## 本文内容出自九天老师公开课，介绍学习MCP必备技术基础，讲解MCP客户端、服务器开发方法及二者接入流程等等。全文12000+字，话不多说，我们直接开始！ *** 一、MCP技术体系介绍1. MCP入门介绍MCP，全称是Model Context Protocol，模型上下文协议，由Claude母公司Anthropic于去年11月正式提出。![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/6c623fcbdd93482380e568028525b279~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=ZeGtrtG63Np%2FTEi9auZ8v%2BBc6pE%3D)MCP刚发布的时候不温不火，直到今年Agent大爆发才被广泛关注。而在今年2月，Cursor正式宣布加入MCP功能支持，一举将MCP推到了全体开发人员面前。从本质上来说，MCP是一种技术协议，一种智能体Agent开发过程中共同约定的一种规范。这就好比秦始皇的“书同文、车同轨”，在统一的规范下，大家的协作效率就能大幅提高，最终提升智能体Agent的开发效率。截至目前，已上千种MCP工具诞生，在强悍的MCP生态加持下，人人手搓Manus的时代即将到来。![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/ec2bd2e64dd74b9c96f7f3bd30713c7e~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=EtI83uZNeWwPivWFyiYqTyuvAKo%3D)总的来说，MCP解决的最大痛点，就是Agent开发中调用外部工具的技术门槛过高的问题。我们都知道，能调用外部工具，是大模型进化为智能体Agent的关键，如果不能使用外部工具，大模型就只能是个简单的聊天机器人，甚至连查询天气都做不到。由于底层技术限制啊，大模型本身是无法和外部工具直接通信的，因此Function calling的思路，就是创建一个外部函数（function）作为中介，一边传递大模型的请求，另一边调用外部工具，最终让大模型能够间接的调用外部工具。![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/bb529b04e17e4d31bc7658f0719f43c7~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=HxoGFTsrjDoAnvFMSZWNBlAC2oc%3D)例如，当我们要查询当前天气时，让大模型调用外部工具的function calling的过程就如图所示：![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/7efd7ca9e1c94271a0c8347a1354a2b0~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=1aoIonpy%2FRWuqyf5aL1c2617t7I%3D)Function calling是个非常不错的技术设计，自诞生以来，一直被业内奉为圭臬。但唯一的问题就是，编写这个外部函数的工作量太大了，一个简单的外部函数往往就得上百行代码，而且，为了让大模型“认识”这些外部函数，我们还要额外为每个外部函数编写一个JSON Schema格式的功能说明，此外，我们还需要精心设计一个提示词模版，才能提高Function calling响应的准确率。而MCP的目标，就是能在Agent开发过程中，让大模型更加便捷的调用外部工具。为此，MCP提出了两个方案，其一，“车同轨、书同文”，统一Function calling的运行规范。首先是先统一名称，MCP把大模型运行环境称作 MCP Client，也就是MCP客户端，同时，把外部函数运行环境称作MCP Server，也就是MCP服务器，![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/8cd08a4e59bd49fa8b45aa1cd5f03120~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=4iuuPykrUIhzmgjzEfKoG6f9Is0%3D)然后，统一MCP客户端和服务器的运行规范，并且要求MCP客户端和服务器之间，也统一按照某个既定的提示词模板进行通信。“车同轨、书同文”最大的好处就在于，可以避免MCP服务器的重复开发，也就是避免外部函数重复编写。例如，像查询天气、网页爬取、查询本地MySQL数据库这种通用的需求，大家有一个人开发了一个服务器就好，开发完大家都能复制到自己的项目里来使用，不用每个人每次都单独写一套。这可是促进全球AI开发者共同协作的好事儿，很快，GitHub上就出现了海量的已经开发好的MCP 服务器，从SQL数据库检索、到网页浏览信息爬取，从命令行操作电脑、到数据分析机器学习建模，等等等等，不一而足。![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/81d55bdeac59463c8dcebb5cc5fd27ed~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=7EJ0gNTsdTl83%2BzVzRBqhD2lfvU%3D)现在，只要你本地运行的大模型支持MCP协议，也就是只要安装了相关的库，仅需几行代码即可接入这些海量的外部工具，是不是感觉Agent开发门槛瞬间降低了呢。这种“车同轨、书同文”的规范，在技术领域就被称作协议，例如http就是网络信息交换的技术协议。各类技术协议的目标，都是希望通过提高协作效率来提升开发效率，而MCP，Model Context Protocol，就是一种旨在提高大模型Agent开发效率的技术协议。那既然是协议，必然是使用的人越多才越有用。因此，为了进一普及MCP协议，Anthropic还提供了一整套MCP客户端、服务器开发的SDK，也就是开发工具，并且支持Python、TS和Java等多种语言，借助SDK，仅需几行代码，就可以快速开发一个MCP服务器。![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/7c368dc3f0494d2aaba5a609ff43fce2~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=313GIvJ5Vw5nIgxGF71iS8wDsyE%3D)然后，你就可以把它接入任意一个MCP客户端来构建智能体，如果愿意，还可以把MCP服务器分享到社区，给有需求的开发者使用，甚至你还可以把你的MCP服务器放到线上运行，让用户付费使用。而MCP的客户端，不仅支持Claude模型，也支持任意本地模型或者在线大模型，或者是一些IDE。例如，现在Cursor正式接入MCP，代表着Cursor正式成为MCP客户端，在Cursor中，我们不仅能快速编写MCP服务器（外部函数），更能借助Cursor一键连接上成百上千的开源MCP服务器，让大模型快速接入海量工具，从而大幅加快Agent开发进度。![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/b8dfcb5156f24d6fbeb8d54261a35195~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=OnmsYg%2Fs0QKXmVbSXaEDYpZZjh8%3D)2. Function calling技术回顾![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/ed2cfe04bde3471399322091ae68eed3~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=WNFlpE%2FzYW28UXrnUTFdovbmAwI%3D)3. 大模型Agent开发技术体系回顾 * 参考公开课《零基础Agent智能体开发基础理论详解！》： ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/10f1e433713741b6aa07f0a8b66f2681~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=i%2BXI7tcsuZoDhRYAGV2SxwVZ1FI%3D) * 更多MCP示意图 ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/32b30be7afd24469a322c18051d206fd~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=wm5hFpzvUUxUvI0ebxCn417VZ4s%3D)\ ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/4dc85d1d25af470cb05fecc5759ae879~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=p4r6nwA%2Fl6L2NWAhoRADodfH6Zg%3D)![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/6ca19bbfbd5642c583e015bd536030b9~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=8%2FcU7LxqWie3f3zI0nEQgt%2F7LQ8%3D)扫码加入「赋范大模型技术社区」，九天老师不定期公开课直播，对标市面价值千元的品质课程，社群成员可享免费参与～二、MCP客户端Client开发流程1. uv工具入门使用指南1.1 uv入门介绍 MCP开发要求借助uv进行虚拟环境创建和依赖管理。