模型上下文协议MCP
Anthropic(Claude 模型的母公司) 推出了模型上下文协议 MCP,该协议旨在统一大型语言模型(LLM)与外部数据源和工具之间的通信协议。
MCP 主要是为了解决当前 AI 模型因数据孤岛限制,无法充分发挥潜力的难题,MCP 使得 AI 应用能够安全地访问和操作本地及远程数据,为 AI 应用提供了连接万物的接口。
MCP架构

当大模型选择了工具之后,需要有一个工具调用程序,去实际的进行工具的调用,例如通过 Rest API 访问墨迹天气获取天气预报等等。


MCP 把工具调用程序做成了一个 C-S 架构,工具的实际调用由 MCP Server 来完成。


当大模型选择了合适的能力后,MCP Hosts 会调用 MCP Cient 与 MCP Server 进行通信,由 MCP Server 调用工具或者读取资源后,反馈给 MCP Client,然后再由 MCP Hosts 反馈给大模型,由大模型判断是否能解决用户的问题。如果解决了,则会生成自然语言响应,最终由 MCP Hosts 将响应展示给用户。
配置MCP Server
演示一个通过 PostgreSQL MCP Server 使 DeepSeek 能够基于 PostgreSQL 中的数据来回答问题。MCP Server 支持 NodeJS 和 python 两种语言开发,本次案例使用的是 MCP 官方提供的 PostgreSQL MCP Server,其开发语言是 NodeJS ,因此大家需要根据自己的操作系统安装好 NodeJS 。Windows 用户可以点击该链接,下载安装。

创建数据库表

修改MCP配置文件
完成配置后,会在左侧看到已连接的 MCP Server,并且会列出支持的 Tools 和 Resources。

首先,我们提问“数据库中有哪些表?

尝试一个难一点的案例,提问“张三,李四,王五的绩效谁高?”在我们的数据库中有 users 和 score 两张表,users 存储了人员姓名和邮箱信息,score 表存储了人员的绩效得分,查询绩效分时需要使用 users 表的主键去查询,因此这是一个两个表联合查询的案例。输出结果如下:

,DeepSeek 一开始直接尝试在 score 表中,用 name 字段去查询绩效,结果发现表中没有 name 字段,因此就开始获取 score 表的表结构。之后又查出了 users 表的数据,最后来了一个两个表的联合查询,得到了正确结果。
实现一个MCP Server
MCP Server 的三大能力

使用python创建MCP Server


使用Tool能力
MCP Server 的 Python SDK,分为 FastMCP SDK 和 Low-Lever SDK 两种。FastMCP 是在 Low-Level 的基础上又做了一层封装,不论是写代码,还是项目依赖等,操作起来都更加简单。

修改 Roo Code 的 MCP Server 配置文件


使用Resource能力
Resource 定义了大模型可以只读访问的数据源,可以用于为大模型提供上下文。




使用Prompt能力
预设了一些 prompt 模板,这样在对话时,可以直接选择模板进行对话,就不用再手敲 prompt 了。



实现一个MCP Client

SSE方式
Server-Sent Events(SSE,服务器发送事件)是一种基于 HTTP 协议的技术,允许服务器向客户端单向、实时地推送数据。在 SSE 模式下,客户端通过创建一个 EventSource 对象与服务器建立持久连接,服务器则通过该连接持续发送数据流,而无需客户端反复发送请求。MCP Python SDK 使用了 Starlette 框架来实现 SSE。
SSE 模式下客户端通过访问 Server 的 /messages 端点发送 JSON-RPC 调用,并通过 /sse 端点获取服务器推送的 JSON-RPC 消息。
实现一个SSE服务器


另一个改造点需要创建 MCP 服务器实例,然后通过上面定义的 create_starlette_app 方法创建 Starlette 应用,最后使用 uvicorn 启动 ASGI 服务器,实现实时的 SSE 数据传输。代码如下

客户端代码改造
客户端的改造会相对简单,就是使用 sse_client 替换 stdio_client,并在初始化时传入 MCP Server 的 HTTP 访问地址。


实现求职助手
搜索岗位工具
岗位匹配工具
测试效果
请求prompt

使用AI优化简历内容
AI读取本地简历文件
python 语言中,有一个名叫 python-docx 的包,可以实现读取 docx 文件
然后封装成MCP tool


RAG原理
RAG,中文叫检索增强生成,你可以理解为是开卷考试。我们在考试时,遇到不会的问题,去翻一下书,找到相关内容,然后根据书上内容答题。这个过程的重点是找到相关内容。


此外,当我们使用 RAG 技术时,为了避免文本过长,导致超出大模型的上下文限制,是需要对文本进行切割,然后一段一段地进行向量化,存入到向量数据库当中的。
docker安装向量数据库
首先将 word 文档加载、切片,然后转成向量塞入向量数据库。之后,当用户提问问题时,先将用户的问题转成向量,在向量数据库中匹配。匹配到合适的片段后,将片段与用户问题一起喂给大模型,由大模型给出最终的回复。
接下来就是将文本转向量以及入向量数据库,依然是使用 LangChain 封装好的工具。这里转向量的大模型,我们使用通义千问的向量模型 text-embedding-v1

用户提问代码如下
使用大模型完善简历
完善简历重点在于 prompt 的编写
我是将岗位需求抓下来后,放在了 job.txt 中。之后在 fix_resume 方法中,首先导入 prompt 模板,然后初始化 DeepSeek 客户端,之后重点代码就在于构建 chain,chain 其实很好理解,就类似于管道操作。
这个 chain 的意思是首先通过 “input”:RunnablePassthrough(),为 prompt 模板中的 input 字段赋值,这个值是 chain.invoke 赋的。之后把 input 的值传递给了 prompt,然后把 prompt 传递给 llm 大模型,最后把大模型的返回结果传递给 StrOutputParser(),让其将大模型的返回结果解析成字符串输出。
根据模板进一步完善
在提示词中加一个模板,让其在项目经历等关键部分,按照模板进行改写。完善后的提示词如下
地图服务接入MCP
SSE 是一个可以建立长连接的轻量级协议。使用 SSE 而不使用 HTTP 的原因是,大模型调用 Tool 的过程不是一轮就结束的,往往是需要多次反复调用。因此,设法保持一个长连接,而不是每一次调用 Tool 的时候就得开个新连接,就显得非常重要了。
2758



被折叠的 条评论
为什么被折叠?



