MCP客户端与服务端初使用——让deepseek调用查询天气的mcp来查询天气_天气mcp
本系列主要通过调用天气的mcp server查询天气这个例子来学习什么是mcp，以及怎么设计mcp。话不多说，我们开始吧。主要参考的是B站的老哥做的一个教程，我把链接放到这里，大家如果有什么不懂的也可以去看一下。
https://www.bilibili.com/video/BV1NLXCYTEbj?spm_id_from=333.788.videopod.episodes&vd_source=32148098d54c83926572ec0bab6a3b1d
https://blog.csdn.net/fufan_LLM/article/details/146377471
最终的效果:让deepseek-v3使用天气查询的工具来查询指定地方的天气情况
技术介绍
MCP，即Model Context Protocol（模型上下文协议），是由Claude的母公司Anthropic在2024年底推出的一项创新技术协议。在它刚问世时，并未引起太多关注，反响较为平淡。然而，随着今年智能体Agent领域的迅猛发展，MCP逐渐进入大众视野并受到广泛关注。今年2月，Cursor宣布正式支持MCP功能，这无疑为MCP的推广按下了加速键，使其迅速走进了众多开发人员的视野。
从本质上讲，MCP是一种在智能体Agent开发过程中被广泛认可并遵循的规范。它就如同古代秦始皇推行的“书同文、车同轨”政策一样，通过建立统一的标准和规范，能够极大地提升各方在协作过程中的效率。当开发者们都遵循这一协议进行智能体Agent的开发时，沟通成本大幅降低，开发流程更加顺畅，进而显著提高了智能体Agent的整体开发效率。
截至目前，已经有上千种基于MCP的工具应运而生。在如此强大且不断壮大的MCP生态系统推动下，未来有望迎来一个全新的时代，即人人能够便捷地手工打造Manus的时代。
MCP解决的问题,就是让Agent开发中调用工具更加方便.因为Agent的关键,就是希望它除了聊天之外,能够使用外部工具.之前的function calling的思路,就是创建一个外部的function作为中介,一边传递大模型的请求,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.
这个的思路很简单就不多介绍了,主要是function calling有什么问题?function calling最大的问题就在于它的工具量非常大,一个简单的外部函数往往就要上百行的代码,并且,为了让大模型认识这些外部函数,还需要为每个外部函数编写一个json schema格式的功能说明,此外还要精心设计一个提示词模板才能提高function calling响应的准确率.
所以MCP的目标,就是为了简化这一过程.先统一名称.把大模型的运行环境成为MCP Clinet,也就是MCP客户端,同时,把外部函数运行环境作为MCP Server,MCP服务端.
然后,统一客户端和服务端的运行规范.并且要求MCP客户端和服务端之间,也统一按照某个既定的提示词模板进行通信.
这样做目前最大的好处就在于MCP服务器的开发成为一个特定的模板,并且只要开发了一个MCP server之后,大家也就都能够直接进行使用.比如查询天气,网页爬取,查询本地SQL等等通用需求.
于是github中的MCP成堆出现,大模型能够使用的工具不断增多,
b站的九天老师这块讲的非常清楚,关于agent的入门学习理论是很合适的:
https://www.bilibili.com/video/BV1CcBJYtEne/?vd_source=32148098d54c83926572ec0bab6a3b1d
这里就不再赘述了,主要包含的四个模块及其作用方面.
环境构建
我看大模型使用的最多的环境是uv的虚拟环境,这里稍微讲一下他们之间的关系.conda是一个跨语言的包和环境的管理工具(不止有python环境),uv则是一个超快的,主要用于python生态,和pip poetry是一类的
这里我们选择uv来构建,也借着学习一下uv的安装和命令,首先是通过pip来安装uv,python的版本的话优先考虑py3.11的.
pip install uv安装依赖库
uv pip install requests # 与pip install 类似,但是更快创建虚拟环境.到这里才是真正使用uv创建虚拟环境:
uv venv myenv这里不像conda,可以指定自己的python版本,这里默认就是使用当前python版本进行虚拟的.类似于运行了:python -m venv myenv.
