AI Agent（写一个简易的MCP天气查询工具）

搭建MCP服务：写一个最简易的MCP服务了解其运行流程

大家在用AI助手的时候肯定遇到过这种情况：想让ChatGPT查天气、查快递、查本地文件，它却答不上来------不是模型不够聪明，而是它碰不到外部世界的数据，就像人被关在房间里，没法出门查信息。传统想让AI调用外部工具，要么写一堆适配代码，要么每个工具单独对接，又乱又麻烦。

这时候MCP就派上用场了，它不是什么高深的底层协议，更像是AI和外部工具的万能转接器。不管是天气接口、数据库、本地脚本，还是第三方平台，只要接上MCP，AI就能像点外卖一样，轻松调用这些工具，不用管底层怎么通信。简单说，MCP解决的就是"AI如何安全、规范、省心地调用外部能力"这个痛点，让AI从"只会聊天"变成"能办事的助手"。

本文将从零到一，带你搭建一个基于高德地图API的天气查询MCP服务，手把手完成MCP服务开发 、Cursor编辑器集成 、LangChain Agent调用全流程落地，全程代码可直接复用，兼顾理论深度与实操性，新手也能轻松上手。

---

一、先搞懂：MCP到底是什么？

两个日常场景：

• 场景1：你让Cursor编辑器"帮我查北京天气并写到代码注释里"，编辑器自带的AI本身查不了天气，但是通过MCP，它能一键调用我们写的天气工具，拿到结果直接回填，全程不用你手动调接口。
• 场景2：你做了个智能问答Agent，想让它既能聊天又能查快递、查天气，不用给每个接口写适配代码，把这些能力打包成MCP工具，Agent就能自动识别调用，改工具、加工具都不用动Agent核心代码。

说白了，MCP就是一套通用的"工具调用协议" ：AI按这个规矩发请求，工具按这个规矩返回结果，双方各司其职，再也不用点对点适配。它的核心就是解耦，让AI专心做决策，工具专心做执行。

MCP的核心优势

• 标准化通信：统一工具调用格式，无需针对每个模型单独适配接口
• 低耦合易扩展：工具逻辑与模型调用分离，新增、修改工具不影响主流程
• 跨平台兼容：支持Stdio、WebSocket等多种传输方式，适配编辑器、Agent框架等多种场景
• 轻量级无侵入：无需复杂部署，本地脚本即可启动MCP服务，开发成本极低

对比一下就更清楚：没有MCP的时候，想让AI调用高德天气，得写接口调用、参数解析、异常捕获，再把逻辑嵌进AI代码里，后期想换百度天气，就得改一大段代码；有了MCP之后，把天气查询单独做成一个工具模块，AI只需要通过MCP喊一句"查北京天气"，工具就返回结果，后期换接口、加功能，只改工具本身，AI代码完全不用动。

这次我们用FastMCP框架开发，就是看中它足够轻量化，几行代码就能把普通Python函数，变成AI能调用的MCP工具，对小白极其友好，不用学复杂的协议细节，会写Python函数就能上手。

---

二、环境准备：前置依赖安装

开始开发前，先搭建Python虚拟环境并安装核心依赖包，避免版本冲突：

# 创建虚拟环境（可选，推荐）
python3 -m venv mcp-env
# 激活环境（macOS/Linux）
source mcp-env/bin/activate
# Windows激活
# mcp-env\Scripts\activate

# 安装核心依赖
pip3 install requests fastmcp pydantic langchain langchain-openai langchain-mcp-adapters langgraph

同时需要提前准备高德地图开放平台API Key：前往高德开放平台注册账号，创建应用后获取Web服务类型的Key，用于后续天气接口调用。

---

三、核心实战：开发天气查询MCP服务

我们就拿查天气这个最刚需的场景练手，这个例子足够典型：平时AI没法直接联网查天气，我们把高德天气API封装成MCP工具后，不管是Cursor里的AI，还是自己搭的LangChain Agent，都能随时调用这个能力。后续想做查快递、查股价、读本地文件，都是一模一样的思路，换个接口逻辑就行。

