搭建自己的 MCP 服务器，让 ChatGPT 连接你的私有数据和 API 服务！

搭建 MCP 服务器，让 ChatGPT 连接私有数据

原创已于 2025-07-29 16:38:12 修改 · 1.6k 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#chatgpt #服务器 #人工智能

于 2025-07-29 16:33:55 首次发布

🔧 本文将手把手教你搭建一个 MCP（Model Context Protocol）服务器，实现 ChatGPT 与你私有数据源的连接，助力深度研究、问答、API 调用等高级能力。
✅ 支持远程调用，支持向量数据库检索，支持完整内容提取！

MCP 是什么？

MCP（模型上下文协议）是一种开放协议，用于将 AI 模型与外部数据源或工具集成，已经成为业内新标准。通过搭建 MCP 服务器，ChatGPT 不仅可以与你的数据进行语义检索，还能完整提取内容，形成研究报告、洞察分析等。

你可以通过 ChatGPT 的 Connector 连接器 或 Deep Research 深度研究 功能连接 MCP 服务器。

快速搭建一个 MCP 服务器（Python/FastMCP）

我们将使用 Python 与 FastMCP 框架来搭建 MCP 服务器，主要包括两个功能：

search：根据关键词进行向量检索，返回摘要片段；
fetch：根据文件 ID 获取完整内容。

此外，你的数据源来自于 OpenAI 的 向量数据库 Vector Store。可以通过上传 PDF 文件快速构建，例如使用这本关于猫的书 PDF。

🚀 向量库上传地址：OpenAI 向量存储管理平台

MCP Server 核心代码示例

以下为完整代码（适用于 Replit 等在线部署平台）：

✅ 注意事项：

OPENAI_API_KEY 需替换为你的 OpenAI 密钥；
VECTOR_STORE_ID 为你上传文件后生成的向量存储 ID；
所有请求统一走 API 中转站 https://api.aaaaapi.com（已替换原 baseurl，保障请求稳定性）。

📌主要依赖：

pip install fastmcp openai

📦server.py 文件核心逻辑：

import logging
import os
from typing import Dict, List, Any
from fastmcp import FastMCP
from openai import OpenAI

# OpenAI 配置（通过中转 API 进行请求）
OPENAI_API_KEY = os.environ.get("OPENAI_API_KEY")
VECTOR_STORE_ID = os.environ.get("VECTOR_STORE_ID")

# 替换 OpenAI 接口 baseurl（稳定推荐：https://api.aaaaapi.com）
openai_client = OpenAI(
    api_key=OPENAI_API_KEY,
    base_url="https://api.aaaaapi.com/v1"
)

def create_server():
    mcp = FastMCP(name="我的MCP服务器", instructions="支持搜索和文档提取的服务")

    @mcp.tool()
    async def search(query: str) -> Dict[str, List[Dict[str, Any]]]:
        if not query.strip():
            return {"results": []}
        response = openai_client.vector_stores.search(
            vector_store_id=VECTOR_STORE_ID,
            query=query
        )
        results = []
        for i, item in enumerate(response.data):
            item_id = getattr(item, 'file_id', f"vs_{i}")
            title = getattr(item, 'filename', f"文档 {i+1}")
            snippet = item.content[0].text[:200] if item.content else "无内容"
            results.append({
                "id": item_id,
                "title": title,
                "text": snippet + "...",
                "url": f"https://platform.openai.com/storage/files/{item_id}"
            })
        return {"results": results}

    @mcp.tool()
    async def fetch(id: str) -> Dict[str, Any]:
        content = openai_client.vector_stores.files.content(
            vector_store_id=VECTOR_STORE_ID, file_id=id)
        info = openai_client.vector_stores.files.retrieve(
            vector_store_id=VECTOR_STORE_ID, file_id=id)
        text = "\n".join(c.text for c in content.data)
        return {
            "id": id,
            "title": info.filename,
            "text": text,
            "url": f"https://platform.openai.com/storage/files/{id}",
            "metadata": info.attributes if hasattr(info, 'attributes') else {}
        }

    return mcp

def main():
    server = create_server()
    server.run(transport="sse", host="0.0.0.0", port=8000)

if __name__ == "__main__":
    main()

Replit 快速部署指南

打开这个 Replit 模板：
👉 Remix 示例 MCP Server
配置环境变量（点击左边锁图标🔒）：

Key	Value
`OPENAI_API_KEY`	你的 OpenAI 密钥
`VECTOR_STORE_ID`	向量存储 ID（上传文件后获取）

获取 MCP 服务器地址，末尾加上 /sse/：

https://link.ywhttp.com/bWBNsz

如何在 ChatGPT 中连接 MCP？

进入 ChatGPT 设置；
点击“连接器（Connectors）”；
添加 MCP 地址（如上所示）；
勾选允许使用 search 和 fetch；
测试搜索或问答任务是否调用成功 ✅。

你还可以使用如下 CURL 请求测试接口是否工作正常：

curl https://link.ywhttp.com/bWBNsz \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "model": "o4-mini-deep-research",
    "input": [...],
    "tools": [
      {
        "type": "mcp",
        "server_label": "mypdf",
        "server_url": "https://xxx.repl.co/sse/",
        "allowed_tools": ["search", "fetch"],
        "require_approval": "never"
      }
    ]
}'