1.引言
上一篇文章，我们知道function calling实现了大模型通往外部世界的桥梁，于大模型而言，function calling实现了一种插件化的机制，完成能力扩展。
你还记得编程实现function calling有哪些关键点吗？首先要定义一个工具函数，像这样：
其次，要通过dict数据结构形式描述工具，这很关键（大模型根据描述来选择工具），像这样：
我们看到，要实现function calling是一件相对繁琐的事情，而且这里还存在巴比塔困境，即各家大模型各玩各的，简单直白说，就是没有规矩，不成方圆。
于是，2024年11月Anthropic（发布Claude大模型）公司，提出了mcp（Model Context Protocol）模型上下文协议，试图通过标准化协议方式，实现书同文，车同轨。
这是一种进步，任何事物的发展，当从百花齐放到一统江湖的时候，说明黎明的曙光到来。接下来我将通过两篇文章，手把手给你分享mcp两种通信模式的实现。
2.案例
2.1.什么是mcp
mcp是一个标准化开放协议，规范了应用程序向LLM提供上下文的方式。类似于计算机世界USB接口，mcp提供了一种标准化的方式让AI模型能够连接到不同的外部数据源和工具。简单说，就是让大模型function calling有统一的标准可循。
mcp架构图：c/s 机构模式
从架构图中，mcp有三个核心角色：
- 客户端
- 服务端
- 资源
实践应用流程图：
外部应用和数据源，通过mcp协议开放接口能力，AI应用通过mcp协议接入外部工具和数据源，实现LLM大模型于外部世界的交互。
访问：mcp.so/，看到很多大的玩家已经通过mcp开放了相关接口服务能力
2.2.环境准备
搞清楚了mcp相关的概念和流程，我们自己从代码层面实现一套mcp完整流程。当然，要先安装相关的库准备环境
pip install uv mcp
备注一下，只安装mcp库其实就够用了，网上很多文章都绑定了uv库，uv等价于python中pip+虚拟环境，不用也是可以的。
2.3.server端代码
server端实现工具接口，数据开放。等价于function calling中函数定义
from mcp.server.fastmcp import FastMCP
# 创建MCP 服务
mcp = FastMCP('Demo')
@mcp.tool()
def add(a:int, b:int) ->int:
""""
计算两个整数的和并返回
"""
return a+b
if __name__ == "__main__":
# 以标准 I/O 方式运行 MCP 服务器
mcp.run(transport='stdio')
2.4.客户端代码
import asyncio
import json
from typing import Optional
from contextlib import AsyncExitStack
from openai import OpenAI
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
class MCPClient:
def __init__(self):
"""初始化MCP客户端"""
self.exit_stack = AsyncExitStack()
self.opanai_api_key = "" # 调用模型的api_key
self.base_url = "https://api.deepseek.com" # 调用模型url, 这里以deepseek作演示
self.model = "deepseek-chat" # 调用deepseek-v3模型
self.client = OpenAI(api_key=self.opanai_api_key, base_url=self.base_url)
self.session: Optional[ClientSession] = None # Optional提醒用户该属性是可选的，可能为None
self.exit_stack = AsyncExitStack() # 用来存储和清除对话中上下文的，提高异步资源利用率
async def connect_to_server(self, server_script_path):
"""连接到MCP服务器并列出MCP服务器的可用工具函数"""
server_params = StdioServerParameters(
command="python",
args=[server_script_path],
env=None
) # 设置启动服务器的参数, 这里是要用python执行server.py文件
# 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() # 与服务器建立stdio连接
# 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]) # 打印服务端可用的工具
async def process_query(self, query: str) -> str:
"""使用大模型处理查询并调用MCP Server可用的MCP工具"""
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]
response = self.client.chat.completions.create(
model=self.model,
messages=messages,
tools=available_tools
)
# 处理返回内容
content = response.choices[0]
if content.finish_reason == "tool_calls":
# 返回结果是使用工具的建议，就解析并调用工具
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")
# 将模型返回的调用工具的对话记录保存在messages中
messages.append(content.message.model_dump())
messages.append({
"role": "tool",
"content": result.content[0].text,
"tool_call_id": tool_call.id,
})
# 将上面的结果返回给大模型用于生产最终结果
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"""
print("\n MCP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)
print(f"\nDeepSeek-V3: {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 main():
client = MCPClient()
try:
await client.connect_to_server(sys.argv[1])
await client.chat_loop()
finally:
await client.clean()
if __name__ == "__main__":
import sys
asyncio.run(main())
客户端实现连接，协议转换，重点要关注connect_to_server方法
在与大模型交互中，有一段很熟悉的代码
这不就是我们function calling吗？本质没有变化，mcp只是给我们提供了一套标准，让大家在一个统一的标准下玩，便于开放互联互通。
2.5.执行结果
代码都开发完了，启动执行看看结果，需要注意，我们这篇文章演示标准IO模式，即mcp的stdio本地通信模式，服务端以子进程方式运行，命令如下：
python mymcp/hello_mcp_client.py mymcp/hello_mcp_server.py
启动完成，我们看到成功列出服务端开放的工具列表，这里是add工具
输入信息：111求和222等于多少，与大模型愉快交流
大模型理解我们的问题，选择了add工具，最终完成任务。
