中文 |英語

简介

MCP Server 是实现模型上下文协议(MCP)的服务器,旨在为 AI 模型提供一个标准化接口,连接外部数据源和工具,例如文件系统、データベース或 API。

MCP 的優勢

在 MCP 出现前,AI 调用工具基本通过 Function Call 完成,存在以下问题:

1. 異なる大模型厂商 Function Call 格式不一致
2. 大量 API 工具的输入和输出格式不一致,封装管理繁琐

MCP 相当于一个统一的 USB-C,不仅统一了不同大模型厂商的 Function Call 格式,也对相关工具的封装进行了统一。

MCP 传输协议

目前 MCP 支持兩種主要的传输協議:

1. Stdio 传输协议

• 针对本地使用
• 需要在用户本地安装命令行工具
• 对运行环境有特定要求

2. SSE(Server-Sent Events)传输协议

• 针对云服务部署
• 基于 HTTP 长连接实现

项目结构

MCPサーバー

• Stdio 传输协议(本地)
• SSE 传输协议(远程)

MCP クライアント(客户端)

• 自建客户端(Python)
• カーソル
• クライン

环境配置

1.取り付け UV 包

MacOS/Linux:

ウィンドウズ:

2.初始化项目

构建工具函数

为了让大模型能访问市面上主流框架的技术文档,我们主要通过用户输入的 query,结合指定 site 特定域名的Google搜索进行搜索相关网页,并对相关网页进行解析提取网页文本并返回。

1.构建相关文档映射字典

2.构建 MCP 工具

封装 MCP Server (基于 Stdio 协议)

1.MCPサーバー(スタンディオ)

启动命令：

2.客户端配置

2.1 基于 Cline

首先在 Visual Studio Code 安装 Cline 插件,然后进行配置 MCP

成功绑定如图（左侧绿灯）：

2.2 基于 Cursor

项目根目录创建 .cursor 文件夹,并创建 mcp.json 文件,如:

その後粘贴以下内容到 mcp.json

成功配置如图：

在 Features 開启 MCP サービス

透過対話それ便通过 MCP 获取相关文档信息进行回答:

构建 SSE MCP Server (基于 SSE 协议)

1.封装 MCP Server

启动命令：

以上 MCP server コード直接在あなたの云服务器跑即可。

2.

Python 从0到1构建MCP Server & Client

中文 | English

简介

MCP Server 是实现模型上下文协议（MCP）的服务器，旨在为 AI 模型提供一个标准化接口，连接外部数据源和工具，例如文件系统、数据库或 API。

MCP 的优势

在 MCP 出现前，AI 调用工具基本通过 Function Call 完成，存在以下问题：

1. 不同的大模型厂商 Function Call 格式不一致
2. 大量 API 工具的输入和输出格式不一致，封装管理繁琐

MCP 相当于一个统一的 USB-C，不仅统一了不同大模型厂商的 Function Call 格式，也对相关工具的封装进行了统一。

MCP 传输协议

目前 MCP 支持两种主要的传输协议：

1. Stdio 传输协议

   • 针对本地使用
   • 需要在用户本地安装命令行工具
   • 对运行环境有特定要求

2. SSE（Server-Sent Events）传输协议

   • 针对云服务部署
   • 基于 HTTP 长连接实现

项目结构

MCP Server

• Stdio 传输协议（本地）
• SSE 传输协议（远程）

MCP Client（客户端）

• 自建客户端（Python）
• Cursor
• Cline

环境配置

1. 安装 UV 包

MacOS/Linux:

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows:

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

2. 初始化项目

# 创建项目目录
uv init mcp-server
cd mcp-server

# 创建并激活虚拟环境
uv venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

# 安装依赖
uv add "mcp[cli]" httpx

# 创建服务器实现文件
touch main.py

构建工具函数

为了让大模型能访问市面上主流框架的技术文档，我们主要通过用户输入的 query，结合指定 site 特定域名的谷歌搜索进行搜索相关网页，并对相关网页进行解析提取网页文本并返回。

1. 构建相关文档映射字典

docs_urls = {
    "langchain": "python.langchain.com/docs",
    "llama-index": "docs.llamaindex.ai/en/stable",
    "autogen": "microsoft.github.io/autogen/stable",
    "agno": "docs.agno.com",
    "openai-agents-sdk": "openai.github.io/openai-agents-python",
    "mcp-doc": "modelcontextprotocol.io",
    "camel-ai": "docs.camel-ai.org",
    "crew-ai": "docs.crewai.com"
}

2. 构建 MCP 工具

import json
import os
import httpx
from bs4 import BeautifulSoup
from mcp import tool

async def search_web(query: str) -> dict | None:
    payload = json.dumps({"q": query, "num": 3})

    headers = {
        "X-API-KEY": os.getenv("SERPER_API_KEY"),
        "Content-Type": "application/json",
    }

    async with httpx.AsyncClient() as client:
        try:
            response = await client.post(
                SERPER_URL, headers=headers, data=payload, timeout=30.0
            )
            response.raise_for_status()
            return response.json()
        except httpx.TimeoutException:
            return {"organic": []}

async def fetch_url(url: str):
    async with httpx.AsyncClient() as client:
        try:
            response = await client.get(url, timeout=30.0)
            soup = BeautifulSoup(response.text, "html.parser")
            text = soup.get_text()
            return text
        except httpx.TimeoutException: