mcp学习

原创 于 2025-08-29 17:43:42 发布 · 962 阅读 · 16 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#AI

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

mcp学习

预算：5块(半顿拼好饭呜呜呜)

出问题试着开启或者关闭代理。

文章目录

1. 基本原理

Model Context Protocol（MCP）模型上下文协议。简单来说mcp就是大模型的标准工具箱，大模型可以利用这些工具与外界互动。

本质就是客户端用命令行调用了node.js程序，然后程序又执行了某些操作，再把结果返回回来。
在这里插入图片描述

2. 环境配置

1. cherryStudio+deepseek+python

uv下载

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

把C:\Users\21609\Desktop\code\mcp_server目录初始化成python 3.13项目

uv python list
C:\Users\21609\Desktop\code\mcp_server>uv init . -p 3.13
uv add "mcp[cli]"

vscode打开项目，需要下载python和python debugger插件

main.py

"""
FastMCP quickstart example.

cd to the `examples/snippets/clients` directory and run:
    uv run server fastmcp_quickstart stdio
"""

from mcp.server.fastmcp import FastMCP

# Create an MCP server
mcp = FastMCP("Demo")


# Add an addition tool
@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers""" #注释必写，告诉ai大模型这是个加法函数
    return a + b


# Add a dynamic greeting resource
@mcp.resource("greeting://{name}")
def get_greeting(name: str) -> str:
    """Get a personalized greeting"""
    return f"Hello, {name}!"


# Add a prompt
@mcp.prompt()
def greet_user(name: str, style: str = "friendly") -> str:
    """Generate a greeting prompt"""
    styles = {
        "friendly": "Please write a warm, friendly greeting",
        "formal": "Please write a formal, professional greeting",
        "casual": "Please write a casual, relaxed greeting",
    }

    return f"{styles.get(style, styles['friendly'])} for someone named {name}."

# Run the server
if __name__ == "__main__":
    mcp.run(transport="stdio")

下载 Cherry Studio - 多平台AI客户端：https://www.cherry-ai.com/download

只有支持函数调用的模型才能在cherryStudio里面使用mcp，我们使用deepseek v3模型
在这里插入图片描述

来到deepseek的api开放平台，创建一个api key，然后充5块钱。

https://platform.deepseek.com/sign_up

在这里插入图片描述

在cherryStudio里填一下密钥
在这里插入图片描述

来到cherryStudio的设置发现我们缺少东西没安装
在这里插入图片描述

在这里插入图片描述

在C:\Users\21609.cherrystudio文件夹下新建bin文件夹

去到github上面下载以下两个文件

bun-windows-x64.zip

uv-x86_64-pc-windows-msvc.zip

将其中的可执行文件复制到C:\Users\21609.cherrystudio\bin下
在这里插入图片描述

添加服务器->快速创建
在这里插入图片描述

命令写uv，参数照着下面写，然后保存并启用

--directory
C:\Users\21609\Desktop\code\mcp_server
run
main.py

在这里插入图片描述

来到首页助手，点击添加mcp服务器，点击deepseek切换为deepseek chat而不是硅基流动的。

在这里插入图片描述

成功

在这里插入图片描述

或者可以用sse协议，修改main.py

# Run the server
if __name__ == "__main__":
    mcp.run(transport="sse")

vscode点击启动服务端
在这里插入图片描述

新建一个mcp服务器
在这里插入图片描述

更换mcp服务器来试试
在这里插入图片描述

ai客户端使用sse协议调用函数并得到结果。

在这里插入图片描述

或者使用streamable-http，然后启动。

注意如果deepseek调用失败，需要先把其他mcp服务器关了。

# Run the server
if __name__ == "__main__":
    mcp.run(transport="streamable-http")

在这里插入图片描述

2. Cline+deepseek

vscode下载插件 cline

get started for free

点击右上角的设置进行配置，模型使用deepseek
在这里插入图片描述

查看之前cherryStudio的配置
在这里插入图片描述

点击添加远程服务器
在这里插入图片描述

我们需要手动添加type类型

{
  "mcpServers": {
    "test1": {
      "url": "http://127.0.0.1:8000/mcp",
      "disabled": false,
      "autoApprove": [],
      "type": "streamableHttp"
    }
  }
}

在这里插入图片描述

使用mcp服务器
在这里插入图片描述

成功！
在这里插入图片描述

3. 常用mcp服务

1. mcp-server-fetch

该服务器使 LLM 能够检索和处理网页内容，并将 HTML 转换为 Markdown 格式，以便于使用。

pip install mcp-server-fetch

配置一下

{
  "mcpServers": {
    "test1": {
      "url": "http://127.0.0.1:8000/mcp",
      "disabled": false,
      "autoApprove": [],
      "type": "streamableHttp"
    },
    "fetch":{
      "command":"python",
      "args":["-m","mcp_server_fetch"],
      "disabled": false
    }
  }
}

