自己开发 MCP 服务器

一、前言

MCP 已经火了一段时间了，目前也有许多现有的 MCP 服务器。今天我们要做的是自己开发一个 MCP 服务器，并编写 MCP 客户端，调用 MCP 服务器。并使用本地大语言模型与之联动。

除了自己编写 MCP 客户端，我们写好的 MCP 服务器也可以提供给 Cline、CherryStudio 等平台调用。

二、FastMCP

FastMCP 是一个用于快速构建 MCP 服务器、客户端的 Python 模块。可以通过 pip 安装：

bash 复制代码

pip install fastmcp

2.1 创建 MCP 服务器

首先我们来创建一个 MCP 服务器。创建 MCP 服务器的步骤如下：

创建 FastMCP 实例
创建工具
运行 MCP 服务器

在 FastMCP 中提供了 FastMCP 类用于构建服务器，另外提供了@mcp.tool注解用来添加工具，上述流程完整代码如下：

python 复制代码

from fastmcp import FastMCP

# 1、创建 FastMCP 实例
mcp = FastMCP()

# 2、创建工具
@mcp.tool()
def get_weather(city: str, date: str):
    """
    获取 city 的天气情况
    :param city: 城市
    :param date: 日期
    :return: 城市天气情况的描述
    """
    return f"{city} {date} 天晴，18度。"


# 3、运行MCP服务器
if __name__ == '__main__':
    mcp.run()

2.2 创建 MCP 客户端

MCP 客户端是用于从服务器获取上下文的程序。MCP 需要做的事情有：

连接 MCP 服务器
获取工具、资源、提示词
调用工具

FastMCP 提供了 Client 类用于创建 MCP 客户端，代码如下：

python 复制代码

import asyncio
from fastmcp import Client


async def run():
    # 连接 MCP 服务器
    client = Client('server.py')
    async with client:
        # 列出工具
        tools = await client.list_tools()

        tool = tools[0]
        # 调用工具
        tool_result = await client.call_tool(tool.name, {"city": "南昌"})
        print(tool_result)


if __name__ == '__main__':
    asyncio.run(run())

三、大语言模型调用MCP服务器

大语言模型调用 MCP 的原理就是，使用 MCP 客户端从 MCP 服务器拿到所有工具，在调用大语言模型时，以 function calling 的方式把工具传入，当大语言模型返回 tool_call 消息时，利用 MCP 客户端调用工具，并将调用结果传递给大语言模型。

3.1 OpenAI模块调用ollama中模型

首先看看如何调用 ollama 模型：

python 复制代码

from openai import OpenAI

# 创建OpenAI客户端
openai_client = OpenAI(
    base_url='http://127.0.0.1:11434/v1',
    api_key="None"
)

# 调用大语言模型
response = openai_client.chat.completions.create(
    model='qwen3:0.6b',
    messages=[
        {
            'role': 'user',
            'content': '今天北京天气怎么样？'
        }
    ]
)

这里我们做了两件事，分别是创建 OpenAI 客户端和调用大语言模型。在调用大语言模型时，我们可以传入工具列表。

3.2 大语言模型调用 MCP 服务器

大语言模型需要依赖 MCP 客户端调用服务器，因此还需要创建 MCP 客户端。具体代码如下：

python 复制代码

import asyncio
import json

from fastmcp import Client
from openai import OpenAI

# 创建MCP客户端
mcp_client = Client('server.py')
# 创建OpenAI客户端
openai_client = OpenAI(
    base_url='http://127.0.0.1:11434/v1',
    api_key="None"
)


async def main():
    async with mcp_client:
        # 获取工具列表，并转换格式
        tools = await mcp_client.list_tools()
        tools = [
            {
                "type": "function",
                "function": {
                    "name": tool.name,
                    "description": tool.description,
                    "input_schema": tool.inputSchema
                }
            }
            for tool in tools
        ]
        # 调用语言模型时，传入工具
        response = openai_client.chat.completions.create(
            model='qwen3:0.6b',
            messages=[
                {
                    'role': 'user',
                    'content': '今天北京天气怎么样？'
                }
            ],
            tools=tools
        )
        # 如果返回tool_calls，则调用工具，否则直接回答
        if response.choices[0].finish_reason != 'tool_calls':
            print(response)
        else:
            for tool_call in response.choices[0].message.tool_calls:
                # 调用工具，参数由大语言模型给出
                tool_result = await mcp_client.call_tool(tool_call.function.name, json.loads(tool_call.function.arguments))
                print(tool_result)


if __name__ == '__main__':
    asyncio.run(main())

这里有几点需要注意。

工具格式，MCP 客户端返回的工具格式不能直接使用，而是要转换成如下形式：

json 复制代码

{
    "type": "function",
    "function": {
        "name": "",
        "description": "",
        "input_schema": {}
    }
}

大语言模型的 tool_call 中会返回 arguments，表示调用工具时携带的参数，但是这个参数是字符串形式，而 call_tool 需要 json，因此需要转换成 json

这样，我们整个内容就完整了。

四、总结

FastMCP 是一个非常方便的 MCP 开发模块，我们上面开发的 MCP 服务器不止可以用客户端代码调用，也可以用 Cline 等客户端调用。

另外 FastMCP 还提供了 prompts、resources 等功能，感兴趣的读者可以查看官方文档。