OpenClaw MCP工具链开发实战：打造专属AI助手工具集

MCP（Model Context Protocol）作为AI时代的新兴协议标准，正在重塑AI助手与外部工具的交互方式。本文将以OpenClaw（腾讯AI助手）为平台，手把手教你开发自定义MCP工具，实现AI助手的能力扩展。

一、MCP协议核心概念

MCP是一种标准化的工具集成协议，允许AI助手通过统一的接口调用外部工具和服务。其核心架构包含三个关键组件：

【配图位置】

• MCP Server：工具提供方，负责实现具体的工具逻辑
• MCP Client：工具调用方，通常是AI助手平台
• Transport Layer：通信传输层，支持stdio、HTTP、SSE等多种方式

MCP通信模型

# MCP消息结构示例
# 所有消息遵循JSON-RPC 2.0规范

# 客户端发送请求
request = {
    "jsonrpc": "2.0",
    "id": 1,  # 请求ID，用于匹配响应
    "method": "tools/call",  # 调用方法
    "params": {
        "name": "weather_query",  # 工具名称
        "arguments": {
            "city": "上海",
            "date": "2024-05-14"
        }
    }
}

# 服务端返回响应
response = {
    "jsonrpc": "2.0",
    "id": 1,  # 与请求ID匹配
    "result": {
        "content": [
            {
                "type": "text",
                "text": "上海今日天气：晴，温度22-28°C"
            }
        ]
    }
}

二、开发环境搭建

依赖安装

# 使用Python 3.10+版本
# pip install mcp  # MCP官方Python SDK

# 也可以使用FastMCP简化开发
# pip install fastmcp

# 验证安装
import mcp
print(f"MCP SDK版本: {mcp.__version__}")

项目结构规划

# 推荐的项目目录结构
my_mcp_server/
├── server.py          # MCP服务器主入口
├── tools/
│   ├── __init__.py
│   ├── weather.py     # 天气查询工具
│   ├── calculator.py  # 计算器工具
│   └── file_ops.py    # 文件操作工具
├── config.py          # 配置管理
└── requirements.txt   # 依赖清单

三、实现第一个MCP工具

下面我们开发一个实用的"系统状态监控"工具，可实时获取服务器运行状态。

工具定义与注册

# server.py - MCP服务器核心代码

from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent
import psutil  # 系统监控库
import asyncio

# 创建MCP服务器实例
app = Server("system-monitor-server")

# 定义工具元数据（供AI助手识别和调用）
@app.list_tools()
async def list_tools() -> list[Tool]:
    """
    向AI助手声明可用工具列表
    每个工具需包含名称、描述和参数schema
    """
    return [
        Tool(
            name="get_system_status",
            description="获取系统运行状态，包括CPU、内存、磁盘使用率",
            inputSchema={
                "type": "object",
                "properties": {
                    "detail": {
                        "type": "boolean",
                        "description": "是否返回详细信息"
                    }
                },
                "required": []  # 无必填参数
            }
        ),
        Tool(
            name="get_process_info",
            description="获取指定进程的运行信息",
            inputSchema={
                "type": "object",
                "properties": {
                    "process_name": {
                        "type": "string",
                        "description": "进程名称（如python、nginx）"
                    }
                },
                "required": ["process_name"]  # process_name为必填
            }
        )
    ]

【配图位置】

工具执行逻辑实现

# server.py - 工具执行处理器

@app.call_tool()
async def call_tool(name: str, arguments: dict) -> list[TextContent]:
    """
    工具调用入口，根据工具名称分发到对应处理函数
    name: 工具名称（与list_tools中定义一致）
    arguments: 用户传入的参数字典
    """
    if name == "get_system_status":
        return await handle_system_status(arguments)
    elif name == "get_process_info":
        return await handle_process_info(arguments)
    else:
        raise ValueError(f"未知工具: {name}")

async def handle_system_status(args: dict) -> list[TextContent]:
    """
    系统状态监控实现
    使用psutil库获取硬件资源使用情况
    """
    detail = args.get("detail", False)
    
    # 获取CPU使用率
    cpu_percent = psutil.cpu_percent(interval=1)
    cpu_count = psutil.cpu_count()
    
    # 获取内存信息
    memory = psutil.virtual_memory()
    mem_total = memory.total / (1024**3)  # 转换为GB
    mem_used = memory.used / (1024**3)
    mem_percent = memory.percent
    
    # 获取磁盘信息
    disk = psutil.disk_usage('/')
    disk_total = disk.total / (1024**3)
    disk_used = disk.used / (1024**3)
    disk_percent = disk.percent
    
