Anthropic的新协议--MCP

Hello，欢迎来到流穿的AI探索之路系列专栏,作为一名AI应用工程师，我会在这儿更新一些前沿技术，欢迎关注哦

2024年底，Anthropic发布了 MCP协议。Anthropic就是发布了Claude系列模型的公司（现在gpt基础模型不更新还退步，claude真的很棒）

除去官方的各种美化和包装，这到底是什么？我大胆说一说：这其实是另一种形式的 Function Calling

简单看下效果：

---

一、简单解释 Function Calling

大模型可以看作在一个封闭的“盒子”里，无法实时获取外部信息。为了让大模型获取外部数据，我们可以提供一些“方法”，例如：

方法： 获取天气
需要传入的参数： 经度、纬度
返回结果：空气质量、温度、湿度...

在提问时，我们携带一个方法列表，里面写着各种方法。大模型决定调用某个方法时，会输出方法名和参数；该方法在本地执行，并将结果返回给大模型。

---

二、快速开始

简介

模型上下文协议 (MCP) 是一种开放协议，可实现 LLM 应用与外部数据源和工具之间的无缝集成。

GitHub地址

在此处我们还是跳开这些枯燥的理论，直接上手官方案例（有条件的小伙伴可以亲自试试！）

我是Mac环境、Python语言（TS也支持）

（一）安装包管理器 - uv

执行以下命令安装 uv：

curl -LsSf https://astral.sh/uv/install.sh | sh

提示：
安装后需重启终端。如果环境变量写入失败，手动修改 ~/.zshrc：

export PATH="$HOME/.local/bin:$PATH"

**吐槽：**官方居然选了个刚发布不久的依赖管理工具 uv，坑点一堆。我后续探索下给换成poetry版本的吧

（二）初始化项目

以下是完整步骤：

# 创建项目
uv init weather
cd weather

# 创建虚拟环境
uv venv
source .venv/bin/activate

# 安装依赖
uv add mcp httpx

# 删除示例文件
rm hello.py

# 创建文件
mkdir -p src/weather
touch src/weather/__init__.py
touch src/weather/server.py

（三）编写代码

1. 修改 pyproject.toml

在 pyproject.toml 尾部添加以下内容：

[build-system]
requires = [ "hatchling",]
build-backend = "hatchling.build"

[project.scripts]
weather = "weather:main"

2. 编写 __init__.py

文件路径：src/weather/__init__.py

from . import server
import asyncio

def main():
    """Main entry point for the package."""
    asyncio.run(server.main())

# Optionally expose other important items at package level
__all__ = ['main', 'server']

3. 编写 server.py

文件路径：src/weather/server.py

from typing import Any
import asyncio
import httpx
from mcp.server.models import InitializationOptions
import mcp.types as types
from mcp.server import NotificationOptions, Server
import mcp.server.stdio

NWS_API_BASE = "https://api.weather.gov"
USER_AGENT = "weather-app/1.0"

server = Server("weather")

@server.list_tools()
async def handle_list_tools() -> list[types.Tool]:
    return [
        types.Tool(
            name="get-alerts",
            description="Get weather alerts for a state",
            inputSchema={
                "type": "object",
                "properties": {
                    "state": {
                        "type": "string",
                        "description": "Two-letter state code (e.g. CA, NY)",
                    },
                },
                "required": ["state"],
            },
        ),
        types.Tool(
            name="get-forecast",
            description="Get weather forecast for a location",
            inputSchema={
                "type": "object",
                "properties": {
                    "latitude": {
                        "type": "number",
                        "description": "Latitude of the location",
                    },
                    "longitude": {
                        "type": "number",
                        "description": "Longitude of the location",
                    },
                },
                "required": ["latitude", "longitude"],
            },
        ),
    ]

@server.call_tool()
async def handle_call_tool(
    name: str, arguments: dict | None
) -> list[types.TextContent | types.ImageContent | types.EmbeddedResource]:
    if not arguments:
        raise ValueError("Missing arguments")
  
    if name == "get-alerts":
        return [
            types.TextContent(
                type="text",
                text="气温38，湿度60%"
            )
        ]
    elif name == "get-forecast":
        return [types.TextContent(
            type="text",
            text="气温18，湿度10%"
        )]
    else:
        raise ValueError(f"Unknown tool: {name}")

async def main():
    async with mcp.server.stdio.stdio_server() as (read_stream, write_stream):
        await server.run(
            read_stream,
            write_stream,
            InitializationOptions(
                server_name="weather",
                server_version="0.1.0",
                capabilities=server.get_capabilities(
                    notification_options=NotificationOptions(),
                    experimental_capabilities={},
                ),
            ),
        )

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

这里我做了优化，第四章会讲

（四）运行项目

项目编写完成后，运行以下命令启动服务：

uv run src/weather/server.py

三、使用 Claude for Desktop 测试

第二章我们就完成了代码部分，接下来就要看效果

我前面说：MCP 是 Function Calling 的另一种实现。因此需要一个大模型主动调用。
这里我们使用 Claude for Desktop，它可以作为测试客户端（不是唯一的，你也可以用vscode搭建一个客户端）

Claude for Desktop 下载链接

修改配置文件

将第二章写的服务注册到 Claude for Desktop：

vim ~/Library/Application Support/Claude/claude_desktop_config.json

添加如下内容：

{
    "mcpServers": {
        "weather": {
            "command": "uv", //缺少环境变量的话可以写绝对路径
            "args": [
                "--directory",
                "/ABSOLUTE/PATH/TO/PARENT/FOLDER/weather",# 目录记得改
                "run",
                "weather"
            ]
        }
    }
}

保存后，重启 Claude for Desktop。

测试 MCP 工具

重新打开 Claude 后，点击工具栏中的锤子图标：

基于可以看到我们实现的工具了：

输入问题，即可看到 Claude 调用本地服务并返回答案：

四、原理解读

（一）过程分析

1. 我们向 Claude 提问；
2. Claude 分析可用工具并决定调用某个工具；
3. 客户端（Claude for Desktop）通过 MCP 协议调用工具；
4. 结果返回给 Claude；
5. Claude 根据结果生成答案。

（二）代码核心

代码的核心功能集中在以下两部分：

# 列出工具，供 LLM 选择
@server.list_tools()
async def handle_list_tools() -> list[types.Tool]:

# 执行方法，解析并处理 LLM 调用请求
@server.call_tool()
async def handle_call_tool(
    name: str, arguments: dict | None
) -> list[types.TextContent | types.ImageContent | types.EmbeddedResource]:

注： 示例代码中 handle_call_tool 返回固定回复，是因为原版调用美国国家气象数据局 API，配置较麻烦。实际使用时，可替换为真实 API。

更多问题可参考官方 故障排除文档。

那么到这儿其实就基本能看明白了，后续深入会视情况再推进