MCP神器！MCP-USE 一键部署连接任何MCP服务器

Hello， 大家好，我是程序员海军, 全栈开发 |AI爱好者 ｜ 独立开发。

最近一直在研究MCP方面的事情，使用的技术栈是Python + FastAPi + FastMCP，开发了多个MCP-Server，本地化访问没啥问题，准备部署试着玩一下，调研发现这样的一个 MCP 神器，可一键部署MCP 服务器托管，并且它简化了很多操作，简直太方便了。

mcp-use 是连接任何 LLM 到任何 MCP 服务器并构建自定义 MCP 智能体最简单的开源方式，无需依赖闭源或特定应用客户端。 它解决了开发者在构建 AI 智能体时面临的工具集成复杂性问题，让开发者能够轻松地将 LLM 连接到各种工具，如网页浏览、文件操作等。

什么是 mcp-use

mcp-use 是一个开源 Python 库，专门用于连接LLM 和 MCP服务器。它充当了 LLM 和各种工具服务之间的桥梁，让开发者能够创建具有工具访问能力的自定义智能体。

核心价值

• 开放性：完全开源，不依赖任何闭源或特定应用的客户端
• 通用性：支持任何 LangChain 兼容的 LLM 提供商（OpenAI、Anthropic、Groq 等）
• 灵活性：通过简单的 JSON 配置即可连接各种 MCP 服务器
• 易用性：提供简洁的 Python API，几行代码即可创建功能强大的智能体

mcp-use 功能

LLM 灵活性

• 支持各大模型系列的模型

多种连接方式

• Stdio 连接：标准输入输出连接方式
• HTTP 连接：支持连接到特定端口的 MCP 服务器
• SSE 连接：支持服务端事件流连接
• 沙盒执行：通过 E2B 云基础设施运行 MCP 服务器

高级功能

• 多服务器支持：同时连接多个 MCP 服务器
• 动态服务器选择：智能选择最合适的服务器执行任务
• 工具访问控制：限制智能体可使用的工具范围
• 流式输出：支持实时输出智能体的执行过程
• 调试模式：提供详细的调试信息帮助开发

2.4 配置管理

• 支持 JSON 配置文件
• 支持字典配置
• 环境变量管理
• 灵活的服务器配置选项

mcp-use 如何使用

安装

# 基础安装
pip install mcp-use

# 安装 LLM 提供商依赖
pip install langchain-openai  # OpenAI
pip install langchain-anthropic  # Anthropic

# 安装沙盒支持（可选）
pip install "mcp-use[e2b]"

基本使用

import asyncio
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from mcp_use import MCPAgent, MCPClient

async def main():
    load_dotenv()
    
    # 配置 MCP 服务器
    config = {
        "mcpServers": {
            "playwright": {
                "command": "npx",
                "args": ["@playwright/mcp@latest"],
                "env": {"DISPLAY": ":1"}
            }
        }
    }
    
    # 创建客户端和智能体
    client = MCPClient.from_dict(config)
    llm = ChatOpenAI(model="gpt-4o")
    agent = MCPAgent(llm=llm, client=client, max_steps=30)
    
    # 执行任务
    result = await agent.run(
        "上海有哪些美食"
    )
    print(f"结果: {result}")

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

使用配置文件

创建 mcp-config.json 文件：

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": ["@playwright/mcp@latest"],
      "env": {
        "DISPLAY": ":1"
      }
    },
    "airbnb": {
      "command": "npx",
      "args": ["-y", "@openbnb/mcp-server-airbnb"]
    }
  }
}

在代码中使用mcpserver

client = MCPClient.from_config_file("mcp-config.json")

流式输出

async for chunk in agent.astream("山西哪里好玩？"):
    print(chunk["messages"], end="", flush=True)

工具访问控制

# 限制智能体可使用的工具
agent = MCPAgent(
    llm=llm,
    client=client,
    disallowed_tools=["get_Personal",]  # 禁用一些工具调用
)

调试模式

#在代码中设置
import mcp_use
mcp_use.set_debug(2)  # 启用详细调试信息

总结

mcp-use 为开发者提供了一个强大而灵活的解决方案，解决了 LLM 与外部工具集成的复杂性问题。

我们可以通过几行代码快速构建AI Agent，并且还可以轻松的集成MCP 服务器和工具了。

随着 MCP 生态系统的不断发展，我觉得不管是大模型的开发还是Agent 开发等等，门槛都会被降低下来了，现在已经是这个趋势了。AI 的飞速发展，以往的很多知识点可能被推翻，化繁为简，变的更简单。

mcp-use: https://mcp-use.com/