大模型MCP实战

目录

• 背景和价值
• MCP C/S架构
  • MCP Server通讯机制
• 流程
  • 服务端实现
    • 初始化 MCP 服务器
    • 实现外部函数
    • 注册到MCP
  • 客户端事项
  • 客户端端实现
    • 连接到服务端
    • 工具调用
      • 获取所有的调用对象
      • 获取所有的调用对象，把每个工具信息存到 列表
      • 调用大模型（附上提示词和 工具信息列表）
      • 如果大模型返回结果需要调用外部函数，需要处理调用外部函数
• 实例代码
  • 客户端代码
  • 服务端代码
• 参考资料

背景和价值

MCP解决什么问题？MCP是Function Call的企业级实现.

Function calling有些缺点？MCP解决了什么问题
1 需要冗长的代码描述
2 要实现高并发，好的容错能力门槛高
3 (关键) 函数复用能力差。 一个团队开发的函数，其他团队要用只能拷贝过去用。不可复用的本质：大模型 Function Call 的代码通常与上下文管理、动态参数解析、模型交互等逻辑强耦合。
MCP的作用：将功能分解为模型（业务逻辑）、控制器（流程控制）、展示层（接口适配），解耦各层，使得每个部分可以独立复用。
具体解决方案：通过MCP架构，将Function Call的业务逻辑封装在Model层，控制器处理与模型的交互和参数解析，Presenter处理输入输出的适配，这样各部分可以独立变化和复用。

MCP C/S架构

MCP 客户端和服务器端可以在一个服务器上，也可以在不同的服务器上。
MCP服务端可以调用 别人发布的server（生态），也可以自己实现MCP server
基于MCP开发最基本要实现客户端。

MCP Server通讯机制

Model Context Protocol（MCP）由Anthropic开源，用于将大型语言模型直接连接数据源。它支持标准输入输出（stdio） 和 基于HTTP的服务器推送事件（SSE） 两种传输方式。Stdio模式适用于本地通信，通过启动服务器作为子进程实现高效低延迟的数据交换，适合快速响应的本地应用。而基于HTTP和SSE的方式则适用于分布式或远程场景，实现客户端与服务器间实时数据推送。

1. 本地通讯：使用了stdio传输数据，具体流程Client启动Server程序作为子进程，其消息通讯是通过stdin/stdout进行的，消息格式为JSON-RPC 2.0。

2. 远程通讯：Client与Server可以部署在任何地方，Client使用SSE与Server进行通讯，消息的格式为JSON-RPC 2.0，Server定义了/see与/messages接口用于推送与接收数据

流程

服务端实现

初始化 MCP 服务器

mcp = FastMCP("WeatherServer")

实现外部函数

跟Function calling没什么区别，
注意事项
1 但是要定义为异步函数 （函数前 async），
2 函数注释要清晰

注册到MCP

使用 @mcp.tool() 装饰费

客户端事项

客户端端实现

连接到服务端

• 连接到服务端。 可以选择 标准输入输出或者网络的方式
• 向 MCP 服务器请求所有已注册的工具（用 @mcp.tool() 标记）

工具调用

获取所有的调用对象

获取所有的调用对象，把每个工具信息存到 列表

调用大模型（附上提示词和 工具信息列表）

如果大模型返回结果需要调用外部函数，需要处理调用外部函数

调用外部函数使用 MCP的API实现

 result = await self.session.call_tool(tool_name, tool_args)

实例代码

客户端代码

import asyncio
import os
import json
from typing import Optional
from contextlib import AsyncExitStack
from openai import OpenAI
from openai import AsyncOpenAI

from dotenv import load_dotenv
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

load_dotenv()


class MCPClient:
    def __init__(self):
        """初始化 MCP 客户端"""
        self.exit_stack = AsyncExitStack()
        self.openai_api_key = os.getenv("DASHSCOPE_API_KEY")  # 读取Key
        self.model = os.getenv("MODEL")  # 读取 model
        if not self.openai_api_key:
            raise ValueError("未找到 OpenAI API Key")
        self.client = AsyncOpenAI(
            api_key=os.getenv("DASHSCOPE_API_KEY"),
            base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
        )
        # 关键信息存储
        self.session: Optional[ClientSession] = None
        self.exit_stack = AsyncExitStack()

    async def connect_to_server(self, server_script_path: str):
        """连接到 MCP 服务器并列出可用工具"""
        # 使用标准输入输出方式 客户端何服务端传递。 服务端脚本作为客户端参数，通过客户端启动服务端
        is_python = server_script_path.endswith('.py')
        is_js = server_script_path.endswith('.js')
        ## 判断服务器脚本是 Python 还是 Node.js，选择对应的运行命令
        if not (is_python or is_js):
            raise ValueError("服务器脚本必须是 .py 或 .js 文件")
        command = "python" if is_python else "node"
        ## 告诉 MCP 客户端如何启动服务器
        server_params = StdioServerParameters(
            command=command,
            args=[server_script_path],
            env=None
        )
        # 启动 MCP 服务器并建立通信
        stdio_transport = await self.exit_stack.enter_async_context(stdio_client(server_params))
        self.stdio, self.write = stdio_transport
        self.session = await self.exit_stack.enter_async_context(ClientSession(self.stdio, self.write))
        await self.session.initialize()
        # 向 MCP 服务器请求所有已注册的工具（用 @mcp.tool() 标记）
        response = await self.session.list_tools()
        tools = response.tools
        print("\n已连接到服务器，支持以下工具:", [tool.name for tool in tools])

