带你从呼吸开始了解MCP

最新推荐文章于 2025-12-05 17:02:52 发布

原创最新推荐文章于 2025-12-05 17:02:52 发布 · 782 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#python #人工智能 #mcp #LLM

MCP 专栏收录该内容

1 篇文章

订阅专栏

1、什么是agent

大语言模型很强，但它的局限性很大，它只能是一颗很强的大脑，它既无法获取新的知识，也没有手脚做事。比如说我想知道github上有没有什么好玩的项目，有没有值得关注的开发者，它的训练的语料里没有这个开发者或者项目，就会找不到这些内容，为了解决这个问题，agent（智能体）就出现了。

Agent其实就是将LLM和一些程序结合起来。LLM为了让自己获得更多的信息或者做一些工作，通过一些程序来让自己获得更多的信息或者完成工作，这些程序就叫做Tool。

那么，现在再去问LLM在GitHub上有什么好玩的项目值得推荐，这个LLM就可以通过Tool去获得GitHub上的信息。它的工作流程就变成用户询问LLM，LLM在使用Tool去解决这个问题，然后返回相应的信息给LLM，最LLM将整理好的信息回答给用户。

通过这个流程，LLM就可以拥有手和脚去完成我们想要它帮我们完成的问题了。

2、什么是MCP

虽然，agent很强大，但是，Tool的构造成本很大，这样子就又引发了下面一个问题。假设，我有一个项目A通过Tool实现了查询GitHub好玩的项目，实现项目A的Tool使用的语言是Python，后来我想用项目B使用项目A的Tool，可是项目B使用的是Java，这个Tool就无法使用了，我就得用Java去再实现这个Tool，这样子重复造轮子很浪费时间。

这时候就出现了MCP（Model Context Protocol）模型上下文协议，直接把Tool做成了一个单独的服务，这样子我们就可以像使用API一样去调用这个Tool服务。MCP架构是由Anthropic提出来的，它定义了模型要如何获取上下文Prompts（提示词）、Resources（资源）、Tools（函数），这里的Resource可以是数据库或者是别的文档，MCP的出现可以大大增加了Tool的复用性。

3、MCP的架构

MCP既然是LLM调用工具去实现的，那么它的模型就像调用API一样，通过调用Client去完成Server。不过，MCP的工作流程和API的调用流程不一样，发送请求是通过MCP Protocol，这个MCP Protocol就是一串JSON格式的数据。

MCP的工作流程，就是通过User发送Query，Client根据这个Query和MCP Server还有Tools去形成一个新的Prompt发送给LLM，LLM通过这个新Prompt调用MCP Client，MCP Client再去MCP Server里调用对应的Tool。

4、实现和使用MCP

现在，我们来实现一个Server，这个Server的功能就是调用GitHub的API。使用uv建立一个新的项目。uv是一个管理python的工具，不使用也没有关系。

uv init github-mcp-server

# 进入项目
cd github-mcp-server

# 下载一些关键的依赖, PyGithub是一个库，mcp[cli]是我们要做的服务
uv add PyGithub "mcp[cli]"

# 并下载一些依赖
uv pip install PyGithub python-dotenv

# 并创建一个新文件.env，这个文件存放你GitHub的TOKEN
mkdir .env

打开.env写入你GitHub里的TOKEN。这个要去GitHub申请，先找到setting，然后点击Developer Settings，在Personal access tokens里配置自己的GitHub API。

GITHUB_TOKEN=你的TONKEN

我们打开main.py这个文件，修改里面的内容，并把这个文件的名字改成github_server.py，general_search函数一定要写详细你的docstring，这样子LLM才知道这个函数是干什么的。

from github import Github
from mcp.server.fastmcp import FastMCP
import os
from dotenv import load_dotenv

load_dotenv()

# Initialize GitHub client
g = Github(os.getenv('GITHUB_TOKEN'))

# Initialize FastMCP server
mcp = FastMCP('GitHub MCP Server')

@mcp.tool()
def general_search(keyword: str) -> dict:
    """
    Search GitHub repositories with the given keyword.

    Args:
        keyword: Search term to look for on GitHub

    Returns:
        Dictionary containing the search results from GitHub API.
    """
    result = g.search_repositories(query=keyword, sort="stars", order="desc")
    
    return {
        "total_count": result.totalCount,
        "items": [{"name": repo.name, "url": repo.html_url, "description": repo.description} for repo in result]
    }

if __name__ == '__main__':
    # Use local
    mcp.run(transport='stdio')

定义好了MCP Server之后，找一个Client和它连接，这里我使用的是Vs code插件里的Client，需要配置好模型的API，这里就不赘述了。找到Client然后打开MCP Server点击Installed找到Configure MCP Servers，写好MCP Server。这里由于我使用的是uv，所以command里写的就是uv，如果你使用的不是uv，那么你就写python，args里不是使用uv的话就只写路径和文件名即可，这样子就配置好了MCP Server，就可以看见这里是绿色的小点。

{
  "mcpServers": {
    "github_server": {
      "command": "uv",
      "args": [
        "--directory",
        "D:/blog/github-mcp-server",
        "run",
        "github_server.py"
      ]
    }
  }
}