uv 是一个Python 依赖管理工具，类似于 pip 和 conda，但它更快、更高效，并且可以更好地管理 Python 虚拟环境和依赖项。它的核心目标是替代 pip、venv 和 pip-tools，提供更好的性能和更低的管理开销。uv 的特点： 1. 速度更快：相比 pip，uv 采用 Rust 编写，性能更优。 2. 支持 PEP 582：无需 virtualenv，可以直接使用 **pypackages** 进行管理。 3. 兼容 pip：支持 requirements.txt 和 pyproject.toml 依赖管理。 4. 替代 venv：提供 uv venv 进行虚拟环境管理，比 venv 更轻量。 5. 跨平台：支持 Windows、macOS 和 Linux。 1.2 uv安装流程方法 1：使用 pip 安装（适用于已安装 pip 的系统） pip install uv 方法 2：使用 curl 直接安装如果你的系统没有 pip，可以直接运行： curl -LsSf https://astral.sh/uv/install.sh | sh 这会自动下载 uv 并安装到 /usr/local/bin。1.3 uv的基本用法介绍安装 uv 后，你可以像 pip 一样使用它，但它的语法更简洁，速度也更快。注意，以下为使用语法示例，不用实际运行。 * 安装 Python 依赖 uv pip install requests 与 pip install requests 类似，但更快。 * 创建虚拟环境 uv venv myenv 等效于 python -m venv myenv，但更高效。 * 激活虚拟环境 source myenv/bin/activate # Linux/macOS myenv\Scripts\activate # Windows * 安装 requirements.txt uv pip install -r requirements.txt * 直接运行 Python 项目如果项目中包含 pyproject.toml，你可以直接运行： uv run python script.py 这等效于： pip install -r requirements.txt python script.py 但 uv 速度更快，管理更高效。接下来我们尝试先构建一个 MCP 客户端，确保基本逻辑可用，然后再逐步搭建 MCP 服务器进行联调，这样可以分阶段排查问题，避免一上来就涉及太多复杂性。2.MCP极简客户端搭建流程2.1 创建 MCP 客户端项目 # 创建项目目录 uv init mcp-client cd mcp-client ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/6a8c4009caa54a288e1a96358a1ffb4b~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=56SHBsZSyqPstrgfYmTXNaQ%2F6jA%3D)\ ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/2e352c51eaa04c6da925cfb26dd5e040~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=wa49KxotVQ5FmafJxGiglU6F%2FNI%3D)2.2 创建MCP客户端虚拟环境 # 创建虚拟环境 uv venv # 激活虚拟环境 source .venv/bin/activate ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/b9d5b15a3de440feaf8e414cea8ddf0a~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=f1H7t4ofiDPfc1DsUybbiJp3ctw%3D)这里需要注意的是，相比pip，uv会自动识别当前项目主目录并创建虚拟环境。然后即可通过add方法在虚拟环境中安装相关的库。 # 安装 MCP SDK uv add mcp ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/d89a73ea17ab46ba97482fdb1858d0a6~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=zlmnR2dSt2G8GrhEdGMwMy9h%2FAA%3D)2.3 编写基础 MCP 客户端然后在当前项目主目录中\*\*创建 client.py \*\*![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/320c1dc3f26a4d7c9221ff45a751c3ec~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=1ftLM2FjzzsP9%2BHfssQ3bBkRJw8%3D)并写入以下代码 import asyncio from mcp import ClientSession from contextlib import AsyncExitStack classMCPClient: def__init__(self): """初始化 MCP 客户端""" self.session = None self.exit_stack = AsyncExitStack() asyncdefconnect_to_mock_server(self): """模拟 MCP 服务器的连接（暂不连接真实服务器）""" print("✅ MCP 客户端已初始化，但未连接到服务器") asyncdefchat_loop(self): """运行交互式聊天循环""" print("\nMCP 客户端已启动！输入 'quit' 退出") whileTrue: try: query = input("\nQuery: ").strip() if query.lower() == 'quit': break print(f"\n🤖 [Mock Response] 你说的是：{query}") except Exception as e: print(f"\n⚠️ 发生错误: {str(e)}") asyncdefcleanup(self): """清理资源""" await self.exit_stack.aclose() asyncdefmain(): client = MCPClient() try: await client.connect_to_mock_server() await client.chat_loop() finally: await client.cleanup() if __name__ == "__main__": asyncio.run(main()) ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/467cf7fa375543aaba2228b06affc7c5~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=%2FWvC4Dr7rEK2FXCeJJulw60hzb0%3D)这段代码能够初始化 MCP 客户端（但不连接服务器），并提供一个交互式 CLI，可以输入查询（但只返回模拟回复），通过输入 quit 退出程序。需要注意的是，此时客户端没有关联任何大模型，因此只会重复用户的输入。2.4 MCP客户端基本代码结构以下是client.py 代码详解，代码核心功能： * 初始化 MCP 客户端 * \*提供一个命令行交互界面 * 模拟 MCP 服务器连接 * 支持用户输入查询并返回「模拟回复」 * 支持安全退出代码具体解释如下：首先是导入必要的库 import asyncio # 让代码支持异步操作 from mcp import ClientSession # MCP 客户端会话管理 from contextlib import AsyncExitStack # 资源管理（确保客户端关闭时释放资源） 📌 解释： * asyncio：Python 内置的异步编程库，让 MCP 可以非阻塞地执行任务（比如聊天、查询）。 * mcp.ClientSession：用于管理 MCP 客户端会话（但目前我们先不连接 MCP 服务器）。 * AsyncExitStack：自动管理资源，确保程序退出时正确关闭 MCP 连接。然后创建 MCPClient 类 classMCPClient: def__init__(self): """初始化 MCP 客户端""" self.session = None # 先不连接 MCP 服务器 self.exit_stack = AsyncExitStack() # 创建资源管理器 📌 解释： * self.session = None：暂时不连接 MCP 服务器，后续可以修改来真正连接。 * self.exit\_stack = AsyncExitStack()：管理 MCP 客户端的资源，确保程序退出时可以正确释放资源。紧接着模拟 MCP 服务器连接 asyncdefconnect_to_mock_server(self): """模拟 MCP 服务器的连接（暂不连接真实服务器）""" print("✅ MCP 客户端已初始化，但未连接到服务器") 📌 解释： * 这个函数不会真的连接 MCP 服务器，只是打印一条信息，表示客户端已经初始化。 * async def：因为我们用的是异步编程，所以需要用 async 关键字。然后创建交互式聊天循环 asyncdefchat_loop(self): """运行交互式聊天循环""" print("\nMCP 客户端已启动！