一文搞懂 MCP Servers

最新推荐文章于 2025-03-29 00:23:11 发布

虫师2020

最新推荐文章于 2025-03-29 00:23:11 发布

阅读量2.3k

点赞数 24

文章标签： playwright LLM AI MCP 微服务

本文链接：https://blog.youkuaiyun.com/fnngj/article/details/145965126

版权

什么是MCP

MCP概念

MCP（Model Context Protocol，模型上下文协议）是由 Anthropic 提出并于 2024 年 11 月开源的一种通信协议，旨在解决大型语言模型（LLM）与外部数据源及工具之间无缝集成的需求。

它通过标准化 AI 系统与数据源的交互方式，帮助模型获取更丰富的上下文信息，从而生成更准确、更相关的响应。

主要功能

上下文共享：应用程序可以通过 MCP 向模型提供所需的上下文信息（如文件内容、数据库记录等），增强模型的理解能力。
工具暴露：MCP 允许应用程序将功能（如文件读写、API 调用）暴露给模型，模型可以调用这些工具完成复杂任务。
可组合的工作流：开发者可以利用 MCP 集成多个服务和组件，构建灵活、可扩展的 AI 工作流。
安全性：通过本地服务器运行，MCP 避免将敏感数据上传至第三方平台，确保数据隐私。

MCP架构

MCP 采用客户端-服务器架构：

MCP 客户端（Client）：通常是 AI 应用程序（如 Claude Desktop 或其他 LLM 工具），负责发起请求并与服务器通信。
MCP 服务器（Server）：轻量级程序，负责暴露特定的数据源或工具功能，并通过标准化协议与客户端交互。

通信格式：基于 JSON-RPC 2.0，支持请求、响应和通知三种消息类型，确保通信的标准化和一致性。

MCP Servers主要功能

MCP Servers 作为一个轻量级的本地服务，旨在为客户端提供数据访问和功能执行的接口。

1. 资源暴露（Resource Exposure）

资源是服务器提供给客户端的数据实体，可以是文件、数据库记录、内存中的对象等。

例如：

文件资源：file:///home/user/report.txt
内存资源：memo://recent-insights

2. 工具提供（Tool Provisioning）

工具是服务器暴露的可执行功能，客户端可以通过调用这些工具完成特定任务。

例如：

查询数据库：query_database（参数：SQL 语句，返回：查询结果）
文件写入：write_file（参数：文件路径、内容）

3. 动态通知（Dynamic Notification）

当资源发生变化时，服务器可以通过通知机制（如 notification 消息）主动推送更新到客户端。

4. 会话管理（Session Management）

处理客户端的连接初始化、能力协商和会话关闭。

自定义 MCP Servers

本地实现一个文件资源服务，创建 mcp_server.py 文件。

import json
import sys

# 处理客户端请求
def handle_request(request):
    method = request.get("method")
    params = request.get("params", {})
    request_id = request.get("id")

    if method == "initialize":
        return {
            "jsonrpc": "2.0",
            "result": {"version": "1.0", "capabilities": ["resources", "tools"]},
            "id": request_id
        }
    elif method == "read_resource":
        uri = params.get("uri")
        with open(uri.replace("file:///", ""), "r") as f:
            content = f.read()
        return {"jsonrpc": "2.0", "result": content, "id": request_id}
    elif method == "call_tool":
        tool_name = params.get("name")
        if tool_name == "echo":
            return {"jsonrpc": "2.0", "result": params.get("message"), "id": request_id}
    else:
        return {"jsonrpc": "2.0", "error": {"code": -32601, "message": "Method not found"}, "id": request_id}

# 主循环：通过 Stdio 通信
def main():
    while True:
        # 从 stdin 读取请求
        raw_input = sys.stdin.readline().strip()
        if not raw_input:
            break
        request = json.loads(raw_input)
        
        # 处理请求并返回响应
        response = handle_request(request)
        sys.stdout.write(json.dumps(response) + "\n")
        sys.stdout.flush()

if __name__ == "__main__":
    main()

通过 python 启动服务

python mcp_server.py

在相同的目录下创建 test.txt 文件。

Hello, this is a test file!

另外启动一个命令窗口，输入：

echo '{"jsonrpc": "2.0", "method": "read_resource", "params": {"uri": "file:///D:/path/to/test.txt"}, "id": 2}' | python mcp_server.py

{"jsonrpc": "2.0", "result": "Hello, this is a test file!", "id": 2}

注：此处使用的是 PowerShell，我们看到服务返回了文件的内容。

使用现有 MCP Servers

GitHub：在 GitHub 上查找 MCP servers：

https://github.com/modelcontextprotocol/servers
https://github.com/punkpeye/awesome-mcp-servers

网站：通过下面的网站查找 MCP servers：

https://mcpservers.org
https://mcp.so
https://glama.ai/mcp/servers
https://www.pulsemcp.com/

UI自动化相关的 MCP servers

playwright: https://github.com/executeautomation/mcp-playwright
browserbase: https://github.com/browserbase/mcp-server-browserbase
puppeteer https://github.com/modelcontextprotocol/servers/tree/HEAD/src/puppeteer

我们以 Playwright 项目为例子。

playwright 项目：https://github.com/AutoTestClass/playwright-mind

在项目里添加 playwright-mcp-server：

git clone https://github.com/AutoTestClass/playwright-mind
cd playwright-mind
npm install -g @executeautomation/playwright-mcp-server # <--添加--

MCP Client

MCP client 一般选用 AI 应用程序（如 Claude Desktop、cline 或其他 LLM 工具），负责发起请求并与服务器通信。

我们这里选用 VSCode + cline 的组合，关于二者的使用，铺天盖地都是使用的文章，这里就不介绍了。

首先，在 VSCode 中打开 cline 插件，在 MCP servers 中搜索 playwright 插件安装。
然后，配置 playwright mcp servers 的启动配置。

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": ["-y", "@executeautomation/playwright-mcp-server"]
    }
  }
}

最后，通过 LLM 大模型，描述需求（UI 自动化相关操作），LLM 大模型会通过 playwright MCP servers 启动浏览器完成一些 UI 自动化操作。

MCP Servers的作用

最后，我们再来总结 MCP Servers 的作用。懒得画图了，下面是我网上找的一张图。结合前面的操作流程，相信你已经知道 MCP Servers 可以做什么了。
在这里插入图片描述
MCP Servers 真正的价值不在于我们传统的 UI 自动化测试，因为它是通过文字描述操作浏览器去完成一些工作。并没有自动化的脚本沉淀，当然，如果你把 Prompt 沉淀下来当作自动化脚本也是可以的，这确实颠覆了我们写自动化脚本的形式。
当然，MCP Servers 更多的价值不是浏览器自动化，而是利用 LLM 操作本地资源，例如，本地文件，数据库、git 等。想想 你不需要写复杂的 SQL 语句，通过自然语言描述就可以轻松完成本地数据库的操作。 这种效率的提升是非常明显。
在这里插入图片描述