MCP 服务简介
MCP（Model Context Protocol，模型上下文协议）是一个开放协议，用于标准化 AI 应用程序（如大语言模型 LLM）如何与外部数据源、工具和服务进行交互。它类似于 AI 领域的“USB-C 接口”，允许客户端（如 Claude Desktop、VS Code 或自定义 AI 工具）通过统一方式连接到各种 MCP 服务器，实现工具调用、资源访问和提示注入等功能。MCP 采用客户端-服务器架构，支持 JSON-RPC 2.0 通信，通常通过 stdio（标准输入输出）或网络方式实现。
MCP 服务（MCP Server）是核心组件，它暴露工具（Tools）、资源（Resources）和提示（Prompts），供客户端调用。构建 MCP 服务可以帮助 AI 模型访问本地文件、网络数据、API 等外部资源，而无需碎片化集成。
下面，我将基于常见开源实践和官方文档，逐步说明 MCP 服务的构建和使用。示例主要使用 Python（最流行语言），并参考 Spring AI（Java 集成）。如果您使用其他语言（如 C#、TypeScript），可以参考 Microsoft Learn 或官方 SDK。
MCP 服务构建步骤
构建 MCP 服务通常涉及环境准备、代码编写、测试和部署。以下是保姆级教程，假设您使用 Python 环境（推荐 uv 或 pip 管理依赖）。
1. 环境准备
- 安装依赖管理工具：推荐使用
uv（更快、更现代）。在终端运行：
curl -LsSf https://astral.sh/uv/install.sh | sh # macOS/Linux
# Windows: 使用 PowerShell 执行 irm https://astral.sh/uv/install.ps1 | iex- 初始化项目：
uv init mcp-server # 创建项目目录
cd mcp-server
uv venv # 创建虚拟环境
source .venv/bin/activate # 激活（Windows: .venv\Scripts\activate）
uv add "mcp[cli]" httpx aiohttp asyncio # 添加核心 MCP SDK 和常用库（如 httpx 用于 API 调用）- 创建服务器文件：新建
server.py文件。
2. 编写 MCP 服务器代码
MCP 服务器核心是定义工具（Tools）。以下是一个简单示例：构建一个“天气查询”MCP 服务，使用美国国家气象局 API 获取天气数据。
在 server.py 中写入以下代码（基于 FastMCP 类，自动生成工具定义）：
from typing import Any
import httpx
from mcp.server.fastmcp import FastMCP
# 初始化 MCP 服务器
mcp = FastMCP("weather-app") # 服务器名称
# 常量
NWS_API_BASE = "https://api.weather.gov"
USER_AGENT = "weather-app/1.0"
# 定义工具：获取指定位置的天气警报
@mcp.tool()
def get_weather_alerts(latitude: float, longitude: float) -> str:
"""获取指定经纬度的天气警报。
Args:
latitude: 纬度
longitude: 经度
Returns:
天气警报描述
"""
url = f"{NWS_API_BASE}/alerts/active?point={latitude},{longitude}"
headers = {"User-Agent": USER_AGENT}
response = httpx.get(url, headers=headers)
if response.status_code == 200:
data = response.json()
alerts = data.get("features", [])
if alerts:
return alerts[0]["properties"]["headline"]
return "无活跃警报"
return "查询失败"
# 运行服务器（stdio 模式，本地进程通信）
if __name__ == "__main__":
mcp.run(transport="stdio") # 或 "sse" 用于网络传输- 解释：
@mcp.tool()装饰器使用 Python 类型提示和 docstring 自动生成工具 schema（JSON 定义），供客户端发现和调用。- 支持三种功能：Tools（可调用函数）、Resources（静态数据，如文件内容）、Prompts（预设提示模板）。
- 对于更复杂场景（如股票查询），可以集成
yfinance库添加另一个工具。
3. 构建和打包
- 运行测试：
uv run python server.py这会启动 stdio 服务器，等待客户端连接。
- 打包发布（可选）：
- 对于 Python：使用
setup.py打包为 wheel，或直接分享脚本。 - 对于 Java（Spring AI 集成）：克隆示例仓库