    # 构造返回结果
    if detail:
        # 详细模式：包含更多指标
        result = f"""系统状态详细报告:
CPU: {cpu_percent}% 使用率 (共{cpu_count}核)
内存: {mem_percent}% 使用率 ({mem_used:.2f}GB/{mem_total:.2f}GB)
磁盘: {disk_percent}% 使用率 ({disk_used:.2f}GB/{disk_total:.2f}GB)
网络连接数: {len(psutil.net_connections())}
运行进程数: {len(psutil.pids())}"""
    else:
        # 简洁模式：核心指标摘要
        result = f"CPU:{cpu_percent}% | 内存:{mem_percent}% | 磁盘:{disk_percent}%"
    
    return [TextContent(type="text", text=result)]

async def handle_process_info(args: dict) -> list[TextContent]:
    """
    进程信息查询实现
    根据进程名称查找并返回运行状态
    """
    process_name = args["process_name"]
    found_processes = []
    
    # 遍历所有进程，匹配目标名称
    for proc in psutil.process_iter(['pid', 'name', 'cpu_percent', 'memory_info']):
        try:
            if proc.info['name'].lower().contains(process_name.lower()):
                mem_mb = proc.info['memory_info'].rss / (1024**2)
                found_processes.append({
                    'pid': proc.info['pid'],
                    'name': proc.info['name'],
                    'cpu': proc.info['cpu_percent'],
                    'memory': f"{mem_mb:.1f}MB"
                })
        except (psutil.NoSuchProcess, psutil.AccessDenied):
            continue  # 忽略已终止或无权限的进程
    
    if not found_processes:
        return [TextContent(type="text", text=f"未找到进程: {process_name}")]
    
    # 格式化输出
    output = f"找到{len(found_processes)}个'{process_name}'进程:\n"
    for p in found_processes:
        output += f"  PID:{p['pid']} | CPU:{p['cpu']}% | 内存:{p['memory']}\n"
    
    return [TextContent(type="text", text=output)]

四、启动MCP服务器

# server.py - 服务器启动入口

async def main():
    """
    启动MCP服务器，使用stdio传输模式
    stdio模式适合本地集成，AI助手通过管道通信
    """
    # 初始化服务器
    async with stdio_server() as (read_stream, write_stream):
        await app.run(
            read_stream,
            write_stream,
            app.create_initialization_options()
        )

# 标准入口点
if __name__ == "__main__":
    asyncio.run(main())

【配图位置】

五、配置OpenClaw接入

开发完成后，需要在OpenClaw中配置MCP服务器接入：

配置文件示例

// OpenClaw MCP配置文件（通常为mcp_servers.json）
{
  "mcpServers": {
    "system-monitor": {
      "command": "python",
      "args": ["server.py"],
      "cwd": "/path/to/my_mcp_server",
      "env": {
        "PYTHONUNBUFFERED": "1"  // 禁用Python输出缓冲
      }
    }
  }
}

配置完成后，重启OpenClaw即可在对话中调用自定义工具。

六、进阶：HTTP传输模式

对于需要远程访问的场景，可以使用HTTP传输模式：

# http_server.py - HTTP模式的MCP服务器

from mcp.server.sse import SseServerTransport
from starlette.applications import Starlette
from starlette.routing import Route

# 创建SSE传输层（Server-Sent Events）
sse = SseServerTransport("/messages")

async def handle_sse(request):
    """处理SSE连接建立"""
    async with sse.connect_sse(
        request.scope,
        request.receive,
        request.send,
    ) as streams:
        await app.run(
            streams[0],
            streams[1],
            app.create_initialization_options(),
        )

# 构建Starlette应用
app_http = Starlette(
    routes=[
        Route("/sse", endpoint=handle_sse),
        Route("/messages", endpoint=sse.handle_post_message),
    ]
)

# 使用uvicorn运行
# uvicorn http_server:app_http --host 0.0.0.0 --port 8080

七、最佳实践总结

开发MCP工具时，建议遵循以下原则：

# 最佳实践要点清单（伪代码示意）

"""
1. 工具描述要清晰准确
   - description应详细说明工具功能和适用场景
   - 避免模糊描述导致AI误判调用时机

2. 参数设计要合理
   - 合理设置required字段，减少AI猜测
   - 为参数提供default值，降低调用门槛

3. 异步处理提升性能
   - 使用async/await处理耗时操作
   - 避免阻塞主线程影响响应速度

4. 错误处理要完善
   - 捕获可能的异常，返回友好的错误信息
   - 错误信息应指导用户正确使用

5. 安全性考虑
   - 对敏感操作添加权限校验
   - 验证用户输入，防止注入攻击
"""

八、官方资源

• MCP协议规范：https://modelcontextprotocol.io/
• MCP Python SDK：https://github.com/modelcontextprotocol/python-sdk
• OpenClaw官方文档：https://openclaw.tencent.com/docs

---

上海华万通信科技有限公司，腾讯系企业软件生态服务商，为企业提供腾讯会议、企业微信、腾讯电子签、DocuSign国际电子签名、Microsoft Teams、Zoom视频会议、AI产品（硅基能量、腾讯云ClawPro/ADP）等一站式解决方案。