MCP02-快速入门MCP开发

花酒锄作田2025-09-15 10:39

前言

很多文档和博客都只介绍如何开发MCP Server，然后集成到VS Code或者Cursor等程序，很少涉及如何开发MCP Host和MCP Client。如果你想要在自己的服务中集成完整的MCP功能，光看这些是远远不够的。所以本文及后续的MCP系列文章都会带你深入了解如何开发MCP Client，让你真正掌握这项技术。

准备开发环境

MCP官方SDK主要支持Python和TypeScript，当然也有其他语言的实现，不过我这里就以Python为例了。我的Python版本是3.13.5，但其实只要高于3.11应该都没问题。

我个人推荐使用uv来管理依赖，当然你也可以用传统的pip。Python SDK有官方的mcp包和社区的FastMCP包。官方SDK其实也内置了FastMCP，不过是v1版本，而FastMCP官网已经更新到了v2版本。作为学习，两个都装上试试也无妨。

bash 复制代码 
# 使用 uv
uv add mcp fastmcp

# 使用 pip
python -m pip install mcp fastmcp

第一个MCP项目：你好，MCP世界！

在第一个MCP项目中，我们实现一个简单的MCP Client和MCP Server，但还没集成LLM。在这个阶段，Client调用Server的tool或resource都需要手动指定。

MCP Server

下面的MCP Server示例代码定义了一些prompts、resources和tools。这里有个小贴士：函数参数的类型注解、返回类型和docstring都一定要写清楚，否则后续集成LLM时，LLM就无法正确理解如何调用你的工具了。

这段Server可以通过stdio方式被Client调用。在正式让Client调用之前，建议你先手动运行一下Server，测试它能否正常启动，避免Client启动时报一堆让人摸不着头脑的错误。

python 复制代码 
from mcp.server.fastmcp import FastMCP
from datetime import datetime
import asyncssh
from typing import TypeAlias, Union

mcp = FastMCP("custom")

@mcp.prompt()
def greet_user(name: str, style: str = "formal") -> str:
    """Greet a user with a specified style."""
    if style == "formal":
        return f"Good day, {name}. How do you do?"
    elif style == "friendly":
        return f"Hey {name}! What's up?"
    elif style == "casual":
        return f"Yo {name}, how's it going?"
    else:
        return f"Hello, {name}!"

@mcp.resource("greeting://{name}")
def greeting_resource(name: str) -> str:
    """A simple greeting resource."""
    return f"Hello, {name}!"

@mcp.resource("config://app")
def get_config() -> str:
    """Static configuration data"""
    return "App configuration here"

@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b

@mcp.tool()
def multiply(a: int, b: int) -> int:
    """Multiply two numbers"""
    return a * b

Number: TypeAlias = Union[int, float]

@mcp.tool()
def is_greater_than(a: Number, b: Number) -> Number:
    """Check if a is greater than b"""
    return a > b

@mcp.tool()
async def get_weather(city: str) -> str:  
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

@mcp.tool()
async def get_date() -> str:
    """Get today's date."""
    return datetime.now().strftime("%Y-%m-%d")

@mcp.tool()
async def execute_ssh_command_remote(hostname: str, command: str) -> str:
    """Execute an SSH command on a remote host.
    
    Args:
        hostname (str): The hostname of the remote host.
        command (str): The SSH command to execute.

    Returns:
        str: The output of the SSH command.
    """
    async with asyncssh.connect(hostname, username="rainux", connect_timeout=10) as conn:
        result = await conn.run(command, timeout=10)
        stdout = result.stdout
        stderr = result.stderr
        content = str(stdout if stdout else stderr)
        return content

if __name__ == "__main__":
    mcp.run(transport="stdio")

MCP Client

Client通过STDIO方式调用MCP Server，server_params中指定了如何运行Server，包括python解释器路径、Server文件名和运行位置。需要注意的是，Client启动时也会启动Server，如果Server报错，Client也会跟着无法启动。

python 复制代码 
import asyncio
from pathlib import Path
from pydantic import AnyUrl

from mcp import ClientSession, StdioServerParameters, types
from mcp.client.stdio import stdio_client

server_params = StdioServerParameters(
    command=str(Path(__file__).parent / ".venv" / "bin" / "python"),
    args=[str(Path(__file__).parent / "demo1-server.py")],
    cwd=str(Path(__file__).parent),
)

async def run():
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            # Initialize the connection
            await session.initialize()

