基于DeepSeek的MCP应用开发实践

最新推荐文章于 2025-06-04 16:21:59 发布

Python_金钱豹

最新推荐文章于 2025-06-04 16:21:59 发布

阅读量1k

点赞数 25

CC 4.0 BY-SA版权

文章标签： milvus langchain 全文检索人工智能 java

本文链接：https://blog.youkuaiyun.com/Python_cocola/article/details/147595051

本文通过一个基础入门Demo从核心工作流程到服务端与客户端的实践开发，完整展现MCP在工具调用与模型协同中的技术实现。在MCP Client端开发中分别使用官方Claude模型和DeepSeek模型服务进行开发验证，将从以下方面介绍：

MCP 工作流程
MCP Server端开发
调试MCP Server服务
MCP Client端开发

一、MCP 工作流程

MCP的核心执行流程如下：

MCP Client–Server–LLM交互过程如下：

MCP Client–Server–LLM工作流程：

客户端从服务器获取可用的工具列表；
用户的查询连同工具描述一起发送给模型服务（如Claude/DeepSeek）；
模型服务决定使用哪些工具（如果有的话）；
客户端通过服务器执行任何请求的工具调用；
结果被发送回模型服务；
模型服务提供自然语言响应；
响应显示给用户。

二、MCP Server端开发

为了便于理解和快速上手，Demo程序使用官方weather服务。

系统要求

Python >= 3.10

Python MCP SDK >= 1.2.0

环境准备

安装 uv 并设置Python 项目和环境：

Windows

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

MacOS/Linux

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

重启Shell终端，以确保 uv 命令被识别。

创建项目

Windows

# 为项目创建一个新 directoryuv init weathercd weather# 创建 virtual environment 并激活它uv venv.venv\Scripts\activate# 安装 dependenciesuv add mcp[cli] httpx

MacOS/Linux

# 为项目创建一个新 directoryuv init weathercd weather# 创建 virtual environment 并激活它uv venvsource .venv/bin/activate# 安装 dependenciesuv add "mcp[cli]" httpx

官方完整代码

https://github.com/modelcontextprotocol/quickstart-resources/blob/main/weather-server-python/weather.py

其中Tool execution handler 负责实际执行每个 tool 的逻辑，核心代码如下：

初始化并运行 Server服务：

uv run weather.py

三、调试Server服务

可以采用MCP Inspector 或 Claude Desktop两种方式进行功能调试：

1. MCP Inspector 调试

venv环境下启动Inspector服务

mcp dev weather.py

Inspector服务调试过程如下：

调试MCP Server Tool，功能无误可以看到对应的Tool Result输出。

2. Claude Desktop调试

在配置文件claude_desktop_config.json中添加：

{"mcpServers": {"weather": {"command": "uv","args": ["--directory","C:\\ABSOLUTE\\PATH\\TO\\PARENT\\FOLDER\\weather","run","weather.py"			]		}	}}

保存后重启Claude Desktop。

Claude Desktop识别Server程序后，

单击锤子 icon 后，可以看到列出两个tools：

如果MCP Server 未被 Claude Desktop 接收，可查看服务日志以获取 debug 提示。默认日志目录：

C:\Users\xxx\AppData\Roaming\Claude\logs\mcp-*.log

详细Debug方法可参考：

https://modelcontextprotocol.io/docs/tools/debugging#debugging-in-claude-desktop

通过询问天气情况来测试MCP Server tool 功能：

四、MCP Client端开发

构建一个连接到 MCP 服务器的 LLM 驱动的聊天机器人客户端，分别使用官方Claude模型和DeepSeek模型服务。

1. 官方Claude服务

创建项目

# 创建项目目录uv init mcp-clientcd mcp-client# 创建虚拟环境uv venv# 激活虚拟环境# 在 Windows 上：.venv\Scripts\activate# 在 Unix 或 MacOS 上：source .venv/bin/activate# 安装所需的包uv add mcp anthropic python-dotenv

官方代码

https://github.com/modelcontextprotocol/quickstart-resources/blob/main/mcp-client-python/client.py

官方使用Claude模型，关键代码如下

运行客户端

指定 weather MCP Server，运行客户端：

uv run client.py path/to/weather.py

客户端工作流程：

（1）连接到指定的服务器；

（2）列出可用的工具；

（3）启动一个交互式聊天会话，用户可以：

a. 输入查询

b. 查看工具执行

c. 获取 Claude 的最终响应

2. DeepSeek模型服务

核心代码：

##async def process_query(self, query: str) -> str:        """        使用DeepSeek模型处理查询并调用可用的 MCP 工具 (Function Calling)        """        messages = [{"role": "user", "content": query}]
        response = await self.session.list_tools()
        available_tools = [{            "type": "function",            "function": {                "name": tool.name,                "description": tool.description,                "input_schema": tool.inputSchema            }        } for tool in response.tools]        print(available_tools)
        response = self.client.chat.completions.create(            model=self.model,            messages=messages,            tools=available_tools        )
        # 处理返回的内容        content = response.choices[0]        print(f'response choice={content}')        if content.finish_reason == "tool_calls":            # 如何是需要使用工具，就解析工具            tool_call = content.message.tool_calls[0]            tool_name = tool_call.function.name            tool_args = json.loads(tool_call.function.arguments)
            # 执行工具            result = await self.session.call_tool(tool_name,                                                  tool_args)            print(                f"\n\n[Calling tool {tool_name} with args {tool_args}]\n\n")
            # 将模型返回的调用哪个工具数据和工具执行完成后的数据都存入messages中            messages.append(content.message.model_dump())            messages.append({                "role": "tool",                "content": result.content[0].text,                "tool_call_id": tool_call.id,            })
            # 将上面的结果再返回给大模型用于生产最终的结果            response = self.client.chat.completions.create(                model=self.model,                messages=messages,            )            return response.choices[0].message.content
        return content.message.content

运行并验证客户端

五、结语

本文为开发者提供了从零搭建MCP应用的常用路径，还通过**多模型服务（Claude/DeepSeek）**的对比验证，体现了MCP的兼容性与可扩展性。后续可进一步探索复杂工具链的集成、服务性能优化，或结合其他LLM（如GPT、本地化模型）深化场景应用，力求能够快速掌握MCP开发的核心技能，并基于实际需求拓展更丰富的智能化应用场景。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述