3.1 编写MCP服务代码

新建 shell_tools.py 文件，这是我们的MCP服务核心文件，通过FastMCP注册天气查询工具，实现高德地图API的封装与标准化输出：

import requests
from typing import Annotated
from mcp.server.fastmcp import FastMCP
from pydantic import Field

# 初始化FastMCP实例
mcp = FastMCP()

# 注册MCP工具：定义工具名称、描述、入参规则
@mcp.tool(name="city_weather", description="查询指定城市的实时天气状况，支持国内大部分地级市")
def get_weather(city: Annotated[str, Field(description="目标城市名称（中文全称）", examples=["北京", "上海", "广州", "深圳"])]) -> str:
    """
    封装高德地图天气查询API，标准化返回天气数据
    接口文档：https://lbs.amap.com/api/webservice/api/weather/weather-info
    """
    # 替换为自己的高德地图API Key
    AMAP_KEY = "your_amap_api_key"
    # 高德天气基础查询接口
    url = f"https://restapi.amap.com/v3/weather/weatherInfo?city={city}&key={AMAP_KEY}&extensions=base"
    
    try:
        # 发送请求，设置超时避免阻塞
        resp = requests.get(url, timeout=10)
        resp.raise_for_status()
        data = resp.json()
        
        # 校验接口返回状态
        if data.get("status") != "1" or not data.get("lives"):
            return f"❌ 查询{city}天气失败：接口返回异常或城市不支持"

        # 解析实时天气数据
        live_data = data["lives"][0]
        # 格式化返回结果，提升可读性
        return (
            f"🌤️ {live_data['city']} 实时天气\n"
            f"🌡️  当前温度：{live_data['temperature']}℃\n"
            f"☁️  天气状况：{live_data['weather']}\n"
            f"💨  风向风力：{live_data['winddirection']}风 {live_data['windpower']}级\n"
            f"💧  空气湿度：{live_data['humidity']}%"
        )
    except requests.exceptions.Timeout:
        return "❌ 查询天气超时：请检查网络或稍后重试"
    except Exception as e:
        return f"❌ 查询天气出错：{str(e)}"

if __name__ == "__main__":
    # 启动MCP服务，采用stdio传输协议（最常用，适配编辑器、Agent）
    mcp.run(transport="stdio")

3.2 代码核心要点解析

• 工具注册 ：通过 @mcp.tool 装饰器定义工具名称、功能描述，大模型通过描述理解工具用途
• 参数校验：借助Pydantic的Field注解规范入参，明确参数含义和示例，降低模型调用出错率
• 异常处理：针对超时、接口异常、参数错误等场景做兜底处理，保证服务稳定性
• 传输协议：选用stdio标准输入输出，轻量级无需额外端口，适配绝大多数集成场景

启动测试：直接运行python shell_tools.py，若控制台无报错，说明MCP服务启动成功，等待客户端调用即可。

---

四、实战集成1：Cursor编辑器接入MCP

Cursor作为主打AI协作的编辑器，原生支持MCP协议，这就意味着：我们不用改Cursor的任何设置，只需要写一段配置，把本地的天气MCP工具"挂载"到Cursor上，编辑器里的AI就能直接用这个工具。

举个实际例子：以前你在Cursor里问"北京今天多少度"，AI只会说没法联网查询；现在接入MCP后，你发同样的问题，AI会自动调用我们写的city_weather工具，秒回温度、湿度、风力这些详细信息，甚至能帮你把天气数据插入到代码注释里，效率直接拉满。

4.1 配置MCP服务

1. 打开Cursor编辑器，按下 Cmd + Shift + P（Windows：Ctrl + Shift + P），输入 MCP: Open Settings 打开配置文件
2. 在 mcpServers 节点下添加自定义MCP服务配置，替换为你的shell_tools.py 绝对路径

{
  "mcpServers": {
    "my_mcp_shell": {
      "type": "stdio",
      "command": "python3",
      "args": ["/Users/xxx/你的项目路径/shell_tools.py"]
    }
  }
}

4.2 验证调用

保存配置后，Cursor会自动加载MCP服务。在编辑器对话窗口直接输入：帮我查一下今天北京的天气 ，大模型会自动调用我们开发的 city_weather 工具，返回格式化的天气结果，无需额外配置，开箱即用。

