大模型MCP实战

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="dashscope.aliyuncs.com/compatible-…" ) # 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

大模型MCP实战

mcp = FastMCP("WeatherServer")

大模型MCP实战

OPENWEATHER_API_BASE = "api.openweathermap.org/data/2.5/we…" 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](https://mp.weixin.qq.com/s/nQF-bUcmODpqo_SGPSxfbg)

> 原文链接: https://www.cnblogs.com/aibi1/p/18811538