MCP - AI智能体调用 MCP Serverr - Streamable HTTP（七）

前文展示的是 AI 智能体调用 stdio 的 MCP Server，这里展示调用 Streamable HTTP的 MCP Server。

一、在 test 目录中添加 agent_http.py 文件

并添加如下代码：

import asyncio
import os
from openai import OpenAI
from dotenv import load_dotenv
from contextlib import AsyncExitStack
import json
from fastmcp import Client

# 加载 .env 文件
load_dotenv()

# 使用 config 配置方式
config = {
    "mcpServers": {
        "server": {
            "url": "http://127.0.0.1:3002/mcp_atlas", # 服务器地址，需要根据 MCP Server 配置修改 
            "transport": "streamable-http"
        }
    }
}

class MCPClient:
    def __init__(self):
        """初始化 MCP 客户端"""
        self.exit_stack = AsyncExitStack()
        self.api_key = os.getenv("API_KEY")  # 读取 OpenAI API Key
        self.base_url = os.getenv("BASE_URL")  # 读取 BASE URL
        self.model = os.getenv("MODEL")  # 读取 model

        if not self.api_key:
            raise ValueError("未找到 API KEY. 请在 .env 文件中配置 API_KEY")

        self.client = OpenAI(api_key=self.api_key, base_url=self.base_url)

    async def process_query(self, query: str) -> str:
        """
        调用大模型处理用户查询并根据返回的 tools 列表调用对应工具
        """
        messages = [{"role": "user", "content": query}]

        # 获取工具列表
        available_tools = [{
            "type": "function",
            "function": {
                "name": tool.name,
                "description": tool.description,
                "input_schema": tool.inputSchema
            }
        } for tool in self.tools]

        print(f"debug info === MCP server 返回的工具列表 available_tools：{available_tools}")
        print(f"debug info === 拼接用户输入后的 messages：{messages}")

        # 请求 OpenAI 模型处理
        response = self.client.chat.completions.create(
            model=self.model,
            messages=messages,
            tools=available_tools
        )

        # 处理返回的内容
        content = response.choices[0]
        print(f"debug info === AI 返回的 content： {content}")
        if content.finish_reason == "tool_calls":
            # 执行工具调用
            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")

            # 将模型返回的原始消息和工具执行的结果都添加到 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生产最终的结果
            response = 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("MCP 客户端已启动！输入 'exit' 退出")

        while True:
            try:
                query = input("问: ").strip()
                if query.lower() == 'exit':
                    break

                response = await self.process_query(query)
                print(f"AI回复: {response}")

            except Exception as e:
                print(f"发生错误: {str(e)}")

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

    async def connect_to_server(self, server_script_path: str):
        """连接到 MCP 服务器"""
        self.session = await self.exit_stack.enter_async_context(Client(config))

    async def list_tools(self):
        """列出所有工具"""
        # 列出 MCP 服务器上的工具
        response = await self.session.list_tools()
        self.tools = response


async def main():
    # 启动并初始化 MCP 客户端
    client = MCPClient()
    try:
        # 连接到 MCP 服务器
        await client.connect_to_server('server.py')
        # 列出 MCP 服务器上的工具
        await client.list_tools()
        # 运行交互式聊天循环，处理用户对话
        await client.chat_loop()
    finally:
        # 清理资源
        await client.clean()


if __name__ == "__main__":
    asyncio.run(main())

注意：同样要修改：

1. tool/math_tools.py
2. 添加 .env 文件

修改具体内容参见： MCP - AI智能体调用 MCP Serverr - Stdio（六）

二、效果展示

2.1 启动 server

运行如下命令启动 MCP Sever

python server.py　　

2.2 启动 agent

运行如下命令启动 agent

 

python agent_http.py

运行后如下图：

 

源代码： https://pan.baidu.com/s/1DlzeeQuZ4dHhF3CfQKYQng?pwd=gbcr 提取码: gbcr