adrninistrat0r的博客

本文介绍了如何使用 Python 开发一个支持同时连接到多个 MCP server 的客户端。通过 AsyncExitStack 管理异步资源，客户端可以遍历多个 MCP server 的 URL，建立会话并获取每个服务器支持的工具信息。这些工具信息被存储在 available_tools 数组中，并通过 tool_session_map 映射工具名称与对应的会话对象。客户端调用 OpenAI 的 Chat Completions API，使用 available_tools 作为参数，并根据大模型返回的工

本文介绍了如何在多个 Python 脚本中实现 MCP server 工具的开发。通过使用 FastMCP 对象和 add_tool 方法，可以在不同的类中注册工具，并在主脚本中启动服务。具体步骤包括：在主脚本中创建 FastMCP 对象并调用 run 方法启动服务；在其他脚本中定义工具类，并在初始化方法中使用 add_tool 注册工具。这种方式替代了 @mcp.tool 装饰器，适用于多脚本协作的开发场景。

本文介绍了基于 Python 和 SSE（Server-Sent Events）传输机制开发的 MCP（Model Context Protocol）示例项目，并对其细节与原理进行了分析。SSE 是一种服务器向浏览器推送数据的技术，MCP 利用 SSE 实现客户端与服务器之间的流式通信。MCP 服务器提供两个接入点：SSE 接入点用于接收服务器推送的消息，标准 HTTP POST 接入点用于客户端发送消息。通信过程采用 JSON-RPC 2.0 协议，连接初始化包括客户端发送初始化请求、服务器响应协议版本及

本文介绍了MCP（Model Context Protocol）客户端的开发流程，重点包括环境依赖、环境变量设置、MCP客户端创建、与MCP服务器建立连接、以及访问大模型和执行工具的方法。开发过程中，需安装MCP Python SDK，并通过.env文件配置大模型相关环境变量。与MCP服务器建立连接时，使用sse_client()方法，并通过ClientSession类初始化会话。访问大模型时，使用OpenAI格式的Chat Completions API进行Function Calling，首次访问时需在

MCP（Model Context Protocol）是由Anthropic发布的一项新标准，旨在连接AI助手与数据存储系统，提升模型响应的质量和精准度。MCP通过提供通用开放标准，解决了AI系统与数据源之间的割裂问题，简化了数据访问机制。MCP采用client-server架构，支持多种传输机制，如Stdio、HTTP SSE和Streamable HTTP，并通过JSON-RPC 2.0协议进行消息交换。MCP server提供三大核心功能：Resources、Tools和Prompts，其中Tools

MCP（模型控制协议）的实现可以借助大模型的Function Calling（工具调用）功能，尽管这不是必须的。Function Calling允许大模型选择并执行工具，应用程序负责收集工具信息、执行工具并将结果返回给大模型。OpenAI和阿里云百炼均提供了相关接口和文档，如Chat Completions API，用于实现Function Calling。API中的messages数组包含不同角色的消息，如system、user、assistant和tool，分别用于指定模型策略、用户问题、模型回复和工具