MCP（3）实践篇：搭建你的第一个MCP应用

前言

在前两篇文章中，我们已经介绍了MCP（模型上下文协议）的基本概念和技术架构。本篇文章将从理论走向实践，通过一个简单但完整的案例，手把手教你如何搭建和调试一个基于MCP的应用。我们将一起构建一个天气查询和活动推荐的MCP服务器，并将其与AI助手集成。

无论你是AI开发者、工具创建者，还是对MCP感兴趣的技术爱好者，通过本文的实践，你将能够掌握MCP的基本开发流程，为后续开发更复杂的MCP应用打下基础。

准备工作

在开始实践之前，我们需要准备好开发环境和相关工具。

环境要求

• Python 3.8+（我们将使用Python实现MCP服务器）
• 基本的命令行和代码编辑器使用经验
• 初步的Python编程知识
• 对JSON和API的基本了解

安装依赖

我们将使用Anthropic提供的MCP Python SDK来简化开发过程。首先，创建一个新项目文件夹，然后安装必要的依赖：

# 创建项目文件夹
mkdir mcp-weather-demo
cd mcp-weather-demo

# 创建虚拟环境
python -m venv venv
source venv/bin/activate  # Windows上使用: venv\Scripts\activate

# 安装MCP SDK和其他依赖
pip install mcp-python requests

项目概述

在本教程中，我们将构建一个包含以下功能的MCP服务器：

1. 天气查询工具：根据城市名称返回当前天气信息
2. 活动推荐工具：根据天气情况推荐适合的活动
3. 城市信息资源：提供城市基本信息作为上下文资源

这个服务器将通过Server-Sent Events (SSE)协议与MCP客户端通信，允许任何符合MCP标准的AI应用调用我们的服务。

步骤一：设计MCP服务器的基本结构

首先，让我们设计MCP服务器的基本结构。创建一个名为weather_server.py的文件：

# weather_server.py
from mcp.server.fastmcp import FastMCP
import asyncio
import logging

# 配置日志
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s')
logger = logging.getLogger(__name__)

# 创建MCP服务器实例
mcp_server = FastMCP(
    name="weather-assistant",
    description="天气查询和活动推荐服务",
    host="0.0.0.0",
    port=1234
)

# 主函数
async def main():
    logger.info("启动MCP天气服务器，监听地址: http://localhost:1234")
    await mcp_server.run_sse_async()

if __name__ == "__main__":
    asyncio.run(main())

这段代码创建了一个基本的MCP服务器，它将监听1234端口，等待MCP客户端的连接。我们使用FastMCP类，这是MCP Python SDK提供的便捷服务器实现。

步骤二：实现天气查询工具

接下来，让我们实现天气查询工具。在真实应用中，你可能会调用外部天气API，但为了简化教程，我们将使用硬编码的天气数据：

# 在weather_server.py中添加

# 模拟的天气数据库
WEATHER_DATA = {
   
    "北京": {
   "condition": "晴", "temperature": 25, "humidity": 40},
    "上海": {
   "condition": "多云", "temperature": 27, "humidity": 60},
    "广州": {
   "condition": "雨", "temperature": 30, "humidity": 80},
    "深圳": {
   "condition": "多云", "temperature": 29, "humidity": 70},
    "杭州": {
   "condition": "晴", "temperature": 26, "humidity": 50}
}

@mcp_server.tool(name="get_weather", description="获取指定城市的天气信息")
async def get_weather(city: str) -> str:
    """
    获取指定城市的天气信息
    
    参数:
        city: 城市名称，如"北京"、"上海"
    
    返回:
        天气信息描述
    """
    logger.info(f"获取天气信息: {
     city}")
    
    if city in WEATHER_DATA:
        weather = WEATHER_DATA[city]
        return f"{
     city}：{
     weather['condition']}，{
     weather['temperature']}°C，湿度{
     weather['humidity']}%"
    else:
        return f"抱歉，未找到{
     city}的天气信息"

这段代码定义了一个名为get_weather的工具，它接受一个城市名称参数，返回该城市的天气信息。我们使用@mcp_server.tool装饰器将函数注册为MCP工具，这样MCP客户端就能发现并调用它。

步骤三：实现活动推荐工具

接下来，让我们实现活动推荐工具：

# 在weather_server.py中添加

# 基于天气的活动推荐
ACTIVITY_RECOMMENDATIONS = {
   
    "晴": ["户外散步", "骑自行车", "野餐", "参观公园", "户外运动"],
    "多云": ["参观博物馆", "购物", "咖啡馆休息", "室外摄影", "城市探索"],
    "雨": ["室内电影", "博物馆参观", "购物中心", "室内游泳", "图书馆阅读"],
    "雪": ["室内活动", "温泉", "热饮", "电影院", "室内游戏"]
}

@mcp_server.tool(name="suggest_activity", description="根据天气状况推荐适合的活动")
async def suggest_activity(weather_condition: str) -> str:
    """
    根据天气状况推荐适合的活动
    
    参数:
        weather_condition: 天气状况描述，如"晴"、"多云"、"雨"
    
    返回:
        推荐活动列表
    """
    logger.info(f"推荐活动: 基于天气 {
     weather_condition}")
    
    # 提取天气关键词（简单处理）
    for key in ACTIVITY_RECOMMENDATIONS:
        if key in weather_condition:
            activities = ACTIVITY_RECOMMENDATIONS[key]
            return f"基于当前{
     key}天气，推荐的活动：{
     ', '.join(activities[:3])}"
    
    return "无法根据提供的天气状况推荐活动，建议选择适合当地气候的活动"

这个工具接受天气状况作为输入，根据天气关键词推荐适合的活动。这展示了MCP工具如何实现基于一个工具输出的结果来调用另一个工具的模式。

步骤四：添加城市信息资源

除了工具外，MCP还支持资源（Resources），这些是只读的信息，可以帮助模型更好地理解上下文。让我们添加一些城市信息作为资源：

# 在weather_server.py中添加

# 城市信息资源
CITY_INFO =