手把手教你搭建MCP服务器

在AI智能体开发领域，Model Context Protocol（MCP） 正迅速成为连接大模型与外部工具的黄金标准。通过MCP协议，开发者无需修改AI核心代码，即可让Claude、Cursor等智能体调用私有数据库、本地命令行甚至云服务。本文将详解两种主流搭建方案，带你构建专属的AI工具扩展引擎。

一、MCP核心价值：为什么它成为AI开发新范式？
MCP协议的本质是标准化工具调用接口，解决了传统AI开发的三大痛点：

碎片化集成：每个AI应用需单独开发插件适配不同工具
安全风险：直接暴露API密钥或数据库连接给大模型
开发效率：工具变更需重新部署整个AI系统
通过MCP服务器，开发者可将任意能力封装成工具函数，AI智能体通过统一协议发现和调用这些工具。例如：

天气查询 → 封装为get_weather(city)函数
数据库操作 → 封装为sql_query(query)函数
本地命令执行 → 封装为run_command(cmd)函数

二、方案一：Python + FastMCP 极速搭建（适合轻量级工具）
环境准备

创建Python环境（推荐uv）

uv init mcp-demo && cd mcp-demo
uv venv && source .venv/bin/activate
uv add fastmcp requests  # 核心依赖

工具函数开发

from fastmcp import FastMCP
import requests

mcp = FastMCP(name="Weather Tools")

@mcp.tool
def get_weather(city: str) -> dict:
    """
    获取城市实时天气
    参数：city - 城市名称（如“北京”）
    返回：JSON格式天气数据（温度/湿度/天气状况）
    """
    api_url = f"https://weather-api.com/{city}"
    return requests.get(api_url).json()

启动MCP服务器

本地stdio模式（适合Claude/Cursor本地连接）

mcp.run(mode="stdio")

远程SSE模式（需配合Higress网关）

mcp.run(transport="streamable-http", host="0.0.0.0")
关键配置项说明：

@mcp.tool：装饰器自动注册工具函数
mode="stdio"：通过标准输入输出通信，无需网络
transport="streamable-http"：支持云部署和远程调用

三、方案二：Nacos+Higress企业级方案（零改造接入存量HTTP服务）
该方案适合已有RESTful服务的企业，无需重写代码即可接入MCP生态。

1. 环境部署（Docker）

创建共享网络

docker network create mcp

启动Higress网关

docker run -d --name higress -p 8080:8080 \
  --network mcp higress-registry.cn-hangzhou.cr.aliyuncs.com/higress/all-in-one:latest

启动Nacos注册中心

docker run -d --name nacos -p 8848:8848 \
  -e MODE=standalone --network mcp \
  nacos-registry.cn-hangzhou.cr.aliyuncs.com/nacos/nacos-server:v3.0.1

2. 配置HTTP服务转MCP协议
   在Nacos控制台（http://localhost:8848）：

进入 MCP Registry → 创建MCP Server
添加工具转换配置：

{
  "requestTemplate": {
    "url": "http://your-service/weather", // 原服务地址
    "method": "GET",
    "argsToUrlParam": true  // 自动映射参数到URL
  }
}

发布配置后，通过Higress端点访问：
http://localhost:8080/mcp/weather/sse?city=北京

四、AI客户端配置：让Claude/Cursor识别你的工具
▶ Claude Desktop配置
编辑claude_desktop_config.json（位置参考）：

{
  "mcpServers": {
    "weather-service": {
      "command": "python",
      "args": ["-m", "mcp_server", "--mode", "stdio"]
    }
  }
}

▶ Cursor配置（项目级隔离）
在项目根目录创建.cursor/mcp.json：

{
  "mcpServers": {
    "db-query": {
      "url": "http://localhost:8080/mcp/sql/sse" // Higress暴露的端点
    }
  }
}

五、企业级应用场景：插件化释放AI生产力

高阶技巧：通过会话变量实现跨工具状态传递

在MCP工具中读写会话状态

def place_order(user_id: str, product_id: str):
    # 从会话获取用户VIP等级
    vip_level = mcp.session.get(f"user_{user_id}.vip_level")

# 设置订单超时时间
`mcp.session.set("order_expire", "2025-12-31 23:59:59")`

六、避坑指南：安全与性能优化实践
敏感数据隔离

使用环境变量存储API密钥
Higress网关自动过滤非常规参数
执行超时控制
在FastMCP中设置超时阈值：

mcp = FastMCP(
     name="SafeTools",
     tool_timeout=10  # 强制超时（秒）
 )

SSE模式心跳检测
避免长连接中断：

Higress配置

mcpServer:
  sse_heartbeat_interval: 30

开发者洞见：据2025年LogRocket统计，接入MCP协议后，AI应用迭代效率平均提升4倍，工具调用延迟稳定在800ms内。

MCP协议正在重塑AI开发范式——它让大模型从“封闭的大脑”进化为“可连接万物的神经系统”。无论是个人开发者快速扩展AI能力，还是企业整合遗留系统，MCP都提供了标准化解决方案。

当工具调用变得像呼吸一样自然，AI才能真正成为生产力的延伸。

Playwright学习交流群

推荐学习

行业首个「知识图谱+测试开发」深度整合课程【人工智能测试开发训练营】，赠送智能体工具。提供企业级解决方案，人工智能的管理平台部署，实现智能化测试，落地大模型，实现从传统手工转向用AI和自动化来实现测试，提升效率和质量。