然后就可以激活环境:
source myenv/bin/activatewindows中则是:
myenv\\Scripts\\activate # Windows然后在虚拟环境中都要通过uv开头的命令来运行文件,这样能够更加高效.
上面主要是uv的一些基础内容,接下来我们正式建立mcp client和mcp server
创建mcp客户端:
我用的是自己在win上安装的py3.8
uv init mcp-clientcd mcp-client
然后创建虚拟环境并进入:
uv venv.venv\\Scripts\\activate
接下来安装一些依赖库:
uv add mcp openai python-dotenv报错了:
因为mcp 包要求 Python 版本大于等于 3.10，这就导致依赖解析失败。所以我们推荐的还是py3.11的版本.
那怎么通过uv创建不同的python环境呢?
uv没有这样的功能.所以说我们还是需要一个conda,创建一个py3.11的版本,然后重新直线上述过程.还挺无语的,但是要想要uv的快速原型功能也只好这样了…
conda create -n mcp_server python=3.11conda activate mcp_server然后重新uv:
uv init mcp-clientcd mcp-clientuv venv.venv\\Scripts\\activateuv add mcp openai python-dotenv
python双重环境…
安装完毕之后:
创建客户端client.py,是调用大模型的核心部分:
import asyncioimport osfrom openai import OpenAIfrom dotenv import load_dotenvfrom contextlib import AsyncExitStack# 加载 .env 文件，确保 API Key 受到保护load_dotenv()class MCPClient: 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 if not 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) async def process_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, stream=False ) ) return response.choices[0].message.content except Exception as e: return f\"⚠️ 调用 OpenAI API 时出错: {str(e)}\" async def chat_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\") while True: 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)}\") async def cleanup(self): \"\"\"清理资源\"\"\" await self.exit_stack.aclose()async def main(): client = MCPClient() try: await client.chat_loop() finally: await client.cleanup()if __name__ == \"__main__\": asyncio.run(main())然后在文件夹中新建.env文件,写入对应的api-key:
我测试过了,deepseek官网的api才支持后续的工具的使用,或者是昂贵的openai和claude,这里就不考虑了
BASE_URL=https://api.deepseek.comMODEL=deepseek-chatOPENAI_API_KEY=\"sk-xxx\"运行:
uv run client.py
然后是服务端的核心部分,我们以天气调用的工具为例:
首先你需要一个openweather的API来查询天气:https://openweathermap.org/api
注册一个账号之后去生成一个API即可
服务端的依赖项安装:
uv add mcp httpx新建一个server.py:
import jsonimport httpxfrom typing import Anyfrom 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 = \"xxx\"# 请替换为你自己的 OpenWeather API KeyUSER_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\"🌍 {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__\": # 以标准 I/O 方式运行 MCP 服务器 mcp.run(transport=\'stdio\')新的客户端部分client_new.py:
import asyncioimport osimport jsonfrom typing import Optionalfrom contextlib import AsyncExitStackfrom openai import OpenAI from dotenv import load_dotenvfrom mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_client# 加载 .env 文件，确保 API Key 受到保护load_dotenv()class MCPClient: 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 if not 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() async def connect_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\') 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\" 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]) 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) \"\"\" print(11111) messages = [{\"role\": \"user\", \"content\": query}] print(2222) response = await self.session.list_tools() print(33333) available_tools = [{ \"type\": \"function\", \"function\": { \"name\": tool.name, \"description\": tool.description, \"input_schema\": tool.inputSchema } } for tool in response.tools] print(available_tools) print(44) response = self.client.chat.completions.create( model=self.model, messages=messages, tools=available_tools ) print(5555) # 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 # async def process_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: # return f\"⚠️ 调用 OpenAI API 时出错: {str(e)}\" async def chat_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\") while True: try: query = input(\"\\n你: \").strip() if query.lower() == \'quit\': break print(\"chat ing\") 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)}\") 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 \") 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())要么新启动一个终端来运行server部分,需要重新进入虚拟环境.当然,uv也支持同时运行,所以可以直接运行:
uv run client_new.py server.py
最终效果:
