👋 今天我们要一起探索 Model Context Protocol (MCP)！你可能听说过各种 AI 大模型，比如 ChatGPT 、文心一言等等，它们能聊天、写代码、甚至画画，简直无所不能！
🤔 但是，你有没有想过，这些 AI 大模型是怎么跟现实世界交互的呢？比如，你怎么让 AI 帮你查天气、订机票、控制家里的智能灯泡？这时候，MCP 就派上用场啦！
🌟 MCP 就像一个“万能插座”，让 AI 大模型可以安全、方便地连接各种各样的“电器”（也就是我们说的工具，比如查天气的 API 、控制灯泡的程序等等）。有了 MCP ，你的 AI 就能真正地“动起来”，而不仅仅是“说起来”！
🧐 你是否曾梦想过，你的 AI 助手不仅能和你聊天，还能帮你完成各种实际任务？比如，当你对 AI 说“帮我预订明天早上 8 点飞往北京的航班”时，它真的能帮你订好机票，而不是仅仅回复你“好的，正在为您搜索航班信息……”？
本文将带你从零开始，用 Python 搭建一个简单的 MCP 应用，让你亲身体验 AI 调用工具的魅力！
在正式开始写代码之前，我们需要先了解几个 MCP 的核心概念：
在开始之前，我们需要准备一些工具：
我们的第一个任务是搭建一个 MCP 服务端。这个服务端会提供一个简单的“计算器”工具，让 AI 可以进行加法运算。下面以 windows 电脑为例,其他系统请参考: https://modelcontextprotocol.io/quickstart
创建项目目录:
在 powershell 中执行下面的命令
mkdir mcp-demo
cd mcp-demo
创建虚拟环境 (推荐):
用 uv 创建,更方便快捷! uv 通常指一个环境配置工具，用于简化开发环境的搭建流程。
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
有的可能需要手动配置环境变量,可以参考控制台给出的提示进行配置!
下面为创建目录以及激活环境,安装依赖!
# Create a new directory for our project
uv init calculate
cd calculate
# Create virtual environment and activate it
uv venv
.venv\Scripts\activate
# Install dependencies
uv add mcp[cli] httpx
# Create our server file
new-item calculate.py
打开刚刚创建的目录，并编写以下代码：
from mcp.server.fastmcp import FastMCP
# 创建 FastMCP 服务端实例，命名为 "add-server"
mcp = FastMCP("add-server")
# 使用 @mcp.tool() 装饰器定义一个名为 "add" 的工具
@mcp.tool()
def add(a: int, b: int) -> int:
"""
计算两个整数的和。
Args:
a: 第一个整数。
b: 第二个整数。
Returns:
两个整数的和。
"""
return a + b
# 主程序入口
if __name__ == "__main__":
# 启动服务端，使用 stdio 作为传输方式
mcp.run(transport='stdio')
运行命令测试:
mcp dev calculate.py
如果一切正常，你应该能在终端看到类似下面的输出：
Starting MCP inspector...
Proxy server listening on port 3000
🔍 MCP Inspector is up and running at http://localhost:5173 🚀
这表示你的 MCP 服务已经成功启动了！访问终端输出的地址,即可进行调试!
客户端调用:
我这里使用的是 cursor,更多支持的客户端可以查看 https://modelcontextprotocol.io/clients
这里的路径请调整为自己的路径,注意必须使用绝对路径
{
"mcpServers": {
"add-server": {
"command": "E://mcp-demo//calculate//.venv//Scripts//python.exe",
"args": ["E://mcp-demo//calculate//calculate.py"]
}
}
}
配置之后,启用刚刚添加的 mcp server, 对话框中选择 agent,然后提问即可,注意,启用时会自动启动一个控制台,请不要关闭! 这个一旦关闭，Cursor 就检测不到你的 MCP 工具
Cherry Studio 中进行调用本地 mcp server,使用 uvx 始终不成功,最终使用下面方式实现! 有知道原因的可以留言指导我一下!! 参考文档: https://vaayne.com/posts/2025/how-to-use-mcp-in-cherry-studio/
接下来，我们要搭建一个 MCP 客户端，参考代码见下面这个地址中的 main.py!
