从零到一：打包并发布你的第一个MCP AI工具服务

探索MCP：模型上下文协议

概述

MCP (Model Context Protocol) 是一种专为大型语言模型 (LLM) 设计的协议，旨在打通模型与外部数据源、工具及服务之间的壁垒，实现无缝集成。

传输方式

MCP主要支持以下几种传输方式：

stdio (标准输入/输出)

这是最基础和通用的传输方式。它通过标准输入流读取数据，并向标准输出流写入结果，非常适合本地开发、命令行工具 (CLI) 和代理插件的集成。
sse (服务器发送事件)

SSE 基于标准的 HTTP 协议，用于解决远程服务的访问问题。在此模式下，MCP 服务作为一个独立的 Web 服务器运行，能够处理来自多个客户端的并发连接。
streamable-http (可流式传输的HTTP)

这是MCP协议在新版本中引入的新传输机制，作为 SSE 的强大替代方案。它同样基于 HTTP POST/GET 请求，并利用服务器发送事件 (SSE) 的能力来高效地流式传输多条服务器消息。

构建一个简单的MCP服务

MCP服务示例

使用 FastMCP 可以轻松创建一个MCP服务。

python 复制代码

from mcp.server.fastmcp import FastMCP

# 初始化MCP服务实例
mcp = FastMCP("My_Mcp_Server")

@mcp.tool()
def sum(a: int,b: int) -> int:
    """ 两个数相加求和
    
    Args:
        a (int): 整数a
        b (int): 整数b
        
    Returns:
        int: 两个数的和
    """
    return a+b

if __name__ == '__main__':
    # 启动MCP服务，使用标准输入输出作为传输方式
    mcp.settings.host = "0.0.0.0"
    mcp.settings.port = 8000
    mcp.run(transport='stdio')
    print("MCP服务已启动，等待工具调用...")

在本地使用MCP服务

在支持MCP的 AI工具（如 trae）中，可以通过简单的JSON配置来注册和使用本地服务。

配置 mcp.json 文件：

python 复制代码

{
  "mcpServers": {
    "My_Mcp_Server": {
      "command": "python",
          "args": [
            "D:\\WorkSpace\\AI\\demo\\main.py"
          ]
    }
  }
}

配置完成后，可以在工具中看到服务状态。现在，向 AI 提问，验证服务是否被成功调用。

部署并远程调用MCP服务

本地 stdio 模式非常适合开发和调试，但若要让服务被公开访问，则需要将其部署为网络服务。这可以通过 sse 或 streamable-http 协议实现。

切换传输协议

只需在服务入口文件中修改一行代码，即可切换传输协议。

bash 复制代码

if __name__ == '__main__':
    # 启动 MCP 服务，使用 sse 或 streamable-http 协议
    # mcp.run(transport='stdio')
    mcp.settings.host = "0.0.0.0"
    mcp.settings.port = 8000
    mcp.run(transport='sse')
    # mcp.run(transport='streamable-http')

在AI客户端中配置远程服务

以 Cherry Studio 为例，添加一个新的MCP服务，并根据选择的协议进行配置。

使用 sse 协议 ：选择 sse 类型，并输入服务地址，格式为 http://<IP>:<端口>/sse。

使用 streamable-http 协议 ：选择 streamableHttp 类型，URL 地址格式为 http://<IP>:<端口>/mcp。

在AI开发工具中配置远程服务

可以将 Cherry Studio 中的图形化配置导出为 JSON，以便在其他开发工具（如 Cursor、VSCode）中使用。

将导出的 JSON 粘贴到开发工具的配置文件中。请注意 ：某些工具（如 Cursor）要求将 baseUrl 字段名修改为 url 才能正确识别。

bash 复制代码

{
  "mcpServers": {
    "A_N9cktV9xBWJfUv4w3Ug": {
      "name": "我的MCP服务器",
      "type": "streamableHttp",
      "description": "",
      "isActive": true,
      "tags": [],
      "url": "http://localhost:8000/mcp"
    }
  }
}

配置完成后，即可在开发工具中看到服务已成功连接。

将MCP服务打包为Python包

将开发好后的工具封装成一个 Python 包并发布到 PyPI，是与社区共享成果的最佳方式。其他用户只需一条命令即可安装和使用所开发的MCP服务。

初始化项目

使用 uv 可以快速创建一个结构规范的Python项目。

bash 复制代码

# 创建并进入项目目录
mkdir ccyy_mcp
cd ccyy_mcp

# 当前目录下初始化 创建一个结构化的、可以打包分发的Python项目
uv init . --package

uv会创建一个src目录，并在里面建立一个与项目同名的子目录，里面还包含一个 __init__.py文件。这种结构是Python打包的推荐做法。

添加依赖

bash 复制代码

uv add "mcp[cli]"

编写服务与入口脚本

将之前的服务代码放入 src/ccyy_mcp/main.py。然后，在 src/ccyy_mcp/__init__.py 中创建一个 main 函数作为命令行入口。

在 __init__.py同级目录创建main.py文件编写MCP服务代码

bash 复制代码

from mcp.server.fastmcp import FastMCP

# 初始化MCP服务实例
mcp = FastMCP("My_Mcp_Server")

@mcp.tool()
def sum(a: int,b: int) -> int:
    """ 两个数相加求和
    
    Args:
        a (int): 整数a
        b (int): 整数b
        
    Returns:
        int: 两个数的和
    """
    return a+b

if __name__ == '__main__':
    # 启动MCP服务，使用标准输入输出作为传输方式
    mcp.run(transport='stdio')

在 __init__.py文件中配置启动MCP服务

python 复制代码

from ccyy_mcp.main import mcp

def main() -> None:
    mcp.settings.host = "0.0.0.0"
    mcp.settings.port = 8000
    mcp.run(transport='stdio')
    print("MCP服务已启动，等待工具调用...")

打包构建

默认情况下，执行uv build后，所有生成的打包文件（.whl 和 .tar.gz）都会被放置在项目根目录下的一个名为dist的文件夹里

bash 复制代码

uv build

获取Token

首先，访问Pypi官网，在Account settings菜单栏下找到API tokens并执行Add API token进行添加一个Token

发布到Pypi

在项目根目录执行以下命令将构建的Python包发布到Pypi网站

bash 复制代码

uv publish --token Token

发布成功后，就可以在PyPI网站的 Your projects页面看到包信息。

使用发布的包

现在，任何用户都可以通过 uvx（或 pipx）直接运行发布的MCP服务，无需手动下载代码。

在 Cherry Studio 中使用 ： command 填 uvx，args 填写包名 ccyy-mcp。
在AI开发工具中配置：

python 复制代码

{
  "mcpServers": {
    "My_Mcp_Server": {
      "command": "uvx",
          "args": [
            "ccyy-mcp"
          ]
    }
  }
}