    ## 这个本质就是Function call
    async def process_query(self, query: str) -> str:
        """
        使用大模型处理查询并调用可用的 MCP 工具 (Function Calling)
        """
        messages = [{"role": "user", "content": query}]
        # 获取所有的调用对象
        response = await self.session.list_tools()
        # 获取所有的调用对象，把每个工具信息存到 available_tools
        available_tools = [{
            "type": "function",
            "function": {
                "name": tool.name,
                "description": tool.description,
                "input_schema": tool.inputSchema
            }
        } for tool in response.tools]
        # print(available_tools)
        response = await self.client.chat.completions.create(
            model=self.model,
            messages=messages,
            tools=available_tools)
        # 处理返回的内容
        content = response.choices[0]
        if content.finish_reason == "tool_calls":
            # 如何是需要使用工具，就解析工具
            tool_call = content.message.tool_calls[0]
            tool_name = tool_call.function.name
            tool_args = json.loads(tool_call.function.arguments)
            # 执行工具
            result = await self.session.call_tool(tool_name, tool_args)
            print(f"\n\n[Calling tool {tool_name} with args {tool_args}]\n\n")
            # 将模型返回的调用哪个工具数据和工具执行完成后的数据都存入messages中
            messages.append(content.message.model_dump())
            messages.append({
                "role": "tool",
                "content": result.content[0].text,
                "tool_call_id": tool_call.id, })

            # 将上面的结果再返回给大模型用于生产最终的结果
            response = await self.client.chat.completions.create(
                model=self.model,
                messages=messages,
            )
            return response.choices[0].message.content
        return content.message.content

    async def chat_loop(self):
        """运行交互式聊天循环"""
        print("\n 智能助手客户端已启动！输入 'quit' 退出")
        while True:
            try:
                query = input("\n用户: ").strip()
                if query.lower() == 'quit':
                    break
                response = await self.process_query(query)  # 发送用户输入到 OpenAIAPI
                print(f"\n天气预报智能助手: {response}")
            except Exception as e:
                print(f"\n发生错误: {str(e)}")

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


async def main():
    if len(sys.argv) < 2:
        print("Usage: python client.py <path_to_server_script>")
        sys.exit(1)
    client = MCPClient()
    try:
        await client.connect_to_server(sys.argv[1])
        await client.chat_loop()
    finally:
        await client.cleanup()


if __name__ == "__main__":
    import sys

    asyncio.run(main())

服务端代码

import json
import httpx
from typing import Any
from mcp.server.fastmcp import FastMCP

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

# OpenWeather API 配置
OPENWEATHER_API_BASE = "https://api.openweathermap.org/data/2.5/weather"
API_KEY = "5c939a7cc59eb8696fxxx75c5a9a"  # 请替换为你自己的 OpenWeather API Key
USER_AGENT = "weather-app/1.0"


async def fetch_weather(city: str) -> dict[str, Any] | None:
    """
    从 OpenWeather API 获取天气信息。
    :param city: 城市名称（需使用英文，如 Beijing）
    :return: 天气数据字典；若出错返回包含 error 信息的字典
    """
    params = {
        "q": city,
        "appid": API_KEY,
        "units": "metric",
        "lang": "zh_cn"
    }
    headers = {"User-Agent": USER_AGENT}
    async with httpx.AsyncClient() as client:
        try:
            response = await client.get(OPENWEATHER_API_BASE, params=params,
                                        headers=headers, timeout=30.0)
            response.raise_for_status()
            return response.json()  # 返回字典类型
        except httpx.HTTPStatusError as e:
            return {"error": f"HTTP 错误: {e.response.status_code}"}
        except Exception as e:
            return {"error": f"请求失败: {str(e)}"}


def format_weather(data: dict[str, Any] | str) -> str:
    """
    将天气数据格式化为易读文本。
    :param data: 天气数据（可以是字典或 JSON 字符串）
    :return: 格式化后的天气信息字符串
    """
    # 如果传入的是字符串，则先转换为字典
    if isinstance(data, str):
        try:
            data = json.loads(data)
        except Exception as e:
            return f"无法解析天气数据: {e}"
            # 如果数据中包含错误信息，直接返回错误提示
    if "error" in data:
        return f"{data['error']}"
    # 提取数据时做容错处理
    city = data.get("name", "未知")
    country = data.get("sys", {}).get("country", "未知")
    temp = data.get("main", {}).get("temp", "N/A")
    humidity = data.get("main", {}).get("humidity", "N/A")
    wind_speed = data.get("wind", {}).get("speed", "N/A")
    # weather 可能为空列表，因此用 [0] 前先提供默认字典
    weather_list = data.get("weather", [{}])
    description = weather_list[0].get("description", "未知")
    return (
        f"城市{city}, {country}\n"
        f"温度: {temp}°C\n"
        f"湿度: {humidity}%\n"
        f"风速: {wind_speed} m/s\n"
        f"天气: {description}\n")


@mcp.tool()
async def query_weather(city: str) -> str:
    """
    输入指定城市的英文名称，返回今日天气查询结果。
    :param city: 城市名称（需使用英文）
    :return: 格式化后的天气信息
    """
    data = await fetch_weather(city)
    return format_weather(data)


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

参考资料

agent API往MCP迁移
https://mp.weixin.qq.com/s/nQF-bUcmODpqo_SGPSxfbg