AI王炸：MCP服务端客户端的完整实现

最新推荐文章于 2025-04-22 17:02:46 发布

小马不会过河

最新推荐文章于 2025-04-22 17:02:46 发布

阅读量1k

点赞数 18

文章标签：人工智能算法机器学习开源 pdf

本文链接：https://blog.csdn.net/m0_59163425/article/details/147401781

版权

概述

试想一下，如果要想在现有应用上构建，让AI读取引用我们功能和数据，该怎么办，比如询问某个城市的天气，我们希望AI能调用天气函数返回相应结果，这时MCP (Model Context Protocol)就可以派上用场了，它相当于我们电脑的USB-C接口，提供了一个标准方式让AI模型连接不同的应用和工具。我们可以建一个MUP Server来处理这类业务，比如市面上已有各类MUP Server，比较典型的高德地图MCP，除此之外，还有旅行交通的 AirbnbMCPServer，提供房源问询，版本控制的 gitlab-mr-mcp，工具类mcp-openai，开发类 mcp-server-and-gw等，更多工具可查看：https://github.com/punkpeye/awesome-mcp-servers/blob/main/README-zh.md#%E6%9C%8D%E5%8A%A1%E5%99%A8%E5%AE%9E%E7%8E%B0

MCP 服务器的职能变得非常容易理解：即遵循 MCP 协议来暴露其可提供的 Resources、Tools 或 Prompts：

Resources：结构化数据（如文件、API 响应）
Tools：可执行函数（如查询数据库、发送邮件）
Prompts：预定义的交互模板

MCP与Function Calling的区别：

开发一个MCP Server

使用Python为例。

安装uv

windows：powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"linux/mac：curl -LsSf https://astral.sh/uv/install.sh | sh

安装依赖

pip install mcppip install mcp[cli]pip install httpx==0.27

编写代码：非常简单，将普通的py函数添加一个注解即可。

import osfrom mcp.server.fastmcp import FastMCPmcp = FastMCP("债券服务Demo")@mcp.tool()def filterByRate(a:str) -> list:    """根据债券评级的条件筛选债券"""    print('债券评级过滤条件：',a)    return ["债券A","债券B","债券C"]@mcp.tool()def filterByType(t:str) -> list:    """根据债券类型的条件筛选债券"""    print('债券类型过滤条件：',t)    return ["债券A","债券C","债券D"]@mcp.tool()def filterByBidRange(a1:float,a2:float) -> list:    """根据债券bid收益率区间筛选债券"""    print('债券类型过滤条件：',a1,a2)    return ["债券A2","债券C2","债券D2"]@mcp.tool()def filterResult(**kwargs) -> list:    """获取所有符合条件的债券结果"""    print('filterResult：',kwargs)    return ["债券A111","债券C222","债券D3333"]if __name__ == "__main__":    # mcp.run(transport='stdio')    mcp.run(transport='sse')

启动服务： mcp dev.\mcp\hello.py

客户端集成

工具集成

以 CherryStudio为例，其他类型，添加一个： MCPServer,问答时选中MCP Server即可.

代码集成

程序集成：编写一个客户端程序即可，我们以本地ollama部署的qwen为例，代码如下：

client_mcp.pyimport asyncioimport jsonimport sysimport timefrom typing import Optionalfrom contextlib import AsyncExitStackfrom mcp.client.sse import sse_clientfrom mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_clientfrom openai import AsyncOpenAIclass MCPClient:    def __init__(self):        # Initialize session and client objects        self.session: Optional[ClientSession] = None        self.exit_stack = AsyncExitStack()        self.client = AsyncOpenAI(            api_key="test",            base_url="http://ollama地址:11434/v1"        )    async def connect_to_server(self, server_script_path: str):        """Connect to an MCP server        Args:            server_script_path: Path to the server script (.py or .js)        """        is_python = server_script_path.endswith(".py")        is_js = server_script_path.endswith(".js")        if not (is_python or is_js):            raise ValueError("Server script must be a .py or .js file")        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()        # List available tools        response = await self.session.list_tools()        tools = response.tools        print("\nConnected to server with tools:", [tool.name for tool in tools])    async def connect_to_sse_server(self, server_url: str):        """Connect to an MCP server        Args:            server_script_path: Path to the server script (.py or .js)        """        self._streams_context = sse_client(url=server_url)        streams = await self._streams_context.__aenter__()        self._session_context = ClientSession(*streams)        self.session = await self._session_context.__aenter__()        await self.session.initialize()        # List available tools        response = await self.session.list_tools()        tools = response.tools        print("\nConnected to server with tools:", [tool.name for tool in tools])    async def process_query(self, query: str) -> str:        """使用 LLM 和 MCP 服务器提供的工具处理查询"""        messages = [            {                "role": "user",                "content": query            }        ]        response = await self.session.list_tools()        available_tools = [{            "type": "function",            "function": {                "name": tool.name,                "description": tool.description,                "parameters": tool.inputSchema            }        } for tool in response.tools]        # 初始化 LLM API 调用        response = await self.client.chat.completions.create(            model="qwen2.5:14b",            messages=messages,            tools=available_tools  # 将工具列表传递给 LLM        )        final_text = []        message = response.choices[0].message        print(response.choices[0])        final_text.append(message.content or "")        # 处理响应并处理工具调用        if message.tool_calls:            # 处理每个工具调用            for tool_call in message.tool_calls:                tool_name = tool_call.function.name                tool_args = json.loads(tool_call.function.arguments)                # 执行工具调用                start_time = time.time()                result = await self.session.call_tool(tool_name, tool_args)                end_time = time.time()                print(f"Tool {tool_name} took {end_time - start_time} seconds to execute")                final_text.append(f"[Calling tool {tool_name} with args {tool_args}]")                # 将工具调用和结果添加到消息历史                messages.append({                    "role": "assistant",                    "tool_calls": [                        {                            "id": tool_call.id,                            "type": "function",                            "function": {                                "name": tool_name,                                "arguments": json.dumps(tool_args)                            }                        }                    ]                })                messages.append({                    "role": "tool",                    "tool_call_id": tool_call.id,                    "content": str(result.content)                })            # 将工具调用的结果交给 LLM            response = await self.client.chat.completions.create(                model="qwen2.5:14b",                messages=messages,                tools=available_tools            )            message = response.choices[0].message            if message.content:                final_text.append(message.content)        return "\n".join(final_text)    async def chat_loop(self):        """Run an interactive chat loop"""        print("\nMCP Client Started!")        print("Type your queries or 'quit' to exit.")        while True:            try:                query = input("\nQuery: ").strip()                if query.lower() == 'quit':                    break                response = await self.process_query(query)                print("\n" + response)            except Exception as e:                print(f"\nError: {str(e)}")    async def cleanup(self):        """Clean up resources"""        await self.exit_stack.aclose()main.pyimport requestsimport jsonimport httpximport asynciofrom client_mcp import MCPClientimport sysasync def main():    url_server_mcp = 'http://localhost:8000/sse'    client = MCPClient()    try:        # 根据MCP Server传输协议进行选择        await client.connect_to_sse_server(url_server_mcp)        await client.chat_loop()    finally:        await client.cleanup()if __name__ == '__main__':    loop = asyncio.get_event_loop()    loop.run_until_complete(main())

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述