本文通过一个基础入门Demo从核心工作流程到服务端与客户端的实践开发，完整展现MCP在工具调用与模型协同中的技术实现。在MCP Client端开发中分别使用官方Claude模型和DeepSeek模型服务进行开发验证，将从以下方面介绍：
- MCP 工作流程
- MCP Server端开发
- 调试MCP Server服务
- MCP Client端开发
一、MCP 工作流程
MCP的核心执行流程如下：
MCP Client--Server--LLM交互过程如下：
MCP Client--Server--LLM工作流程：
-
客户端从服务器获取可用的工具列表；
-
用户的查询连同工具描述一起发送给模型服务（如Claude/DeepSeek）；
-
模型服务决定使用哪些工具（如果有的话）；
-
客户端通过服务器执行任何请求的工具调用；
-
结果被发送回模型服务；
-
模型服务提供自然语言响应；
-
响应显示给用户。
二、MCP Server端开发
为了便于理解和快速上手，Demo程序使用官方weather服务。
系统要求
Python >= 3.10
Python MCP SDK >= 1.2.0
环境准备
安装 uv 并设置Python 项目和环境：
Windows
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
MacOS/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh
重启Shell终端，以确保 uv 命令被识别。
创建项目
Windows
# 为项目创建一个新 directory
uv init weather
cd weather
# 创建 virtual environment 并激活它
uv venv
.venv\Scripts\activate
# 安装 dependencies
uv add mcp[cli] httpx
MacOS/Linux
# 为项目创建一个新 directory
uv init weather
cd weather
# 创建 virtual environment 并激活它
uv venvsource
.venv/bin/activate
# 安装 dependencies
uv add "mcp[cli]" httpx
官方完整代码
其中Tool execution handler 负责实际执行每个 tool 的逻辑，核心代码如下：
初始化并运行 Server服务：
uv run weather.py
三、调试Server服务
可以采用MCP Inspector 或 Claude Desktop两种方式进行功能调试：
- MCP Inspector 调试
venv环境下启动Inspector**服务
mcp dev weather.py
Inspector服务调试过程如下 ：
调试MCP Server Tool，功能无误可以看到对应的Tool Result输出。
- Claude Desktop调试
在配置文件claude_desktop_config.json中添加：
{
"mcpServers": {
"weather": {
"command": "uv",
"args": [
"--directory",
"C:\ABSOLUTE\PATH\TO\PARENT\FOLDER\weather",
"run",
"weather.py"
]
}
}
}
保存后重启Claude Desktop。
Claude Desktop识别Server程序后，
单击锤子 icon 后，可以看到列出两个tools：
如果MCP Server 未被 Claude Desktop 接收，可查看服务日志以获取 debug 提示。默认日志目录：
C:\Users\xxx\AppData\Roaming\Claude\logs\mcp-*.log
详细Debug方法可参考：
通过询问天气情况来测试MCP Server tool 功能：
四、MCP Client端开发
构建一个连接到 MCP 服务器的 LLM 驱动的聊天机器人客户端，分别使用官方Claude模型和DeepSeek模型服务。
- 官方Claude服务
创建项目
# 创建项目目录
uv init mcp-client
cd mcp-client
# 创建虚拟环境
uv venv
# 激活虚拟环境
# 在 Windows 上：
.venv\Scripts\activate
# 在 Unix 或 MacOS 上：source
.venv/bin/activate
# 安装所需的包
uv add mcp anthropic python-dotenv
官方代码
官方使用Claude模型，关键代码如下
运行客户端
指定 weather MCP Server，运行客户端：
uv run client.py path/to/weather.py
客户端工作流程：
（1）连接到指定的服务器；
（2）列出可用的工具；
（3）启动一个交互式聊天会话，用户可以：
a. 输入查询
b. 查看工具执行
c. 获取 Claude 的最终响应
- DeepSeek模型服务
核心代码：
##async def process_query(self, query: str) -> str: """ 使用DeepSeek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] print(f'response choice={content}') 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
运行并验证客户端
五、结语
本文为开发者提供了从零搭建MCP应用的常用路径，还通过多模型服务（Claude/DeepSeek）的对比验证，体现了MCP的兼容性与可扩展性。后续可进一步探索复杂工具链的集成、服务性能优化，或结合其他LLM（如GPT、本地化模型）深化场景应用，力求能够快速掌握MCP开发的核心技能，并基于实际需求拓展更丰富的智能化应用场景。