            # List available prompts
            prompts = await session.list_prompts()
            print(f"Available prompts: {[p.name for p in prompts.prompts]}")

            # Get a prompt (greet_user prompt from fastmcp_quickstart)
            if prompts.prompts:
                prompt = await session.get_prompt("greet_user", arguments={"name": "Alice", "style": "friendly"})
                print(f"Prompt result: {prompt.messages[0].content}")

            # List available resources
            resources = await session.list_resources()
            print(f"Available resources: {[r.uri for r in resources.resources]}")

            # List available tools
            tools = await session.list_tools()
            print(f"Available tools: {[t.name for t in tools.tools]}")

            # Read a resource (greeting resource from fastmcp_quickstart)
            resource_content = await session.read_resource(AnyUrl("greeting://World"))
            content_block = resource_content.contents[0]
            if isinstance(content_block, types.TextResourceContents):
                print(f"Resource content: {content_block.text}")

            # Call a tool (add tool from fastmcp_quickstart)
            result = await session.call_tool("add", arguments={"a": 5, "b": 3})
            result_unstructured = result.content[0]
            if isinstance(result_unstructured, types.TextContent):
                print(f"Tool result: {result_unstructured.text}")
            result_structured = result.structuredContent
            print(f"Structured tool result: {result_structured}")

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

运行Client，输出如下：

rust 复制代码 
Processing request of type ListPromptsRequest
Available prompts: ['greet_user']
Processing request of type GetPromptRequest
Prompt result: type='text' text="Hey Alice! What's up?" annotations=None meta=None
Processing request of type ListResourcesRequest
Available resources: [AnyUrl('config://app')]
Processing request of type ListToolsRequest
Available tools: ['add', 'multiply', 'get_weather', 'get_date', 'execute_ssh_command_remote']
Processing request of type ReadResourceRequest
Resource content: Hello, World!
Processing request of type CallToolRequest
Tool result: 8
Structured tool result: {'result': 8}

可以看到，Client成功地调用了Server上的各种功能，包括获取提示、读取资源和调用工具。

使用streamable-http远程调用：让MCP飞起来！

上面的例子中，Client通过STDIO方式在本地调用Server。现在我们稍作修改，让它可以通过HTTP远程调用Server，这样就更加灵活了。

MCP Server

只列出修改的部分：

python 复制代码 
mcp = FastMCP("custom", host="localhost", port=8001)

if __name__ == "__main__":
    mcp.run(transport="streamable-http")

修改完成后，启动Server，它会监听在localhost:8001地址上，就像一个小小的Web服务（其实就是个Web服务，暴露的api为/mcp）。

MCP Client

同样只列出修改的部分。Client需要指定MCP Server的地址。streamablehttp_client返回的第三个参数get_session_id用于会话管理，大多数情况下你不需要直接使用它，所以在一些文档中这里会用_来占位。

python 复制代码 
from mcp.client.streamable_http import streamablehttp_client

server_uri = "http://localhost:8001/mcp"

async def main():
    async with streamablehttp_client(server_uri) as (read, write, get_session_id):
        # 获取当前会话ID
        session_id = get_session_id()
        print(f"Session ID before initialization: {session_id}")
        
        async with ClientSession(read, write) as session:
            # Initialize the connection
            await session.initialize()
            
            # 初始化后再次获取会话ID
            session_id = get_session_id()
            print(f"Session ID after initialization: {session_id}")

client运行输出：

sql 复制代码 
Session ID before initialization: None
Session ID after initialization: 60ce4204b907469e9eb46e7e01df040d
Available prompts: ['greet_user']
Prompt result: type='text' text="Hey Alice! What's up?" annotations=None meta=None
Available resources: [AnyUrl('config://app')]
Available tools: ['add', 'multiply', 'get_weather', 'get_date', 'execute_ssh_command_remote']
Resource content: Hello, World!
Tool result: 8
Structured tool result: {'result': 8}

现在我们的MCP应用已经可以通过网络进行远程调用了，架构变得更加灵活。

集成LLM：让AI自己做决定！

前面两个示例中，我们都需要在Client中手动控制调用Server的tool，这在实际应用中显然是不现实的。我们需要集成LLM，让AI自己决定该调用哪个工具。

MCP Server

Server端不需要做任何变更，Client还是通过HTTP方式调用我们之前创建的Server。

MCP Client

这里我们选用阿里的通义千问（Qwen）。Qwen的API Key可以自行申请，氪个5块钱就够个人开发用很久了。为了便于后续开发，我把配置功能单独放到了一个模块里，下面代码中直接使用了，相关模块放在"补充"部分。

python 复制代码 
"""
MCP (Model Context Protocol) 客户端示例
该客户端演示了如何使用 MCP 协议与 MCP 服务器进行交互，并通过 LLM 调用服务器提供的工具。

工作流程：
1. 连接到 MCP 服务器
2. 获取服务器提供的工具列表
3. 用户输入查询
4. 将查询发送给 LLM，LLM 可能会调用 MCP 服务器提供的工具
5. 执行工具调用并获取结果
6. 将结果返回给 LLM 进行最终回答
"""

import asyncio
# JSON 处理
import json
# 增强输入功能（在某些系统上提供命令历史等功能）
import readline  # 引入readline模块用于增强python的input功能, Windows下的python标准库可能不包含
# 异常追踪信息
import traceback
# 异步上下文管理器，用于资源管理
from contextlib import AsyncExitStack
# 类型提示支持
from typing import List, Optional, cast

# MCP 客户端会话和 HTTP 传输
from mcp import ClientSession
from mcp.client.streamable_http import streamablehttp_client
# OpenAI 异步客户端，用于与 LLM 通信
from openai import AsyncOpenAI
# OpenAI 聊天完成相关的类型定义
from openai.types.chat import (ChatCompletionAssistantMessageParam,
                               ChatCompletionMessageFunctionToolCall,
                               ChatCompletionMessageParam,
                               ChatCompletionMessageToolCall,
                               ChatCompletionToolMessageParam,
                               ChatCompletionToolParam,
                               ChatCompletionUserMessageParam)

# 项目配置和日志模块
from pkg.config import cfg
from pkg.log import logger


class MCPClient:
    """
    MCP 客户端类，负责管理与 MCP 服务器的连接和交互
    """
    
    def __init__(self):
        """
        初始化 MCP 客户端
        """
        # 客户端会话，初始为空
        self.session: Optional[ClientSession] = None
        # 异步上下文管理栈，用于管理异步资源的生命周期
        self.exit_stack = AsyncExitStack()
        # OpenAI 异步客户端，用于与 LLM 通信
        self.client = AsyncOpenAI(
            base_url=cfg.llm_base_url,
            api_key=cfg.llm_api_key,
        )

    async def connect_to_server(self, server_uri: str):
        """
        连接到 MCP 服务器
        
        Args:
            server_uri (str): MCP 服务器的 URI
        """
        # 创建 Streamable HTTP 传输连接
        http_transport = await self.exit_stack.enter_async_context(
            streamablehttp_client(server_uri)
        )
        # 获取读写流
        self.read, self.write, _ = http_transport
        # 创建并初始化客户端会话
        self.session = await self.exit_stack.enter_async_context(
            ClientSession(self.read, self.write)
        )
        # 初始化会话
        await self.session.initialize()

        # 检查会话是否成功初始化
        if self.session is None:
            raise RuntimeError("Failed to initialize session")
            
        # 获取服务器提供的工具列表
        response = await self.session.list_tools()
        tools = response.tools
        logger.info(f"\nConnected to server with tools: {[tool.name for tool in tools]}")

    async def process_query(self, query: str) -> str:
        """
        处理用户查询
        
        Args:
            query (str): 用户的查询
            
        Returns:
            str: 处理结果
        """
        # 初始化消息历史，包含用户的查询
        messages: List[ChatCompletionMessageParam] = [
            ChatCompletionUserMessageParam(
                role="user",
                content=query
            )
        ]
        
        # 确保会话已初始化
        if self.session is None:
            raise RuntimeError("Session not initialized. Please connect to server first.")
            
        # 获取服务器提供的工具列表
        response = await self.session.list_tools()
        
        # 构建工具列表，处理可能为None的字段
        # 这些工具将被传递给 LLM，以便 LLM 知道可以调用哪些工具
        available_tools: List[ChatCompletionToolParam] = []
        for tool in response.tools:
            tool_def: ChatCompletionToolParam = {
                "type": "function",
                "function": {
                    "name": tool.name,
                    "description": tool.description or "",
                    "parameters": tool.inputSchema or {}
                }
            }
            available_tools.append(tool_def)

        logger.info(f"Available tools: {available_tools}")

        # 调用 LLM 进行聊天完成
        response = await self.client.chat.completions.create(
            model=cfg.llm_model,
            messages=messages,
            tools=available_tools,
        )

