MCP快速入门—快速构建自己的服务器

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 weather cd weather  # 创建并激活虚拟环境 uv venv source .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 Any import httpx from 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 None  def 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