那么，这份代码是怎么把它们串起来，让 AI 帮你调用工具的呢？主要分三步：
首先，我们要让 AI 知道 MCP Server 都有哪些工具可用。这一步就像是给 AI 一份“工具清单”。
这份代码里，有一个 Tool 类，专门用来描述工具的信息，包括：
然后，format_for_llm() 方法会把这些信息整理成一段通俗易懂的文字，就像这样：
Tool: image_generator
Description: 根据你的描述生成一张图片
Arguments:
- description: 你想要生成的图片是什么样的？ (required)
看到了吧？这份“工具清单”是不是很清晰？ AI 一看就知 道有哪些工具可以用，以及每个工具怎么用。
在 ChatSession 类的 start 方法中，程序会：
tools_description）。system_message）里，告诉 AI：“你有这些工具可以用哦！”现在，AI 已经知道了有哪些工具可用。接下来，当你向 AI 提问时，它就会分析你的需求，看看需不需要调用工具。
比如，你问：“帮我画一张日落时海滩的图片。”
AI 会想：“嗯，这个需求跟‘图片生成器’工具很匹配，我应该调用它。”
但是，AI 怎么告诉程序它要调用哪个工具呢？这里有一个关键的约定：
AI 必须按照特定的 JSON 格式回复！
代码里的 system_message 特别强调了这一点：
IMPORTANT: When you need to use a tool, you must ONLY respond with the exact JSON object format below, nothing else:
{ "tool": "tool-name", "arguments": { "argument-name": "value" } }
也就是说，如果 AI 想调用“图片生成器”工具，它必须回复一段类似这样的 JSON：
{
"tool": "image_generator",
"arguments": {
"description": "日落时海滩的图片"
}
}
ChatSession 的 process_llm_response方法专门处理 AI 的 JSON 回复. 检查是否包含 "tool" 和 "arguments" 键。
最后一步，就是根据 AI 的指示，真正地去调用工具了。
ChatSession 类的 process_llm_response 方法会：
Server 类的 execute_tool 方法，执行工具。Server 类的 execute_tool 方法负责与 MCP Server 通信，发送工具调用请求，并获取结果。它还有重试机制，确保工具调用更可靠。
最后，AI 会根据工具的返回结果，用自然语言给你一个最终的答复。
整个过程就像这样：
是不是很简单？通过这种方式，AI 就可以借助 MCP Server 的各种工具，完成更复杂的任务，变得更加强大！
启动代码通过对话就可以实现工具的调用了,然后可以自行调整上面的 API 调用地址和模型以及提示词进行测试,我个人测试可能还是 gemini 这个模型调用成功率高一些!
通过这个简单的例子，相信你已经对 MCP 有了一个初步的了解。MCP 的强大之处在于，它可以让 AI 大模型与各种各样的工具和服务连接起来，从而实现更加复杂和强大的功能。
未来，你可以尝试：
MCP 的世界充满了无限可能，期待你用它创造出更多有趣、有用的 AI 应用！✨
如果你在学习过程中遇到任何问题，或者有任何想法和建议，欢迎随时与我交流！😊
给大家推荐一些关于 mcp server 好用的网站!
教程
mcp server 资源站
这是一个专为移动设备优化的页面（即为了让你能够在 Google 搜索结果里秒开这个页面），如果你希望参与 V2EX 社区的讨论，你可以继续到 V2EX 上打开本讨论主题的完整版本。
V2EX 是创意工作者们的社区，是一个分享自己正在做的有趣事物、交流想法，可以遇见新朋友甚至新机会的地方。
V2EX is a community of developers, designers and creative people.