        # 存储最终输出文本
        final_text = []
        # 获取 LLM 的响应消息
        message = response.choices[0].message
        final_text.append(message.content or "")

        # 如果 LLM 要求调用工具，则处理工具调用
        while message.tool_calls:
            # 处理每个工具调用
            for tool_call in message.tool_calls:
                # 确保我们处理的是正确的工具调用类型
                if hasattr(tool_call, 'function'):
                    # 这是一个函数工具调用
                    function_call = cast(ChatCompletionMessageFunctionToolCall, tool_call)
                    function = function_call.function
                    tool_name = function.name
                    # 解析工具参数
                    tool_args = json.loads(function.arguments)
                else:
                    # 跳过不支持的工具调用类型
                    continue

                # 执行工具调用
                if self.session is None:
                    raise RuntimeError("Session not initialized. Cannot call tool.")
                    
                # 调用 MCP 服务器上的工具
                result = await self.session.call_tool(tool_name, tool_args)
                final_text.append(f"[Calling tool {tool_name} with args {tool_args}]")

                # 将工具调用和结果添加到消息历史
                # 这样 LLM 可以知道它之前调用了哪些工具
                assistant_msg: ChatCompletionAssistantMessageParam = {
                    "role": "assistant",
                    "tool_calls": [
                        {
                            "id": tool_call.id,
                            "type": "function",
                            "function": {
                                "name": tool_name,
                                "arguments": json.dumps(tool_args)
                            }
                        }
                    ]
                }
                messages.append(assistant_msg)
                
                # 添加工具调用结果到消息历史
                tool_msg: ChatCompletionToolMessageParam = {
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "content": str(result.content) if result.content else ""
                }
                messages.append(tool_msg)

            # 将工具调用的结果交给 LLM，让 LLM 生成最终回答
            response = await self.client.chat.completions.create(
                model=cfg.llm_model,
                messages=messages,
                tools=available_tools
            )

            # 获取新的响应消息
            message = response.choices[0].message
            if message.content:
                final_text.append(message.content)

        # 返回最终结果
        return "\n".join(final_text)

    
    async def chat_loop(self):
        """
        运行交互式聊天循环
        """
        print("\nMCP Client Started!")
        print("Type your queries or 'quit' to exit.")

        # 持续接收用户输入
        while True:
            try:
                # 获取用户输入
                query = input("\nQuery: ").strip()

                # 检查是否退出
                if query.lower() == 'quit':
                    break

                # 忽略空输入
                if not query:
                    continue

                # 处理用户查询并输出结果
                response = await self.process_query(query)
                print("\n" + response)

            # 异常处理
            except Exception as e:
                print(f"\nError: {str(e)}")
                print(traceback.format_exc())

    async def cleanup(self):
        """
        清理资源
        """
        await self.exit_stack.aclose()

async def main():
    """
    主函数
    """
    # 创建 MCP 客户端实例
    client = MCPClient()
    try:
        # 连接到 MCP 服务器
        await client.connect_to_server("http://localhost:8001/mcp")
        # 运行聊天循环
        await client.chat_loop()
    except Exception as e:
        print(f"Error: {str(e)}")
    finally:
        # 清理资源
        await client.cleanup()

# 程序入口点
if __name__ == "__main__":
    asyncio.run(main())

client运行输出：

vbnet 复制代码 
MCP Client Started!
Type your queries or 'quit' to exit.

Query: 今天的日期是什么


[Calling tool get_date with args {}]
今天的日期是2025年9月13日。

Query: 合肥的天气怎么样？


[Calling tool get_weather with args {'city': '合肥'}]
合肥的天气总是阳光明媚！

Query: 0.11比0.9大吗


[Calling tool is_greater_than with args {'a': 0.11, 'b': 0.9}]
0.11 不比 0.9 大。0.11 小于 0.9。

Query: quit

现在AI可以自己决定调用哪个工具了。当你问"今天的日期是什么"时，它会自动调用get_date工具；当你问"合肥的天气怎么样"时，它会自动调用get_weather工具。这才是真正的智能！

小结

通过这篇文章，我们从零开始构建了一个完整的MCP应用，涵盖了从基础的Client-Server通信到集成LLM的全过程。我们学习了：

  1. 如何搭建MCP开发环境
  2. 如何创建MCP Server并定义tools、resources和prompts
  3. 如何编写MCP Client并通过stdio和HTTP两种方式与Server通信
  4. 如何集成LLM，让AI自主决定调用哪个工具

