本文是通过MCP官方的client例子进行修改，适配DeepSeek API.
MCP client
先解析一下什么是MCP client。
MCP Client 是 Model Context Protocol（模型上下文协议）架构中的客户端组件，主要负责与 MCP 服务器建立和管理连接。它是一个轻量级的中间层，通常是一个 Python 或 Node.js 编写的库，用于处理工具调用的通信逻辑。
主要功能
- 协议版本协商：确保与服务器的兼容性。
- 能力协商：确定可用功能。
- 消息传输和通信：通过 JSON-RPC 2.0 进行消息交换。
- 工具发现和执行：客户端可以发现并执行服务器端提供的工具。
- 资源访问和管理：通过 URI 模板访问服务器端数据源。
- 提示系统交互：与服务器端的提示模板进行交互。
- 安全措施：例如，需要人工批准才能执行工具。
应用场景
- 与大型语言模型（LLM）集成：MCP Client 充当 LLM 和外部资源之间的桥梁，允许 LLM 调用外部工具和服务。
- 跨模型兼容：支持多种 LLM，如 Claude、OpenAI 等。
- 灵活部署：可以在本地或云端运行。
工作原理
- 构建请求：将用户的自然语言指令转换为 MCP 服务器能理解的请求格式。
- 通信与响应：通过网络与服务器通信，并将服务器的响应反馈给用户或 LLM。
MCP Client 在 MCP 生态系统中扮演着“快递员”的角色，负责将 LLM 的指令传递给 MCP 服务器，并将结果返回给 LLM。
适配过程
官方文档： https://modelcontextprotocol.io/quickstart/client
文档中的示例用的是Claude, API和DeepSeek有区别(DeepSeek用的是OpenAI兼容接口，SDK使用OpenAI即可).
API Client
首先是要替换掉原来的claude client
self.deepseek = OpenAI(api_key=api_key, base_url=base_url)
Chat
然后是交互过程中，要用OpenAI的chat completion
response: ChatCompletion = self.deepseek.chat.completions.create(
model="deepseek-chat",
messages=messages,
max_tokens=1000,
tools=available_tools,
stream=False,
)
注意这里stream一定是False，model笔者用的是deepseek-chat，没有测试reasoner.
Message
因为两个模型的message有差异，所以message需要进行一些对应的改动，否则会出现序列化问题
messages.append(
{
"role": "assistant",
"content": "\n".join(assistant_message_content),
}
)
messages.append(
{
"role": "user",
"content": result.content[0].text,
}
)
完整代码
import asyncio
import json
import traceback
from contextlib import AsyncExitStack
from typing import Optional
from dotenv import load_dotenv
from loguru import logger
from mcp import ClientSession, StdioServerParameters, ListToolsResult
from mcp.client.stdio import stdio_client
from mcp.types import CallToolResult
from openai import OpenAI
from openai.types.chat import ChatCompletion
load_dotenv()
api_key = "sk-123456"
base_url = "https://api.deepseek.com"
print(f"base_url: {base_url}")
class MCPClient:
def __init__(self):
self.session: Optional[ClientSession] = None
self.exit_stack = AsyncExitStack()
self.deepseek = OpenAI(api_key=api_key, base_url=base_url)
async def connect_to_server(self, server_script_path: str):
is_python = server_script_path.endswith(".py")
is_js = server_script_path.endswith(".js")
if not is_python and not is_js:
raise ValueError("Invalid server script path")
command = "python" if is_python else "node"
server_params = StdioServerParameters(
command=command, args=[server_script_path], env=None
)
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()
response = await self.session.list_tools()
tools = response.tools
logger.info("Connected to server with tools: {}", [tool.name for tool in tools])
async def process_query(self, query: str) -> str:
messages = [
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": query},
]
response: ListToolsResult = await self.session.list_tools()
available_tools = [
{
"type": "function",
"function": {
"name": tool.name,
"description": tool.description,
"parameters": tool.inputSchema,
},
}
for tool in response.tools
]
# noinspection PyTypeChecker
response: ChatCompletion = self.deepseek.chat.completions.create(
model="deepseek-chat",
messages=messages,
max_tokens=1000,
tools=available_tools,
stream=False,
)
final_text = []
assistant_message_content = []
logger.info(f"{response}")
for choice in response.choices:
if choice.finish_reason != "tool_calls":
# 确保 content 是可序列化的
if hasattr(choice.message.content, "to_json"):
content = choice.message.content.to_json()
else:
content = str(choice.message.content)
final_text.append(content)
assistant_message_content.append(content)
else:
for tool_call in choice.message.tool_calls:
tool_name = tool_call.function.name
tool_args = tool_call.function.arguments
# invoke tool
result: CallToolResult = await self.session.call_tool(
tool_name, json.loads(tool_args)
)
logger.info(f"tool call result:{result}")
final_text.append(
f"Calling tool {tool_name} with args {tool_args} returned: {result}"
)
# 确保 content 是可序列化的
if hasattr(choice.message.content, "to_json"):
content = choice.message.content.to_json()
else:
content = str(choice.message.content)
assistant_message_content.append(content)
# 修改此处，将列表转换为字符串
messages.append(
{
"role": "assistant",
"content": "\n".join(assistant_message_content),
}
)
messages.append(
{
"role": "user",
"content": result.content[0].text,
}
)
# 确保 content 是可序列化的
if hasattr(response.choices[0].message.content, "to_json"):
content = response.choices[0].message.content.to_json()
else:
content = str(response.choices[0].message.content)
final_text.append(content)
# Call the model again with the tool result
# noinspection PyTypeChecker
logger.debug(f"messages: {messages}")
# noinspection PyTypeChecker
response = self.deepseek.chat.completions.create(
model="deepseek-chat",
messages=messages,
max_tokens=1000,
tools=available_tools,
stream=False,
)
final_text.append(response.choices[0].message.content)
logger.info(f"{response}")
return "\n".join(final_text)
async def chat_loop(self):
print("\nMCP Client Started!")
print("Type your queries or 'quit' to exit.")
while True:
try:
query = input("\nYour Query: ").strip()
if query.lower() == "quit":
print("Exiting...")
break
response = await self.process_query(query)
print("\n" + response)
except Exception as e:
print(f"Error: {e}")
traceback.print_exc()
async def cleanup(self):
await self.exit_stack.aclose()
print("MCP Client Cleaned Up!")
async def main():
if len(sys.argv) < 2:
print("Usage: python client.py <path_to_server_script>")
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())
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