避坑提示：Windows系统需将 command 改为 python，确保Python环境已加入系统环境变量；路径建议使用绝对路径，避免相对路径加载失败。

---

五、集成2：LangChain Agent调用MCP

如果说Cursor是AI编辑器，那LangChain就是搭建自定义AI Agent的框架，比如我们想做一个专属天气助理Agent，能听懂自然语言、自动判断要不要查天气、调用工具后整理结果，MCP就是Agent和天气工具之间的桥梁。

举个例子：用户问Agent"明天去北京要不要带伞"，Agent会先分析需求，知道需要查天气，然后通过MCP调用我们的工具，拿到天气和降水概率后，再给出"带伞/不用带伞"的结论，整个过程全自动，不用人工干预。

5.1 编写Agent调用代码

import asyncio
import os
import uuid

from langchain_core.messages import HumanMessage
from langchain_core.runnables import RunnableConfig
from langchain_mcp_adapters.sessions import StdioConnection
from langgraph.prebuilt import create_react_agent
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_mcp_adapters.client import MultiServerMCPClient
from pydantic import SecretStr

# 初始化大模型：适配主流大模型API，这里以Doubao为例
llm = ChatOpenAI(
    base_url="https://api.302.ai/v1",
    api_key=SecretStr(os.getenv("DASHSCOPE_API_KEY")),  # 从环境变量读取密钥，更安全
    model="Doubao-1.5-lite-32k",
    timeout=None,
)

# 定义Agent系统提示词，明确角色定位
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是专业的私人助理，可调用外部工具精准解答问题，回答简洁易懂、信息准确"),
    ("human", "{messages}"),
])

async def run_mcp_agent():
    """连接MCP服务，创建ReAct Agent并调用天气查询工具"""
    async def get_mcp_tools():
        # 配置MCP连接：Stdio方式对接本地MCP服务
        mcp_config = {
            "my_mcp": StdioConnection(
                transport="stdio",
                command="python3",
                args=["/Users/xxx/你的项目路径/shell_tools.py"],  # 替换为MCP文件绝对路径
                encoding="utf-8",
            )
        }
        # 初始化MCP客户端，加载工具
        client = MultiServerMCPClient(mcp_config)
        return await client.get_tools()

    # 获取MCP工具列表
    tools = await get_mcp_tools()
    # 创建ReAct智能Agent
    agent = create_react_agent(model=llm, prompt=prompt, tools=tools)
    
    # 执行查询：自然语言指令
    response = await agent.ainvoke(
        input=HumanMessage(content="今天北京天气怎么样？"),
        config=RunnableConfig(configurable={"session_id": str(uuid.uuid4())})
    )
    # 打印最终结果
    print(response["messages"][-1].content)

if __name__ == '__main__':
    # 运行异步Agent
    asyncio.run(run_mcp_agent())

5.2 运行与调试

1. 提前在环境变量中配置API密钥，避免硬编码泄露
2. 确保MCP服务已启动（或直接运行Agent代码，会自动拉起MCP服务）
3. 运行脚本，Agent会自动判断是否需要调用MCP工具，完成天气查询并返回结果

---

六、MCP开发与集成避坑总结

• API密钥安全：严禁硬编码密钥，建议通过环境变量、配置文件读取
• 路径问题 ：Cursor和LangChain集成时，务必使用绝对路径指向MCP脚本
• 传输协议：本地开发优先用stdio，远程服务可切换为websocket
• 工具描述规范：工具和参数描述要精准，大模型依赖描述理解工具用途，描述模糊易导致调用失败
• 异常兜底：完善异常处理，避免MCP服务崩溃影响主流程

---

七、写在最后

MCP作为大模型工具调用的标准化方案，正在成为AI Agent开发的基础设施，它彻底解决了工具集成的碎片化问题，让开发者专注于工具逻辑本身，而非适配工作。本文的天气查询MCP服务只是一个入门案例，你可以基于这套框架，快速开发数据库查询、文件操作、第三方API调用等各类MCP工具，轻松拓展大模型的能力边界。

社区和各大厂商中提供了大量的MCP服务可以给开发者直接调用，大大增强了AI的功能。