源key是用户名，value是资源内容
resources = {
    "alice": ["res1", "res2", "res3"],
    "bob": ["res4", "res5"],
    "charlie": ["res6"]
}

# 应用配置信息
config = {
    "app_name": "FastMCP",
    "app_version": "1.0.0",
    "app_description": "A FastMCP server",
    "app_author": "FastMCP Team",
    "app_license": "MIT",
    "app_url": "https://github.com/FastMCP/FastMCP",
    "app_contact": "https://github.com/FastMCP/FastMCP/issues",
    "app_email": "[email protected]",
}

构建 MCP 服务，官方 MCP 包中提供了 FastMCP 类用于快速创建 MCP 服务。

python 复制代码

mcp: FastMCP = FastMCP(
    name="这是FastMCP的参数name",
    instructions="""
    这是FastMCP的参数instructions.
    """
)

根据官方文档介绍，我们使用 @mcp.tool() 装饰器定义 Tools，使用@mcp.resource() 定义 Resources，使用 @mcp.prompt() 定义 Prompts。

python 复制代码

#             @server.tool()
#             def my_tool(x: int) -> str:
#                 return str(x)
#
#             @server.tool()
#             def tool_with_context(x: int, ctx: Context) -> str:
#                 ctx.info(f"Processing {x}")
#                 return str(x)
#
#             @server.tool()
#             async def async_tool(x: int, context: Context) -> str:
#                 await context.report_progress(50, 100)
#                 return str(x)
@mcp.tool()
def custom_tool(name: str) -> str:
    """
    获取指定用户的信息
    """
    return json.dumps(users[name])


#             @server.resource("resource://my-resource")
#             def get_data() -> str:
#                 return "Hello, world!"
#
#             @server.resource("resource://my-resource")
#             async get_data() -> str:
#                 data = await fetch_data()
#                 return f"Hello, world! {data}"
#
#             @server.resource("resource://{city}/weather")
#             def get_weather(city: str) -> str:
#                 return f"Weather for {city}"
#
#             @server.resource("resource://{city}/weather")
#             async def get_weather(city: str) -> str:
#                 data = await fetch_weather(city)
#                 return f"Weather for {city}: {data}"
@mcp.resource("resource://{user_name}")
def custom_resource_template(user_name: str) -> str:
    """
    获取指定用户的资源列表
    """
    return json.dumps(resources[user_name])


@mcp.resource("config://app")
def custom_resource() -> str:
    """
    获取应用配置信息
    """
    # 将config转换成json字符串
    return json.dumps(config)


#             @server.prompt()
#             def analyze_table(table_name: str) -> list[Message]:
#                 schema = read_table_schema(table_name)
#                 return [
#                     {
#                         "role": "user",
#                         "content": f"Analyze this schema:\n{schema}"
#                     }
#                 ]
#
#             @server.prompt()
#             async def analyze_file(path: str) -> list[Message]:
#                 content = await read_file(path)
#                 return [
#                     {
#                         "role": "user",
#                         "content": {
#                             "type": "resource",
#                             "resource": {
#                                 "uri": f"file://{path}",
#                                 "text": content
#                             }
#                         }
#                     }
#                 ]
@mcp.prompt()
def custom_prompt(name: str) -> str:
    """
    欢迎指定用户
    """
    return f"欢迎，{name}！有什么需要帮助的码?"

定义运行参数，运行我们的 MCP 服务

python 复制代码

if __name__ == "__main__":
    # Initialize and run the server
    mcp.run()

完整代码如下：

python 复制代码

import json

from mcp.server import FastMCP

# 准备模拟数据
# 用户信息数组，用户信息key是用户名，value是用户信息
users = {
    "alice": {"name": "Alice", "age": 25},
    "bob": {"name": "Bob", "age": 30},
    "charlie": {"name": "Charlie", "age": 35},
}

# 用户资源数组，用户资源key是用户名，value是资源内容
resources = {
    "alice": ["res1", "res2", "res3"],
    "bob": ["res4", "res5"],
    "charlie": ["res6"]
}

# 应用配置信息
config = {
    "app_name": "FastMCP",
    "app_version": "1.0.0",
    "app_description": "A FastMCP server",
    "app_author": "FastMCP Team",
    "app_license": "MIT",
    "app_url": "https://github.com/FastMCP/FastMCP",
    "app_contact": "https://github.com/FastMCP/FastMCP/issues",
    "app_email": "[email protected]",
}

mcp: FastMCP = FastMCP(
    name="这是FastMCP的参数name",
    instructions="""
    这是FastMCP的参数instructions.
    """
)


