MCP终极指南 - 从原理到实战（基础篇）内容总结
下面视频讲的很清楚，建议直接看视频。我这里只是做一个回顾
MCP终极指南 - 从原理到实战（基础篇）内容总结链接视频：
一、MCP简要介绍
-
全称：Model Context Protocol（模型上下文协议）
-
核心功能：让大模型更好地使用各类外部工具，例如：
- 让模型使用浏览器查询信息
- 让模型操作Unity编写游戏
- 让模型查询实时路况等
重点理解：大模型只能对话，且不具备记忆能力
二、安装MCP Host（Cline）
- MCP Host定义：支持MCP协议的软件
- 先安装vs code
- 在vs code中搜索并安装 cline 插件
- 安装完成后，点击插件图标即可使用
三、配置Cline用的API Key
- 支持的模型：
- cloud3.7：对MCP支持最好，但价格较高
- deep seek v30324：效果不错，价格较低
- 以open router为例的配置步骤：
- 登录open router网站，创建API key并妥善保存（创建后无法找回）
- 若使用付费模型，需在open router中充值
- 在cline中配置：选择API provider为open router，填写API key，选择模型（如deep seek v30324或者qwen都可以）
- 在act mode中也需配置相同信息
四、第一个MCP问题
- 示例问题：明天纽约的天气怎么样
- 解决方案：cline建议创建一个天气相关的MCP server来解决该问题
五、概念解释：MCP Server和Tool
- MCP Server：
- 本质：符合MCP协议的程序
- 运行方式：可本地运行（通过node或Python启动），也可联网使用
- 类比：类似手机应用，内置功能模块来解决特定问题
- Tool：
- 本质：编程语言中的函数，是MCP Server内置的功能模块
- 作用：执行特定任务，接收输入并返回输出
- 示例：天气MCP server可能包含get forecast（传入经纬度返回未来几天天气）和get alert（传入地区返回气象预警）等Tool
六、配置MCP Server
对于配置MCP Server，本质就是运行MCP Server，并和host通过握手协议来完成以下工作
- 提供工具预览
- 请求工具调用
- 返回工具调用结果
通信的格式可以是任何约定好的信息格式
- 配置方式：
- 自动安装：让模型主导安装过程，或在MCP server市场直接点击安装。安装的过程就是让cline运行weather.py程序
- 手动配置：在JSON格式文件中填入启动命令等信息，包括：
- MCP server的名字
- 是否禁用（disabled）
- 超时时间（time out）
- 启动程序及参数（command和args）
- 沟通方式（transports type，如STDIO）
- 生效方式：保存配置文件后，cline会自动识别并加载MCP server
{
{
"mcpServers": {
"weather": {
"disabled": false,
"timeout": 60,
"type": "stdio",
"command": "uv",
"args": [
"--directory",
"D:/work/test1_weather/weather",
"run",
"weather.py"
]
}
}
}
启动MCP SERVER之后，host会和server进行协议交流（握手，相互交流下各自的信息），方式就是通过传递json,也可以是xml的任何约定好的格式
七、使用MCP Server
MCP server代码：这里我自己加了一个自动截图的功能测试
from typing import Any
import httpx
from mcp.server.fastmcp import FastMCP
# Initialize FastMCP server
mcp = FastMCP("weather", log_level="ERROR")
# Constants
NWS_API_BASE = "https://api.weather.gov"
USER_AGENT = "weather-app/1.0"
async def make_nws_request(url: str) -> dict[str, Any] | None:
"""Make a request to the NWS API with proper error handling."""
headers = {
"User-Agent": USER_AGENT,
"Accept": "application/geo+json"
}
async with httpx.AsyncClient() as client:
try:
response = await client.get(url, headers=headers, timeout=30.0)
response.raise_for_status()
return response.json()
except Exception:
return None
def format_alert(feature: dict) -> str:
"""Format an alert feature into a readable string."""
props = feature["properties"]
return f"""
Event: {props.get('event', 'Unknown')}
Area: {props.get('areaDesc', 'Unknown')}
Severity: {props.get('severity', 'Unknown')}
Description: {props.get('description', 'No description available')}
Instructions: {props.get('instruction', 'No specific instructions provided')}
"""
@mcp.tool()
async def get_alerts(state: str) -> str:
"""Get weather alerts for a US state.
