MCP快速入门—快速构建自己的服务器_搭建mcp服务器

引言

随着大语言模型(LLM)技术的快速发展，如何扩展其能力边界成为开发者关注的重点。MCP(Model Capability Protocol)作为一种协议标准，允许开发者构建自定义服务器来增强LLM的功能。

正文内容

1. MCP核心概念与技术背景

MCP服务器主要提供三种能力类型：

• 资源(Resources)：客户端可读取的类似文件的数据（如API响应或文件内容）
• 工具(Tools)：经用户批准后LLM可调用的函数
• 提示(Prompts)：帮助用户完成特定任务的预编写模板

本教程将重点介绍工具类型的实现，通过构建两个实用工具(get-alerts和get-forecast)来扩展Claude的功能，使其能够获取天气预报和恶劣天气警报。

2. 环境准备与项目初始化

2.1 系统要求

• Python 3.10或更高版本
• Python MCP SDK 1.2.0或更高版本

2.2 安装uv并创建项目

# 安装uv包管理器curl -LsSf https://astral.sh/uv/install.sh | sh# 创建项目目录uv init weathercd weather# 创建并激活虚拟环境uv venvsource .venv/bin/activate# 安装依赖uv add \"mcp[cli]\" httpx# 创建服务器文件touch weather.py

3. 构建天气服务器

3.1 初始化FastMCP实例

from typing import Anyimport httpxfrom mcp.server.fastmcp import FastMCP# 初始化FastMCP服务器mcp = FastMCP(\"weather\")# 常量定义NWS_API_BASE = \"https://api.weather.gov\"USER_AGENT = \"weather-app/1.0\"```FastMCP类利用Python类型提示和文档字符串自动生成工具定义，简化了MCP工具的创建和维护过程。

3.2 实现辅助函数

async def make_nws_request(url: str) -> dict[str, Any] | None: \"\"\"向NWS API发起请求并处理错误\"\"\" headers = { \"User-Agent\": USER_AGENT, \"Accept\": \"application/geo+json\" } async with httpx.AsyncClient() as client: try: response = await client.get(url, headers=headers, timeout=30.0) response.raise_for_status() return response.json() except Exception: return Nonedef format_alert(feature: dict) -> str: \"\"\"格式化警报特征为可读字符串\"\"\" props = feature[\"properties\"] return f\"\"\"Event: {props.get(\'event\', \'Unknown\')}Area: {props.get(\'areaDesc\', \'Unknown\')}Severity: {props.get(\'severity\', \'Unknown\')}Description: {props.get(\'description\', \'No description available\')}Instructions: {props.get(\'instruction\', \'No specific instructions provided\')}\"\"\"

3.3 实现工具功能

@mcp.tool()async def get_alerts(state: str) -> str: \"\"\"获取美国各州的天气警报 Args: state: 两字母州代码(如CA, NY) \"\"\" url = f\"{NWS_API_BASE}/alerts/active/area/{state}\" data = await make_nws_request(url) if not data or \"features\" not in data: return \"无法获取警报或未发现警报\" if not data[\"features\"]: return \"该州无活跃警报\" alerts = [format_alert(feature) for feature in data[\"features\"]] return \"\\n---\\n\".join(alerts)@mcp.tool()async def get_forecast(latitude: float, longitude: float) -> str: \"\"\"获取某地天气预报 Args: latitude: 纬度 longitude: 经度 \"\"\" # 首先获取预测网格端点 points_url = f\"{NWS_API_BASE}/points/{latitude},{longitude}\" points_data = await make_nws_request(points_url) if not points_data: return \"无法获取该位置的预测数据\" # 从points响应中获取预测URL forecast_url = points_data[\"properties\"][\"forecast\"] forecast_data = await make_nws_request(forecast_url) if not forecast_data: return \"无法获取详细预测\" # 将时间段格式化为可读预测 periods = forecast_data[\"properties\"][\"periods\"] forecasts = [] for period in periods[:5]: # 仅显示接下来5个时段 forecast = f\"\"\"{period[\'name\']}:温度: {period[\'temperature\']}°{period[\'temperatureUnit\']}风速: {period[\'windSpeed\']} {period[\'windDirection\']}预测: {period[\'detailedForecast\']}\"\"\" forecasts.append(forecast) return \"\\n---\\n\".join(forecasts)

3.4 运行服务器

if __name__ == \"__main__\": # 初始化并运行服务器 mcp.run(transport=\'stdio\')

4. 连接Claude for Desktop进行测试

4.1 配置客户端

{ \"mcpServers\": { \"weather\": { \"command\": \"uv\", \"args\": [ \"--directory\", \"/ABSOLUTE/PATH/TO/PARENT/FOLDER/weather\", \"run\", \"weather.py\" ] } }}

4.2 测试命令

• “萨克拉门托的天气怎么样？”
• “德克萨斯州有哪些活跃的天气警报？”

5. 技术实现原理

当用户提问时，系统会经历以下流程：

1. 客户端将问题发送给Claude
2. Claude分析可用工具并决定使用哪些
3. 客户端通过MCP服务器执行选定工具
4. 结果返回给Claude
5. Claude生成自然语言响应
6. 向用户显示响应

结论

本文详细介绍了如何使用Python和MCP SDK快速构建一个功能完整的天气服务器。通过实现get-alerts和get-forecast两个工具，我们成功扩展了Claude的能力，使其能够查询实时天气信息。这种模式可以推广到其他领域，为LLM添加各种实用功能。MCP协议的灵活性和Python SDK的易用性使得开发者可以快速构建和集成自定义功能，极大地丰富了LLM的应用场景。

MCP 核心架构解析

网上鲜花订购