#             @server.tool()
#             def my_tool(x: int) -> str:
#                 return str(x)
#
#             @server.tool()
#             def tool_with_context(x: int, ctx: Context) -> str:
#                 ctx.info(f"Processing {x}")
#                 return str(x)
#
#             @server.tool()
#             async def async_tool(x: int, context: Context) -> str:
#                 await context.report_progress(50, 100)
#                 return str(x)
@mcp.tool()
def custom_tool(name: str) -> str:
    """
    获取指定用户的信息
    """
    return json.dumps(users[name])


#             @server.resource("resource://my-resource")
#             def get_data() -> str:
#                 return "Hello, world!"
#
#             @server.resource("resource://my-resource")
#             async get_data() -> str:
#                 data = await fetch_data()
#                 return f"Hello, world! {data}"
#
#             @server.resource("resource://{city}/weather")
#             def get_weather(city: str) -> str:
#                 return f"Weather for {city}"
#
#             @server.resource("resource://{city}/weather")
#             async def get_weather(city: str) -> str:
#                 data = await fetch_weather(city)
#                 return f"Weather for {city}: {data}"
@mcp.resource("resource://{user_name}")
def custom_resource_template(user_name: str) -> str:
    """
    获取指定用户的资源列表
    """
    return json.dumps(resources[user_name])


@mcp.resource("config://app")
def custom_resource() -> str:
    """
    获取应用配置信息
    """
    # 将config转换成json字符串
    return json.dumps(config)


#             @server.prompt()
#             def analyze_table(table_name: str) -> list[Message]:
#                 schema = read_table_schema(table_name)
#                 return [
#                     {
#                         "role": "user",
#                         "content": f"Analyze this schema:\n{schema}"
#                     }
#                 ]
#
#             @server.prompt()
#             async def analyze_file(path: str) -> list[Message]:
#                 content = await read_file(path)
#                 return [
#                     {
#                         "role": "user",
#                         "content": {
#                             "type": "resource",
#                             "resource": {
#                                 "uri": f"file://{path}",
#                                 "text": content
#                             }
#                         }
#                     }
#                 ]
@mcp.prompt()
def custom_prompt(name: str) -> str:
    """
    欢迎指定用户
    """
    return f"欢迎，{name}！有什么需要帮助的码?"


if __name__ == "__main__":
    # Initialize and run the server
    mcp.run()

我们在命令行输入：mcp dev main.py，回车执行

打开这个地址，这个网页就是 MCP Inspector，我们可以用来调试我们开发的 MCP服务。

这里我们需要将 Command 中的uv替换成 D:\Demos\mcp-server-demo\mcp-server-demo\venv\Scripts\python.exe，将 Arguments 换成 main.py，接着点击 Connect 连接我们的 MCP 服务。为什么我们要换一下这里的 Command 和 Arguments？？？因为我们压根就没用到 uv，这里的本质还是运行我们自己编写的main.py 文件，希望各位朋友能理解。怎么运行不重要，能运行起来才重要~

MCP Inspector 不是这篇文章的讨论和使用重点，这里就放一张图各位看看效果，MCP Inspector 主要还是用来调试我们自己的 MCP Server。

在 MCP Client中使用，这里我们选择的是 Cline。Cline 是什么、怎么使用这里不再赘述，感兴趣可以看我之前的文章，里面有详细的介绍和使用。

DeepSeek+Cline使用教程（告别手动编码，全面拥抱AI）

这里我们配置好MCP服务，配置如下：

json 复制代码

{
  "mcpServers": {
    "mcp-server-demo": {
      "command": "D:Demos\\mcp-server-demo\\mcp-server-demo\\venv\\Scripts\\python",
      "args": [
        "D:\\Demos\\mcp-server-demo\\mcp-server-demo\\main.py"
      ],
      "autoApprove": [
        "custom_tool"
      ]
    }
  }
}

完整配置效果如下图，有绿色小圆点表示配置成功。

配置成功后，我们可以简单试下效果。

"获取alice的用户信息"

"获取应用的配置信息"

05 总结

至此，我们就从 0~1 完成了一个简单的，属于我们自己的 MCP Server。

整个问答的幕后逻辑如下，当我们提出问题时：

客户将您的问题发送给 LLM
LLM 分析了可用的工具并决定使用哪一个
客户端（Cline）通过 MCP 服务器执行所选工具
将结果发送回给 LLM
LLM 制定自然语言响应
响应向使用者显示

这生活已经很难了，难能可贵的是您能在百忙之中抽空阅读这些文章。如果能给到您一点小小的帮助，也是我非常喜闻乐见的😁