Args:
state: Two-letter US state code (e.g. CA, NY)
"""
url = f"{NWS_API_BASE}/alerts/active/area/{state}"
data = await make_nws_request(url)
if not data or "features" not in data:
return "Unable to fetch alerts or no alerts found."
if not data["features"]:
return "No active alerts for this state."
alerts = [format_alert(feature) for feature in data["features"]]
return "\n---\n".join(alerts)
@mcp.tool()
async def get_forecast(latitude: float, longitude: float) -> str:
"""Get weather forecast for a location.
Args:
latitude: Latitude of the location
longitude: Longitude of the location
"""
# First get the forecast grid endpoint
points_url = f"{NWS_API_BASE}/points/{latitude},{longitude}"
points_data = await make_nws_request(points_url)
if not points_data:
return "Unable to fetch forecast data for this location."
# Get the forecast URL from the points response
forecast_url = points_data["properties"]["forecast"]
forecast_data = await make_nws_request(forecast_url)
if not forecast_data:
return "Unable to fetch detailed forecast."
# Format the periods into a readable forecast
periods = forecast_data["properties"]["periods"]
forecasts = []
for period in periods[:5]: # Only show next 5 periods
forecast = f"""
{period['name']}:
Temperature: {period['temperature']}°{period['temperatureUnit']}
Wind: {period['windSpeed']} {period['windDirection']}
Forecast: {period['detailedForecast']}
"""
forecasts.append(forecast)
return "\n---\n".join(forecasts)
import os
import time
@mcp.tool()
def take_screenshots() -> str:
"""每隔5秒截图一次，保存到当前目录的 pick 文件夹，累计10张后停止。"""
try:
import pyautogui
except ImportError:
return "请先安装 pyautogui 库：pip install pyautogui"
save_dir = os.path.join(os.getcwd(), "pick")
os.makedirs(save_dir, exist_ok=True)
for i in range(1, 11):
img = pyautogui.screenshot()
filename = os.path.join(save_dir, f"screenshot_{i:02d}.png")
img.save(filename)
time.sleep(5)
return "截图已完成，已保存10张图片到 pick 文件夹。"
if __name__ == "__main__":
# Initialize and run the server
mcp.run(transport='stdio')
- 以查询纽约天气为例：
- 开启配置好的天气MCP server
- 再次询问纽约明天的天气，cline会发现该server及其中的get forecast Tool
- cline填入纽约经纬度，经用户确认后，调用Tool获取天气信息
- 模型对信息进行总结，给出纽约明天的天气情况及相关建议
八、MCP交互流程详解
- 配置并保存MCP server后，cline执行程序，与server交互获取Tool列表
- 用户提问后，cline将问题和Tool列表传给模型(这里是使用JSON的格式)
- 模型决定需要调用的Tool及参数，并告知cline
- cline调用对应MCP server的Tool，获取结果
- cline将结果返回给模型，模型对结果进行总结
- 模型将答案反馈给cline，cline再将答案返回给用户
九、如何使用他人制作的MCP Server
- 获取渠道：MCP市场（如MCP.so、mcp market.com、smedery.AI等）
- 常见编写语言：Python、node，对应的启动程序一般是UVX或NPX
（一）uvx部分
- UVX：u v to run命令的缩写，用于运行Python程序（UV是Python界的包管理软件）
- 使用步骤：
- 安装UV（可从UV的GITHUB仓库获取安装命令）
- 在MCP市场找到目标MCP server（如fetch，用于抓取网页内容），复制其UVX配置命令
- 在cline的配置文件中粘贴并格式化命令，点击安装
- 若首次执行因下载耗时导致超时，可先在终端执行命令完成下载，再在cline中点击retry connection重新加载
（二）npx部分
- NPX：用于运行node程序，是node的一部分
- 使用步骤：
- 安装node js（从官方网站下载安装）
- 在MCP市场找到目标MCP server（如hot news，用于拉取新闻），复制其NPX配置命令
- 在cline的配置文件中粘贴命令，完成加载
- 若加载超时，可先在终端执行命令完成下载，再在cline中重新加载
- 使用时，新建对话提问，经用户确认后，模型调用Tool并总结结果返回
以上就是MCP调用的流程，下一篇会是对host和mcp server交流的细节。
进阶篇
扫一扫
1204
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