输入 'quit' 退出") whileTrue: # 无限循环，直到用户输入 'quit' try: query = input("\nQuery: ").strip() # 让用户输入问题 if query.lower() == 'quit': # 如果用户输入 quit，退出循环 break print(f"\n🤖 [Mock Response] 你说的是：{query}") # 返回模拟回复 except Exception as e: # 发生错误时捕获异常 print(f"\n⚠️ 发生错误: {str(e)}") 📌 解释： 1. while True：无限循环，让用户可以不断输入查询。 2. query = input("\nQuery: ").strip()：获取用户输入的查询。 3. if query.lower() == 'quit'：如果用户输入 quit，退出循环。 4. print(f"\n🤖 \[Mock Response] 你说的是：{query}")：模拟 MCP 服务器的响应，暂时只是回显用户输入的内容。 🔹 示例运行 MCP 客户端已启动！输入 'quit' 退出 Query: 你好 🤖 [Mock Response] 你说的是：你好 Query: 这是什么？ 🤖 [Mock Response] 你说的是：这是什么？ Query: quit # 退出程序最后白那些释放资源代码 asyncdefcleanup(self): """清理资源""" await self.exit_stack.aclose() # 关闭资源管理器 📌 解释： * aclose() 确保程序退出时正确关闭 MCP 连接（尽管目前没有真正的连接）。并定义**main() 主函数** asyncdefmain(): client = MCPClient() # 创建 MCP 客户端 try: await client.connect_to_mock_server() # 连接（模拟）服务器 await client.chat_loop() # 进入聊天循环 finally: await client.cleanup() # 确保退出时清理资源 📌 解释： * client = MCPClient()：创建一个 MCP 客户端实例。 * await client.connect\_to\_mock\_server()：初始化 MCP 客户端（暂不连接服务器）。 * await client.chat\_loop()：启动交互式聊天。 * finally: 确保不管程序是否异常退出，都会正确释放资源。以及运行代码 if __name__ == "__main__": asyncio.run(main()) 📌 解释： * if **name** == "**main**":：确保代码只能在 Python 直接运行时执行（而不是作为库导入时）。 * asyncio.run(main())：启动 main()，运行 MCP 客户端。 MCP中一个基础的客户端代码结构总结如下： | 代码部分 | 作用 | | --------------------------- | ------------ | | MCPClient.**init**() | 初始化 MCP 客户端 | | connect\_to\_mock\_server() | 模拟 MCP 服务器连接 | | chat\_loop() | 提供交互式聊天界面 | | cleanup() | 释放资源 | | main() | 启动客户端 | | asyncio.run(main()) | 运行程序 | 2.5 运行 MCP 客户端然后尝试运行这个极简的MCP客户端： uv run client.py 运行效果如下所示：![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/b4696fe35e2f424594a699aae64cee28~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=y0K%2BOqPQlpYUx9Vp%2BQSJR5wgQic%3D)2.6 Jupyter中代码运行效果此外，MCP客户端也是可以在Jupyter中运行的，此时运行代码如下： !pip install mcp import asyncio import nest_asyncio from mcp import ClientSession from contextlib import AsyncExitStack # 解决 Jupyter Notebook 的 asyncio 事件循环冲突 nest_asyncio.apply() classMCPClient: def__init__(self): """初始化 MCP 客户端""" self.session = None self.exit_stack = AsyncExitStack() asyncdefconnect_to_mock_server(self): """模拟 MCP 服务器的连接（暂不连接真实服务器）""" print("✅ MCP 客户端已初始化，但未连接到服务器") asyncdefchat_loop(self): """运行交互式聊天循环""" print("\n📢 MCP 客户端已启动！输入 'quit' 退出\n") whileTrue: try: # 直接使用 input() 获取用户输入 query = input("📝 请输入您的问题: ").strip() if query.lower() == 'quit': print("\n👋 退出聊天...") break # 模拟服务器返回响应 response = f"🤖 [Mock Response] 你说的是：{query}" print(response) except Exception as e: print(f"\n⚠️ 发生错误: {str(e)}") asyncdefcleanup(self): """清理资源""" await self.exit_stack.aclose() asyncdefmain(): client = MCPClient() try: await client.connect_to_mock_server() await client.chat_loop() finally: await client.cleanup() 然后即可输入如下代码开启对话： # 在 Jupyter Notebook 中运行 await main() ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/7724a0751c7e475ab0a1a90d5836cb3b~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=ifV1rf4jEvPalMqYBRIfO615hnA%3D)3. MCP客户端接入OpenAI、DeepSeek在线模型流程接下来尝试在客户端中接入OpenAI和DeepSeek等在线模型进行对话。需要注意的是，由于OpenAI和DeepSeek调用方法几乎完全一样，因此这套服务器client代码可以同时适用于GPT模型和DeepSeek哦行。3.1 新增依赖为了支持调用OpenAI模型，以及在环境变量中读取API-KEY等信息，需要先安装如下依赖： uv add mcp openai python-dotenv ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/46bd8f80d5ec489ba4a4e0a4f0fc1cfd~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=1aZQOxbv69tMVeaerk6vVVmr50I%3D)3.2 创建.env文件接下来创建.env文件，并写入OpenAI的API-Key，以及反向代理地址。借助反向代理，国内可以无门槛直连OpenAI官方服务器，并调用官方API。![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/6a4540cf1f9b4ec7ba499b034bec8c86~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=wLi2sTrZwMxVuZsQyuII5cex2kE%3D)写入如下内容 BASE_URL="反向代理地址" MODEL=gpt-4o OPENAI_API_KEY="OpenAI-API-Key" ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/f2f1d5612a1c48c6bdcfd00b2c20caca~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=R3Ta%2Bva6uj75p7noE%2FRAtSR7q3Q%3D)OpenAI注册指南与国内反向代理领取地址：![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/a4336007e07f45fc9e92029036f7dad7~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=rm1aSwOavcTXCiI8yBmDUctN0UE%3D)![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/12d79f5d42ee4e0f97dd7e727b11b4b2~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=BEilYJBWNRNYGVeGLGDpQyn9hMc%3D)而如果是使用DeepSeek模型，则需要在.env中写入如下内容： BASE_URL=https://api.deepseek.com MODEL=deepseek-chat OPENAI_API_KEY="DeepSeek API-Key" 