整个过程就像搭积木一样，每一步都有其特定的作用：

  • Server负责提供功能（工具和资源）
  • Client负责协调和调用这些功能
  • LLM负责智能决策，决定何时以及如何使用这些功能

这种架构的优势在于功能扩展非常灵活。当你需要添加新功能时，只需要在Server端添加新的tools或resources，Client和LLM会自动发现并使用它们，而不需要修改Client端的代码。

MCP真正实现了"上下文协议"的概念，让AI可以像人类一样访问和操作各种工具和资源，这是迈向更强大AI应用的重要一步。接下来你可以尝试添加更多有趣的工具，比如文件操作、数据库查询、API调用等，让你的AI助手变得更加强大！

补充

配置模块

pkg/config.py

python 复制代码 
import json
from pathlib import Path

class Config:
    def __init__(self):
        p = Path(__file__).parent.parent / "conf" / "config.json"
        if not p.exists():
            raise FileNotFoundError(f"Config file not found: {p}")
        self.data = self.read_json(str(p))

    def read_json(self, filepath: str) -> dict:
        with open(filepath, "r") as f:
            return json.load(f)
        
    @property
    def llm_model(self) -> str:
        return self.data["llm"]["model"]
    
    @property
    def llm_api_key(self):
        return self.data["llm"]["api_key"]
    
    @property
    def llm_base_url(self) -> str:
        return self.data["llm"]["base_url"]
    
    @property
    def server_host(self) -> str:
        return self.data["server"]["host"]
    
    @property
    def server_port(self) -> int:
        return self.data["server"]["port"]
    
cfg = Config()

配置文件conf/config.json

json 复制代码 
{
    "llm": {
        "model": "qwen-plus",
        "base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
        "api_key": "your token"
    },
    "server": {
        "host": "127.0.0.1",
        "port": 8000
    }
}

日志模块

pkg/log.py

python 复制代码 
import logging
import sys

def set_formatter():
    """设置formatter"""
    fmt = "%(asctime)s | %(name)s | %(levelname)s | %(filename)s:%(lineno)d | %(funcName)s | %(message)s"
    datefmt = "%Y-%m-%d %H:%M:%S"
    return logging.Formatter(fmt, datefmt=datefmt)


def set_stream_handler():
    return logging.StreamHandler(sys.stdout)

def set_file_handler():
    return logging.FileHandler("app.log", mode="a", encoding="utf-8")


def get_logger(name: str = "mylogger", level=logging.DEBUG):
    logger = logging.getLogger(name)

    formatter = set_formatter()
    # handler = set_stream_handler()
    handler = set_file_handler()
    handler.setFormatter(formatter)
    logger.addHandler(handler)

    logger.setLevel(level)

    return logger


logger = get_logger()
相关推荐
华为云开发者联盟19 小时前
【新特性】 版本速递 | 华为云Versatile智能体平台 新增特性介绍（2025年10月发布）
人工智能·华为云开发者联盟·ai agent·mcp·华为云versatile
字节跳动安全中心19 小时前
开源！可信MCP，AICC机密计算新升级！
安全·llm·mcp
大模型真好玩21 小时前
低代码Agent开发框架使用指南（六）—Coze 变量与长期记忆
人工智能·coze·mcp
字节跳动开源21 小时前
开源可信MCP，AICC机密计算新升级！
mcp
数据智能老司机1 天前
使用 Python 入门 Model Context Protocol（MCP）——深入解析模型上下文协议（MCP）
llm·agent·mcp
YUELEI1181 天前
Mcp 基础
mcp
大模型真好玩3 天前
LangGraph实战项目：从零手搓DeepResearch（四）——OpenDeepResearch源码解析与本地部署
人工智能·agent·mcp
昭昭日月明3 天前
🚀 告别手动调试，Chrome DevTools MCP 推荐
ai编程·mcp
扫地僧20214 天前
ASP.NET Core WebApi 集成 MCP 协议完全指南
mcp
后端小肥肠5 天前
效率狂飙！n8n 无人值守工作流，每天自动把领域最新热点做成小红书卡片存本地
人工智能·agent·mcp
热门推荐
01GitHub 镜像站点02UV安装并设置国内源03BongoCat - 跨平台键盘猫动画工具04GitLab 零基础入门指南：从安装到项目管理全流程05Linux下V2Ray安装配置指南06NVIDIA显卡驱动、CUDA、cuDNN 和 TensorRT 版本匹配指南07安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）08在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）09jdk21下载、安装（Windows、Linux、macOS）10Labelme从安装到标注：零基础完整指南