git clone https://github.com/yuyuanweb/mcp-mianshiya-server，然后mvn clean package构建 JAR 包。 - 对于 NuGet（.NET）：参考 Microsoft Learn，使用 C# SDK 创建最小服务器并发布。
4. 测试 MCP 服务器
- 使用官方 Inspector 工具（调试界面）：
- 安装：
pip install mcp[cli]或从 GitHub 下载。 - 运行：
mcp-inspector --server server.py（连接您的服务器，测试工具调用）。 - 预期输出：工具列表显示
get_weather_alerts，调用后返回天气数据。
常见扩展
- 集成大模型：如 DeepSeek、Ollama 或 vLLM。示例代码：
from mcp.client.stdio import stdio_client
from mcp import ClientSession, StdioServerParameters
import asyncio
# ... (初始化 OpenAI 或其他模型)
async def process_query(query: str) -> str:
# 使用 LLM 识别工具调用
messages = [{"role": "user", "content": query}]
# 调用 MCP 工具
# ...- 自定义工具示例：
- 文件读取：
@mcp.tool() def read_file(path: str) -> str: return open(path).read() - 搜索：集成 DuckDuckGo API 实现网络搜索。
MCP 服务使用步骤
一旦构建好 MCP 服务，您需要一个 MCP 客户端来连接和调用它。客户端可以是现成工具（如 Claude、Cline）或自定义。
1. 使用现成客户端
- Claude Desktop 或 Cline（推荐新手）：
- 将服务器添加到客户端：复制
server.py到客户端目录，或配置路径。 - 示例：在 Cline 中运行
python server.py，然后查询“北京的天气如何？”——客户端会自动调用工具。 - VS Code 或 GitHub Copilot：
- 启用 MCP 扩展，添加服务器路径。测试：输入“生成随机数”，服务器响应。
- Cherry Studio（AI 客户端）：
- 克隆示例仓库，运行 JAR 包，连接 MCP 服务进行面试模拟。
2. 自定义客户端使用
- Python 示例（连接服务器并调用工具）：
import asyncio
from mcp.client.stdio import stdio_client
from mcp import ClientSession, StdioServerParameters
server_params = StdioServerParameters(
command="uv", # 或 "python"
args=["run", "server.py"]
)
async def main():
async with stdio_client(server_params) as (stdio, write):
async with ClientSession(stdio, write) as session:
await session.initialize()
# 列出工具
tools = await session.list_tools()
print(tools)
# 调用工具
result = await session.call_tool("get_weather_alerts", {"latitude": 39.9, "longitude": 116.4})
print(result)
asyncio.run(main())- 集成到 AI 对话：使用 OpenAI API 的 function calling，让 LLM 自动决定何时调用 MCP 工具。
3. 部署和安全
- 本地运行：stdio 模式，适合开发。
- 远程部署：使用 SSE（Server-Sent Events）传输，部署到云服务器。
- 安全提示：使用环境变量存储 API 密钥（如
.env文件），避免硬编码。MCP 支持权限控制，只暴露必要工具。
常见问题与资源
- 调试：如果工具未调用，检查 VS Code 工具列表或日志。确保版本兼容（MCP 1.0+）。
- 性能：stdio 适合本地，网络模式用于分布式。
- 进一步学习：
- 官方文档：https://modelcontextprotocol.io/ （英文），中文站：https://mcpcn.com/docs
- GitHub 示例：https://github.com/liaokongVFX/MCP-Chinese-Getting-Started-Guide
- Java 教程：https://www.cnblogs.com/yupi/p/18814281
- .NET 快速入门：https://learn.microsoft.com/zh-cn/dotnet/ai/quickstarts/build-mcp-server
通过以上步骤，您可以快速构建一个功能性的 MCP 服务，并集成到 AI 工作流中。如果需要特定语言或工具的更多细节，请提供更多上下文！