3.3 修改client.py代码接下来修改客户端代码： import asyncio import os from openai import OpenAI from dotenv import load_dotenv from contextlib import AsyncExitStack # 加载 .env 文件，确保 API Key 受到保护 load_dotenv() classMCPClient: def__init__(self): """初始化 MCP 客户端""" self.exit_stack = AsyncExitStack() self.openai_api_key = os.getenv("OPENAI_API_KEY") # 读取 OpenAI API Key self.base_url = os.getenv("BASE_URL") # 读取 BASE YRL self.model = os.getenv("MODEL") # 读取 model ifnot self.openai_api_key: raise ValueError("❌ 未找到 OpenAI API Key，请在 .env 文件中设置 OPENAI_API_KEY") self.client = OpenAI(api_key=self.openai_api_key, base_url=self.base_url) asyncdefprocess_query(self, query: str) -> str: """调用 OpenAI API 处理用户查询""" messages = [{"role": "system", "content": "你是一个智能助手，帮助用户回答问题。"}, {"role": "user", "content": query}] try: # 调用 OpenAI API response = await asyncio.get_event_loop().run_in_executor( None, lambda: self.client.chat.completions.create( model=self.model, messages=messages ) ) return response.choices[0].message.content except Exception as e: returnf"⚠️ 调用 OpenAI API 时出错: {str(e)}" asyncdefchat_loop(self): """运行交互式聊天循环""" print("\n🤖 MCP 客户端已启动！输入 'quit' 退出") whileTrue: try: query = input("\n你: ").strip() if query.lower() == 'quit': break response = await self.process_query(query) # 发送用户输入到 OpenAI API print(f"\n🤖 OpenAI: {response}") except Exception as e: print(f"\n⚠️ 发生错误: {str(e)}") asyncdefcleanup(self): """清理资源""" await self.exit_stack.aclose() asyncdefmain(): client = MCPClient() try: await client.chat_loop() finally: await client.cleanup() if __name__ == "__main__": asyncio.run(main()) 3.4 运行client.py然后即可输入如下命令开始运行对话客户端： uv run client.py 运行效果如下所示：![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/45063d5990fb45fd8ca61261ae7533eb~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=SVUWLTsgZKNYUteH4nxV8ZYPgfw%3D)3.5 clint.py代码解释加载 OpenAI API Key from dotenv import load_dotenv import os # 加载 .env 文件，确保 API Key 受到保护 load_dotenv() self.openai_api_key = os.getenv("OPENAI_API_KEY") # 读取 API Key ifnot self.openai_api_key: raise ValueError("❌ 未找到 OpenAI API Key，请在 .env 文件中设置 OPENAI_API_KEY") 📌 解释 * load\_dotenv()：自动加载 .env 文件，避免在代码中直接暴露 API Key。 * os.getenv("OPENAI\_API\_KEY")：从环境变量中读取 OPENAI\_API\_KEY。 * raise ValueError(...)：如果 API Key 为空，则抛出错误，提醒用户必须配置 API Key。 📌 创建 .env 文件（如果还没有的话） touch.env 📌 在 .env 文件中添加 API Key OPENAI_API_KEY=你的OpenAI API Key 发送用户输入到 OpenAI API asyncdefprocess_query(self, query: str) -> str: """调用 OpenAI API 处理用户查询""" messages = [ {"role": "system", "content": "你是一个智能助手，帮助用户回答问题。"}, {"role": "user", "content": query} ] try: # 调用 OpenAI GPT-4 API response = await asyncio.get_event_loop().run_in_executor( None, lambda: openai.ChatCompletion.create( model="gpt-4", messages=messages, max_tokens=1000, temperature=0.7 ) ) return response["choices"][0]["message"]["content"].strip() except Exception as e: returnf"⚠️ 调用 OpenAI API 时出错: {str(e)}" 📌 解释 * messages：创建对话上下文，让 OpenAI 知道如何回答问题： * * system 角色：设定 AI 角色（如“你是一个智能助手”）。 * user 角色：存储用户输入。 * openai.ChatCompletion.create(...) * * model="gpt-4"：使用 OpenAI 的 GPT-4 进行对话。 * messages=messages：提供聊天记录，让 AI 生成回答。 * max\_tokens=1000：限制 AI 生成的最大字数。 * temperature=0.7：控制 AI 回答的随机性（越高越随机）。 * run\_in\_executor(...)： * * 因为 OpenAI API 是同步的，但我们用的是异步代码 * 这里用 asyncio.get\_event\_loop().run\_in\_executor(...)将 OpenAI API 变成异步任务，防止程序卡顿。交互式聊天 asyncdefchat_loop(self): """运行交互式聊天循环""" print("\n🤖 MCP 客户端已启动！输入 'quit' 退出") whileTrue: try: query = input("\n你: ").strip() if query.lower() == 'quit': break response = await self.process_query(query) # 发送用户输入到 OpenAI API print(f"\n🤖 OpenAI: {response}") except Exception as e: print(f"\n⚠️ 发生错误: {str(e)}") 📌 解释 * 输入查询query = input("\n你: ").strip()，支持多轮对话。 * 调用 process\_query()，将用户输入发送到 OpenAI API 并获取回复。 * 显示 OpenAI 生成的回复：print(f"\n🤖 OpenAI: {response}") * 用户输入 quit 退出。 4. MCP客户端接入本地ollama、vLLM模型流程接下来，我们继续尝试将ollama、vLLM等模型调度框架接入MCP的client。由于ollama和vLLM均支持OpenAI API风格调用方法，因此上述client.py并不需要进行任何修改，我们只需要启动响应的调度框架服务，然后修改.env文件即可。4.1 MCP客户端接入本地ollama这里以QwQ-32B为例，尝试借助ollama接入MCP客户端。 * 启动ollama * 首先需要启动ollama ollama start ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/e918971b56b64700b843bbb57a37c31e~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=GUTAxqIsGtzMZKkCChQ4JhiYevs%3D) * 测试模型能否调用 ollama list ollama run qwq ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/b7aa438552674b58918739797428b482~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=NBxjlFC%2B0MXRwJNzHYNJZTslmb8%3D) * 修改配置文件 * 然后修改.env配置文件 BASE_URL=http://localhost:11434/v1/ MODEL=qwq OPENAI_API_KEY=ollama ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/b3f52ce4de904b18b8bdb67d57e00a6f~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=PdBbW30XG0rV2X4elVy4kUs5Qfw%3D) * 运行client * 然后即可运行MCP client客户端了 uv run client.py * 此时是推理模型，因此出现标志： ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/6e9a87173ac248248242d770af8daeee~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=icW9Obf2ntU5kMIfnYZ8BakwLbg%3D)4.2 MCP客户端接入vLLM类似的，我们也可以把vLLM接入MCP客户端中。 * 启动vLLM服务 cd /root/autodl-tmp CUDA_VISIBLE_DEVICES=0,1 vllm serve ./QwQ-32B --tensor-parallel-size 2 * 修改配置文件 BASE_URL=http://localhost:8000/v1 MODEL=./QwQ-32B OPENAI_API_KEY=EMPTY ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/91aa6603c2d0487da2fe5cc7ae5fd07d~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=FydNHclNnVP%2FBzG258fJLAGBsi8%3D) * 运行client * 然后即可运行MCP client客户端了 uv run client.py * 此时是推理模型，因此出现标志： ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/d0e643445c2a49e685e6d90dbdb1d1c1~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=OObbjaWsl8A%2F%2F6f0evxIaIxCueA%3D)此时vLLM后端响应如下：![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/56e28c07fe32492e952a4ef036b1936c~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=%2BszxSzwBtLXhrAv59G1EMrR6obE%3D)三、MCP天气查询服务器server与使用1. MCP服务器概念介绍根据MCP协议定义，Server可以提供三种类型的标准能力，Resources、Tools、Prompts，每个Server可同时提供者三种类型能力或其中一种。 * Resources：资源，类似于文件数据读取，可以是文件资源或是API响应返回的内容。 * Tools：工具，第三方服务、功能函数，通过此可控制LLM可调用哪些函数。 * Prompts：提示词，为用户预先定义好的完成特定任务的模板。 2. MCP服务器通讯机制 Model Context Protocol（MCP）是一种由 Anthropic 开源的协议，旨在将大型语言模型直接连接至数据源，实现无缝集成。根据 MCP 的规范，当前支持两种传输方式：标准输入输出（stdio）和基于 HTTP 的服务器推送事件（SSE）。而近期，开发者在 MCP 的 GitHub 仓库中提交了一项提案，建议采用“可流式传输的 HTTP”来替代现有的 HTTP+SSE 方案。此举旨在解决当前远程 MCP 传输方式的关键限制，同时保留其优势。 HTTP 和 SSE（服务器推送事件）在数据传输方式上存在明显区别： * 通信方式： * * HTTP：采用请求-响应模式，客户端发送请求，服务器返回响应，每次请求都是独立的。 * SSE：允许服务器通过单个持久的 HTTP 连接，持续向客户端推送数据，实现实时更新。 * 连接特性： * * HTTP：每次请求通常建立新的连接，虽然在 HTTP/1.1 中引入了持久连接，但默认情况下仍是短连接。 * SSE：基于长连接，客户端与服务器之间保持持续的连接，服务器可以在任意时间推送数据。 * 适用场景： * * HTTP：适用于传统的请求-响应场景，如网页加载、表单提交等。 * SSE：适用于需要服务器主动向客户端推送数据的场景，如实时通知、股票行情更新等。需要注意的是，SSE 仅支持服务器向客户端的单向通信，而 WebSocket 则支持双向通信。![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/1b9ca66d9fe046149482e44e330e966b~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=dhfVLYUnqBdhqjN%2FUc51qhXGRuA%3D)![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/58467dcfa88e48618b1518a7fbfafba1~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=x3jZ76v7PkTOQxjVkJBBhEzWd04%3D)具体来说，MCP定义了Client与Server进行通讯的协议与消息格式，其支持两种类型通讯机制：标准输入输出通讯、基于SSE的HTTP通讯，分别对应着本地与远程通讯。Client与Server间使用JSON-RPC 2.0格式进行消息传输。 * 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。 * 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。这里我们尝试一个入门级的示例，那就是创建一个天气查询的服务器。通过使用OpenWeather API，创建一个能够实时查询天气的服务器（server），并使用stdio方式进行通信。![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/3c8bc453b02845ea89f32090b23f22b1~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=uW0Njqyq5EVCCg%2B0YikEEzC%2FTi0%3D)测试查询效果 curl -s "https://api.openweathermap.org/data/2.5/weather?q=Beijing&appid='YOUR_API_KEY'&units=metric&lang=zh_cn" ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/4a6a82054c6e4343933b1da4c4bbe127~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=1LV4C2IHZEHSCQHAzpsCUpHd4kQ%3D)测试无误后，接下来即可进入到创建server的环节中。3. 天气查询服务器Server创建流程3.1 服务器依赖安装由于我们需要使用http请求来查询天气，因此需要在当前虚拟环境中添加如下依赖 uv add mcp httpx 3.2 服务器代码编写接下来尝试创建服务器代码，此时MCP基本执行流程如下：![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/3c63ddcea9e546bf8f8d8a99ab853095~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=8GgTihUnmVEeqdsqqw0vYaBgy3A%3D)对应server服务器代码如下： 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 = "YOUR_API_KEY"# 请替换为你自己的 OpenWeather API Key USER_AGENT = "weather-app/1.0" asyncdeffetch_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} asyncwith 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)}"} defformat_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: returnf"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: returnf"⚠️ {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"🌍 {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() asyncdefquery_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__": # 以标准 I/O 方式运行 MCP 服务器 mcp.run(transport='stdio') ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/67f25498a4ec4d969735ed988339b0b5~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=1om%2FsERY7vkHmLHbY%2BZR9UNVbE4%3D)代码解释如下：Part 1. 异步获取天气数据 * 函数 fetch\_weather(city: str) * * 使用 httpx.AsyncClient() 发送异步 GET 请求到 OpenWeather API。 * 如果请求成功，则调用 response.json() 返回一个字典。 * 出现异常时，返回包含错误信息的字典。 Part 2. 格式化天气数据 * 函数 format\_weather(data: dict | str) * * 首先检查传入的数据是否为字符串，如果是，则使用 json.loads 将其转换为字典。 * 检查数据中是否包含 "error" 字段，如果有，直接返回错误提示。 * 使用 .get() 方法提取 name、sys.country、main.temp、main.humidity、wind.speed 和 weather\[0].description 等数据，并为可能缺失的字段提供默认值。 * 将提取的信息拼接成一个格式化字符串，方便阅读。 Part 3. MCP 工具 query\_weather(city: str) * 函数 query\_weather * * 通过 @mcp.tool() 装饰器注册为 MCP 服务器的工具，使其能够被客户端调用。 * 调用 fetch\_weather(city) 获取天气数据，然后用 format\_weather(data) 将数据格式化为易读文本，最后返回该字符串。 Part 4. 运行服务器 * if **name** == "**main**": 块 * * 调用 mcp.run(transport='stdio') 启动 MCP 服务器，采用标准 I/O 通信方式，等待客户端调用。此外，上述代码有两个注意事项， 1. query\_weather函数的函数说明至关重要，相当于是此后客户端对函数进行识别的基本依据，因此需要谨慎编写； 2. 当指定 transport='stdio' 运行 MCP 服务器时，客户端必须在启动时同时启动当前这个脚本，否则无法顺利通信。这是因为 stdio 模式是一种本地进程间通信（IPC，Inter-Process Communication）方式，它需要服务器作为子进程运行，并通过标准输入输出（stdin/stdout）进行数据交换。因此，当我们编写完服务器后，并不能直接调用这个服务器，而是需要创建一个对应的能够进行stdio的客户端，才能顺利进行通信。4. 天气查询客户端client创建流程4.1 代码编写 import asyncio import os import json from typing import Optional from contextlib import AsyncExitStack from openai import OpenAI from dotenv import load_dotenv from mcp import ClientSession, StdioServerParameters from mcp.client.stdio import stdio_client # 加载 .env 文件，确保 API Key 受到保护 load_dotenv() classMCPClient: def__init__(self): """初始化 MCP 客户端""" self.exit_stack = AsyncExitStack() self.openai_api_key = os.getenv("OPENAI_API_KEY") # 读取 OpenAI API Key self.base_url = os.getenv("BASE_URL") # 读取 BASE YRL self.model = os.getenv("MODEL") # 读取 model ifnot self.openai_api_key: raise ValueError("❌ 未找到 OpenAI API Key，请在 .env 文件中设置 OPENAI_API_KEY") self.client = OpenAI(api_key=self.openai_api_key, base_url=self.base_url) # 创建OpenAI client self.session: Optional[ClientSession] = None self.exit_stack = AsyncExitStack() asyncdefconnect_to_server(self, server_script_path: str): """连接到 MCP 服务器并列出可用工具""" is_python = server_script_path.endswith('.py') is_js = server_script_path.endswith('.js') ifnot (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" 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() # 列出 MCP 服务器上的工具 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]) asyncdefprocess_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}] response = await self.session.list_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 = 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 = self.client.chat.completions.create( model=self.model, messages=messages, ) return response.choices[0].message.content return content.message.content asyncdefchat_loop(self): """运行交互式聊天循环""" print("\n🤖 MCP 客户端已启动！输入 'quit' 退出") whileTrue: try: query = input("\n你: ").strip() if query.lower() == 'quit': break response = await self.process_query(query) # 发送用户输入到 OpenAI API print(f"\n🤖 OpenAI: {response}") except Exception as e: print(f"\n⚠️ 发生错误: {str(e)}") asyncdefcleanup(self): """清理资源""" await self.exit_stack.aclose() asyncdefmain(): if len(sys.argv) < 2: print("Usage: python client.py ") 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()) ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/85d1d17d6c7f4f4d8d5e1b85cb3d8e27~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=8JUXIZFyDTM9PhJL9Nw%2FqfwMuec%3D)4.2 测试运行 # 确认进入到项目目录 cd /root/autodl-tmp/MCP/mcp-client # 确认激活虚拟环境 source .venv/bin/activate ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/a23876f0fbaf41c6a8a15ff21de594fc~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=eFfl%2BKH0ZQWy8hPAtUOwz2aT4Nk%3D) uv run client.py server.py 直接提问请问北京今天天气如何？运行结果如下所示：![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/30207765df274b98b01a9d342adf7eca~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=qk3tUHVypMfu6URrBsQoFOltIFU%3D)QwQ-32B推理类模型问答效果如下：![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/a2fcd1e49f4741e4bc8b5ed288f4f9e4~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=r0mkpvJKTASXZAuAWK1IHXMAO74%3D)4.3 代码解释client代码整个MCP服务的核心，以下是这段代码的详细解释。导入基本类 import asyncio import os import json from typing import Optional from contextlib import AsyncExitStack from openai import OpenAI from dotenv import load_dotenv from mcp import ClientSession, StdioServerParameters from mcp.client.stdio import stdio_client 1. 导入必要库 2. * asyncio：支持异步编程 * os / json：读取环境变量、解析 JSON * typing.Optional：类型提示 * contextlib.AsyncExitStack：用于安全管理异步资源（如 MCP 连接） * openai.OpenAI：你的自定义 OpenAI Client 类 * dotenv.load\_dotenv：从 .env 文件加载环境变量（如 API Key） * MCP 相关：mcp.ClientSession, mcp.client.stdio, StdioServerParameters load_dotenv() * 从 .env 文件中加载环境变量, OPENAI_API_KEY=sk-xxxxxx BASE_URL=... MODEL=... \*\* MCPClient 类创建过程\*\* classMCPClient: def__init__(self): """初始化 MCP 客户端""" self.exit_stack = AsyncExitStack() self.openai_api_key = os.getenv("OPENAI_API_KEY") # 读取 OpenAI API Key self.base_url = os.getenv("BASE_URL") # 读取 BASE YRL self.model = os.getenv("MODEL") # 读取 model ifnotself.openai_api_key: raise ValueError("❌ 未找到 OpenAI API Key，请在 .env 文件中设置 OPENAI_API_KEY") self.client = OpenAI(api_key=self.openai_api_key, base_url=self.base_url) # 创建OpenAI client self.session: Optional[ClientSession] = None self.exit_stack = AsyncExitStack() 1. self.exit\_stack = AsyncExitStack() 2. * 用于统一管理异步上下文（如 MCP 连接）的生命周期。 * 可以在退出（cleanup）时自动关闭。 3. 读取环境变量 4. * openai\_api\_key：OpenAI API Key * base\_url：模型请求的 Base URL（如你自建的反代地址） * model：OpenAI 模型名称 5. 初始化 OpenAI 客户端 6. * OpenAI(api\_key=self.openai\_api\_key, base\_url=self.base\_url) * 你自定义的 OpenAI 客户端，用来与 OpenAI Chat Completion API 通信。 7. self.session 8. * 用于保存 MCP 的客户端会话，默认是 None，稍后通过 connect\_to\_server 进行连接。 9. 再次声明 self.exit\_stack = AsyncExitStack() 10. * 这里两次赋值其实有点冗余（前面已赋值过一次）。不过并不影响功能，等同于覆盖掉前面的对象。可能是手误或调试时多写了一次。 connect\_to\_server(self, server\_script\_path: str) asyncdefconnect_to_server(self, server_script_path: str): ... * 负责启动并连接到 MCP 服务器，并列出可用工具。 is_python = server_script_path.endswith('.py') is_js = server_script_path.endswith('.js') ifnot (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" * 判断服务器脚本是 Python 还是 Node.js，选择对应的运行命令。 server_params = StdioServerParameters( command=command, args=[server_script_path], env=None ) * StdioServerParameters：告诉 MCP 客户端如何启动服务器。 * * command=command：如 "python" * args=\[server\_script\_path]：如 \["weather\_server.py"] 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() 1. stdio\_client(server\_params)：启动服务器进程，并建立标准 I/O 通信管道。 2. self.stdio, self.write = stdio\_transport：拿到读写流。 3. ClientSession(...)：创建 MCP 客户端会话，与服务器交互。 4. await self.session.initialize()：发送初始化消息给服务器，等待服务器就绪。 # 列出 MCP 服务器上的工具 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]) * list\_tools()：向 MCP 服务器请求所有已注册的工具（用 @mcp.tool() 标记）。 * 打印工具列表，例如 \["get\_forecast", "query\_db", ...]。 process\_query(self, query: str) -> str asyncdefprocess_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}] * 收到用户输入后，先把它组装进一个 messages 列表，目前只包含用户信息（{"role": "user", "content": query}）。 response = await self.session.list_tools() available_tools = [{ "type": "function", "function": { "name": tool.name, "description": tool.description, "input_schema": tool.inputSchema } } for tool in response.tools] print(available_tools) * 获取服务器上的工具，再转换成 available\_tools 的格式。 * 这里你自定义了一个结构：每个工具对应一个 {"type": "function", "function": {...}} 的字典。 * 方便后面发给 OpenAI，告诉它：可以调用这些工具。 response = self.client.chat.completions.create( model=self.model, messages=messages, tools=available_tools ) * 使用 OpenAI 客户端的 chat.completions.create * 方法发送请求： * * model=self.model：比如 "gpt-4o" 或 "deepseek-chat" * messages=messages：聊天上下文 * tools=available\_tools：让模型知道有哪些可调用的「函数」。这是你自定义的\*\*“Function Calling”\*\*协议（非官方 JSON schema）。 content = response.choices[0] if content.finish_reason == "tool_calls": # 如果模型想调用工具 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 = self.client.chat.completions.create( model=self.model, messages=messages, ) return response.choices[0].message.content return content.message.content 1. if content.finish\_reason == "tool\_calls": 2. * 如果模型的输出表示「想调用工具」，它会在 content.message.tool\_calls 列表中声明要用哪个函数、参数是什么。 * 这是你自定义的一种函数调用机制，和官方 function\_call 格式略有不同，但逻辑相似。 3. 取出工具名 tool\_name 和参数 tool\_args，再调用 self.session.call\_tool(tool\_name, tool\_args) 执行 MCP 工具。 4. 把工具调用结果以「role=tool」的形式写入 messages。这样相当于把“函数调用结果”再喂给模型。 5. 再次调用 OpenAI，让模型阅读到这个新上下文，产出最终回答。 6. 如果没有要调用工具，直接返回 content.message.content（模型的文本回答）。 chat\_loop(self) asyncdefchat_loop(self): """运行交互式聊天循环""" print("\n🤖 MCP 客户端已启动！