5.2 MCP服务器

MCP 服务器介绍

MCP 服务端是什么

• 角色定位：MCP Server 是跑在本地或远程的"轻量级能力插件"，向上为 LLM/Agent 暴露标准化的 资源（Resources）、工具（Tools）、提示（Prompts）三类能力，向下则安全地访问文件、数据库、API 等实际数据源。
• 架构位置：整个 MCP 采用经典 C/S 架构------Host（Claude Desktop、IDE 等）→ MCP Client（1:1 连接）→ MCP Server → 本地/远程资源。

服务端种类

当下主流的与大模型交互的三要素无非是：工具、资源、提示词，而mcp针对这三类均做了标准化处理。 以下是几个重要的功能：

• Resouces ：定制化地请求和访问本地的资源，可以是文件系统、数据库、当前代码编辑器中的文件等等原本网页端的app 无法访问到的 静态资源。额外的 resources 会丰富发送给大模型的上下文，使得 AI 给我们更加精准的回答。
• Prompts ：定制化一些场景下可供 AI 进行采纳的 prompt，比如如果需要 AI 定制化地返回某些格式化内容时，可以提供自定义的 prompts。
• Tools ：可供 AI 使用的工具，它必须是一个函数，比如预定酒店、打开网页、关闭台灯这些封装好的函数就可以是一个 tool，大模型会通过 function calling 的方式来使用这些 tools。 Tools 将会允许 AI 直接操作我们的电脑，甚至和现实世界发生交互。

---

UV 工具介绍

MCP开发要求借助uv进行虚拟环境创建和依赖管理。uv 是一个Python 依赖管理工具，类似于 pip 和 conda，但它更快、更高效，并且可以更好地管理 Python 虚拟环境和依赖项。它的核心目标是替代 pip、venv 和 pip-tools，提供更好的性能和更低的管理开销。uv 具体使用可参考文档：https://www.cuiliangblog.cn/detail/section/228701279

MCP 服务器开发

功能说明

以之前开发的天气查询助手为例演示如何进行开发，MCP 基本执行流程如下：

代码编写

import json
import os
from typing import Any
import httpx
import dotenv
from mcp.server.fastmcp import FastMCP
from loguru import logger

# 加载环境变量配置
dotenv.load_dotenv()

# 初始化 MCP 服务器，命名为 WeatherServer
mcp = FastMCP("WeatherServer")


@mcp.tool()  # 将函数注册为MCP工具
async def get_weather(city: str) -> dict[str, Any] | None:
    """
    查询指定城市的即时天气信息。

    :param city: 必要参数，字符串类型，表示要查询天气的城市名称。
                 注意：中国城市需使用其英文名称，如 "Beijing" 表示北京。
    :return: 返回 OpenWeather API 的响应结果，URL 为
             https://api.openweathermap.org/data/2.5/weather。
             响应内容为 JSON 格式的字典，包含详细的天气数据；
             如果请求失败则返回 None。
    """
    # 构建请求 URL
    url = "https://api.openweathermap.org/data/2.5/weather"

    # 设置查询参数
    params = {
        "q": city,  # 城市名称
        "appid": os.getenv("OPENWEATHER_API_KEY"),  # 从环境变量中读取 API Key
        "units": "metric",  # 使用摄氏度作为温度单位
        "lang": "zh_cn"  # 返回简体中文的天气描述
    }

    # 发起异步 HTTP GET 请求并处理响应
    async with httpx.AsyncClient() as client:
        try:
            response = await client.get(url, params=params, timeout=30.0)
            response.raise_for_status()
            logger.info(f"查询天气结果：{json.dumps(response.json())}")
            return response.json()
        except Exception as e:
            logger.error(f"查询天气失败：{e}")
            return None


if __name__ == "__main__":
    # 启动 MCP 服务器，使用标准输入输出方式进行通信
    logger.info("启动 MCP 服务器...")
    mcp.run(transport='stdio')

运行服务

在本地启动一个 MCP 服务器，运行刚刚创建的 server.py 文件，并进入一个开发模式，方便：

1. 热加载代码（修改后不用重启整个客户端）
2. 在终端里查看服务器和 MCP 客户端之间的通信日志（方便调试）
3. 模拟 MCP 客户端连接到你的服务器，测试 API / 工具调用是否正常

运行Inspector

npx -y @modelcontextprotocol/inspector uv run server.py Starting MCP inspector...

⚙️ Proxy server listening on localhost:6277

🔑 Session token: c74f080a0d770ea7ae26594304ad9cc160a1a131f54f7b9db3a89f98d25cb672 Use this

token to authenticate requests or set DANGEROUSLY_OMIT_AUTH=true to disable auth

🚀 MCP Inspector is up and running at: http://localhost:6274/?MCP_PROXY_AUTH_TOKEN=c74f080a0d770ea7ae26594304ad9cc160a1a131f54f7b9db3a89f98d25cb672 🌐 Opening browser...

也可以执行

# mcp dev server.py

服务启动后会自动打开浏览器工具

---

使用mcp服务器

为方便测试 mcp 服务器，我们暂时先不开发 mcp 客户端，而是通过第三方客户端工具调用。

安装cherry studio

具体可参考文档：https://docs.cherry-ai.com/advanced-basic/mcp/config

配置 MCP 服务器

新增一个 MCP 服务器，启动参数如下

--directory
D:\PycharmProjects\LangChainDemo # 替换为实际项目路径
run
server.py

运行测试

在 mcp 工具中启用天气查询工具

访问测试

原理分析

启用 MCP 后，Cherry Studio 不只是把用户的输入直接交给 Ollama，它会多一个 "模型中转+工具编排" 的流程：

步骤分析

1. 用户输入

你在 Cherry Studio 输入问题，比如：

1. Cherry Studio 请求模型（前置 MCP 拦截）

• Cherry Studio 收到输入后，并不会立刻把它丢给 Ollama，而是先通过 MCP Client 传递给 MCP Server。
• MCP Server 里定义了可用的 Tools、Prompts、Resources（比如"天气查询工具"）。

1. 模型生成调用计划（Tool Call）

• MCP Server 会先把你的输入传给 Ollama 模型（作为推理引擎）。
• 模型可能返回一个 工具调用意图 （比如 call weather_tool(city="北京")）。
• 这一部分符合 MCP 协议里的 Tool Invocation 流程。

1. MCP 调用外部工具

• MCP Server 检查调用请求：
  • 如果是工具调用 → 执行对应的 Tool（可能是 HTTP API、本地脚本、数据库查询等）。
  • 如果是 Resource 读取 → 拉取外部文件/数据。
  • 如果是 Prompt 模板 → 组合成最终请求。
• 工具执行完成后，把结果（比如天气 JSON）返回给 MCP Server。

1. 再次调用模型生成最终回答

• MCP Server 把工具返回的结果再次传给 Ollama 模型，让它生成最终的自然语言回答：

1. Cherry Studio 显示对话结果

• Cherry Studio 渲染模型返回的最终结果到聊天窗口。

流程图解

---