输入 'quit' 退出") whileTrue: try: query = input("\n你: ").strip() if query.lower() == 'quit': break response = await self.process_query(query) # 发送用户输入到 OpenAI API print(f"\n🤖 OpenAI: {response}") except Exception as e: print(f"\n⚠️ 发生错误: {str(e)}") 作用： * 提供一个简单的命令行界面，反复让用户输入问题。 * 每个问题交给 process\_query，把结果打印出来。 * 输入 'quit' 退出循环。 cleanup(self) 与 main() asyncdefcleanup(self): """清理资源""" await self.exit_stack.aclose() * self.exit\_stack.aclose()：异步地关闭所有在 exit\_stack 中注册的资源（包括 MCP 会话）。 asyncdefmain(): if len(sys.argv) < 2: print("Usage: python client.py ") 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()) 1. 读取命令行参数，获取服务器脚本路径（如 weather\_server.py）。 2. 创建 MCPClient 实例。 3. 调用 connect\_to\_server，启动并连接服务器。 4. 进入 chat\_loop 让用户输入多轮对话。 5. 退出时调用 client.cleanup() 释放资源。代码总结如下： 1. MCPClient 的主要职责： 2. * 启动 MCP 服务器（通过 StdioServerParameters） * 建立 MCP 会话，列出可用工具 * 处理用户输入，将其发送给 OpenAI 模型 * 如果模型想调用 MCP 工具（Function Calling），就执行 call\_tool * 将结果重新发给模型，并返回最终回答 3. Function Calling 逻辑（你的自定义版）： 4. * tools=available\_tools：在 completions.create 时告诉模型有哪些工具可用。 * 模型返回 finish\_reason=="tool\_calls" → 说明它想用工具。 * 解析 tool\_calls\[0]，执行 MCP 工具 → 再次发给模型 → 返回最终答案。 5. 为什么要两次请求？ 6. * 第一次：模型根据你的指令，决定要不要用工具 * 如果需要用工具 → 返回工具名称和参数 → 执行工具 → 把结果作为新的上下文发给模型 * 第二次：模型基于工具结果给出最终回答 7. 如何运行： python client.py weather_server.py * 这会自动启动 weather\_server.py（MCP 服务器）并进行 stdio 通讯。 1. 可能需要的改进： 2. * 多轮对话上下文：把所有消息都存进 messages，让模型能记住以前的对话。 * 错误处理：当工具调用失败时，给用户提示。 5.MCP Inspector功能介绍在实际开发MCP服务器的过程中，Anthropic提供了一个非常便捷的debug工具：Inspector。借助Inspector，我们能够非常快捷的调用各类server，并测试其功能。Inspector具体功能实现流程如下。 * 安装nodejs curl -fsSL https://deb.nodesource.com/setup_20.x | sudo bash - sudo apt install -y nodejs ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/1867d8cc548f4a7c8490c4ffa7ef204a~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=6%2BRPk42FbJixeY%2FOq41qM9n%2BNQ4%3D)\ ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/64af2ad6d780424db3185d46ca098330~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=UvtdwcLfL28Io%2BsK0FKmcqY3rPw%3D) npx -v ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/4dd52dee443e4d67aaa113f14936dc84~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=B0VKPTwnK%2FZckT6shR9POpgg0HI%3D) * 运行Inspector npx-y @modelcontextprotocol/inspector uv run server.py ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/323ae6cf9d57425c85eb91c8ead48053~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=slOsDhXlcknPoi0mNVVEBrveVos%3D)然后即可在本地浏览器查看当前工具运行情况：. MCP服务器Server进阶功能 * 基于SSE传输的MCP服务器功能实现 * 除了stdio连接模式外，MCP还提供了可以服务器、客户端异地运行的SSE传输模式，以适用于更加通用的开发情况。若要实现SSE的MCP服务器通信，需要同时修改客户端和服务器代码。 * Resources、Prompt类功能MCP服务器 * 除了Tools功能的服务器外，MCP还支持Resources类服务器和Prompt类服务器，其中Resources服务器主要负责提供更多的资源接口，如调用本地文件、数据等，而Prompt类服务器则是用于设置Agent开发过程中各环节的提示词模板。 * 更多通用公开&在线服务器调用指南 * MCP标准通信协议带来的最大价值之一，就是让广大Agent开发者能够基于此进行协作。在MCP推出后的若干时间，已经诞生了数以千计的MCP服务器，允许用户直接下载并进行调用。几个有名的MCP服务器合集(导航站)地址：![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/a3c0b27c4a5f47fea834277f96e08b71~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=1BhZFWpD%2B3iToYxO2dc2cFb5vtg%3D)![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/e2ed1b888a644aa1b9be7ec2609f6e33~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=SwOveJBE4OfmlY5euun1KhXZ7gE%3D)![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/4ec5c36862444249b02b0b5e64c0598f~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=f2e0Z2tCwGaoTunR9cHjXuOKeW0%3D)![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/0f7cc7c062fa4c3eb3e847175c7283a1~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=hC7b%2FaogAC%2BZg39suPa%2Bs6umyq8%3D) * * MCP导航： * * MCP集合： * * MCP Github热门导航： * * MCP官方服务器合集： 2. MCP客户端Client进阶功能此外，除了能在命令行中创建MCP客户端外，还支持各类客户端的调用： Destop，我们能够轻易的将各类服务器进行集成，从而拓展Claude Destop的性能：![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/cfc1264899ac47e29b5401a03e28e4ba~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=Si6sstWw%2BdgmFmmxRJIBNhBn8NQ%3D)而在一些IDE客户端里，如cline或者Cursor，我们能够直接调用服务器进行开发：\ 此外，还有一些为MCP量身定制的Agent开发框架，通过集成MCP来提高Agent开发进度： *** 为每个人提供最有价值的技术赋能！【公益】大模型技术社区已经上线！九天&菜菜&菊安酱&木羽老师，30+套原创系统教程，涵盖国内外主流「开&闭源大模型」调用与部署，RAG、Agent、微调实战案例…所有内容免费公开，还将定期追更最新大模型技术进展\~ 📍完整视频讲解+学习课件+项目源码包获取⬇️请点击原文进入赋范大模型技术社区即可领取～ ![图片](https://p3-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/aff6a0dfc44e421ab147bce14e2e913e~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6LWL6IyD5aSn5qih5Z6L5oqA5pyv56S-5Yy6:q75.awebp?rk3s=f64ab15b&x-expires=1758631286&x-signature=fSkaMFZPKF4jAF4%2BBUy1XIQH22U%3D)