在这里插入图片描述

获取https://aistudio.baidu.com/projectdetail/1986744的内容并帮我总结

可以看到由于js动态加载，它并没有爬取完全。

在这里插入图片描述

在这里插入图片描述

2. mcp-playwright

一个使用 Playwright 提供浏览器自动化功能的模型上下文协议 (MLM) 服务器。该服务器使 LLM 能够与网页交互、截取屏幕截图、生成测试代码、从网页中提取网页数据，并在真实的浏览器环境中执行 JavaScript。

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

选择这个https://github.com/executeautomation/mcp-playwright

先下载模块

npm install -g @executeautomation/playwright-mcp-server

然后配置一下，注意关闭fetch

"playwright": {
      "autoApprove": [],
      "disabled": false,
      "timeout": 60,
      "command": "cmd",
      "args": [
        "/c",
        "npx",
        "-y",
        "@executeautomation/playwright-mcp-server"
      ],
      "type": "stdio"
    }

在这里插入图片描述

帮我打开https://www.github.com/login，输入用户名admin，密码123456

在这里插入图片描述

3. baidu-map

百度地图

https://lbsyun.baidu.com/apiconsole/quota

创建服务器端应用，会给出一个api key。

在这里插入图片描述

npm install @baidumap/mcp-server-baidu-map

"baidu-map": {
  "command": "npx",
  "args": [
    "-y",
    "@baidumap/mcp-server-baidu-map"
  ],
  "env": {
    "BAIDU_MAP_API_KEY": "<YOUR_API_KEY>"
  }
}

我想周末去北京，帮我规划一下旅游路线

在这里插入图片描述

在这里插入图片描述

4. filesystem

该mcp服务并不能处理docx等文件，可以使用cherryStudio搭建本地知识库。

实现本地文件访问

https://github.com/modelcontextprotocol/servers/tree/main/src/filesystem

npm install @modelcontextprotocol/server-filesystem

参考配置格式

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/Users/username/Desktop",
        "/path/to/other/allowed/dir"
      ]
    }
  }
}

实际的格式

"filesystem": {
      "command": "cmd",
      "args": [
        "/c",
        "npx",
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/Users/21609/Desktop",
        "C:\\Users\\21609\\Desktop\\test\\啦啦啦"
      ],
      "autoApprove": [
        "list_directory",
        "read_text_file"
      ]
}

C:\Users\21609\Desktop\test\啦啦啦文件夹下有什么文件

在这里插入图片描述

5. mcp-mysql-server

检索增强生成（RAG，Retrieval-Augmented Generation）是一种结合信息检索和生成式AI的技术框架。其核心流程是：先通过检索系统从外部知识库中查找相关信息，然后将检索结果与用户查询一起输入生成模型，从而产生更准确可靠的回答。

在这里插入图片描述

RAG的主要缺点：

  1. 检索质量依赖性强：效果高度依赖检索系统质量，检索错误会导致生成错误
  2. 知识更新延迟：需要定期更新知识库，无法实时获取最新信息
  3. 上下文长度限制：检索文档可能过长，受限于模型的上下文窗口
  4. 多跳推理困难：复杂问题需要整合多个文档，RAG处理能力有限
  5. 计算成本较高：同时运行检索和生成系统，资源消耗大
  6. 幻觉问题依然存在：生成模型仍可能产生不准确推断

MCP+数据库的解决方案：

MCP（Model Context Protocol）+ 数据库可以部分解决RAG的缺点：

实时数据访问：通过数据库连接实现实时信息获取，解决更新延迟

精确查询能力：结构化查询比向量检索更准确，提高检索质量

智能上下文管理：MCP可以动态选择最相关的数据库信息

降低计算成本：数据库查询比向量检索更高效

减少幻觉风险：直接从可信数据源获取信息

局限性：

  • 需要高质量结构化数据
  • 非结构化文本处理能力有限
  • 数据库维护成本较高
  • 无法完全替代语义相似性检索

操作mysql

https://github.com/f4ww4z/mcp-mysql-server

npm install @f4ww4z/mcp-mysql-server

"mysql": {
  "command": "cmd",
  "args": [
    "/c",
    "npx",
    "-y",
    "@f4ww4z/mcp-mysql-server",
    "mysql://root:123456@localhost:3306/sakila"
  ],
  "autoApprove": [
    "connect_db",
    "list_tables"
  ]
}

sakila数据库里面有那些表
在这里插入图片描述

参考

【从零编写MCP并发布上线，超简单！手把手教程】 https://www.bilibili.com/video/BV1RNTtzMENj/

【【Cline+MCP】王炸组合！告别手动！MCP 自动化工作流，AI 编码更高效！】 https://www.bilibili.com/video/BV1gKZhYWEnK

UV安装：https://docs.astral.sh/uv/getting-started/installation/

MCP Github首页：https://github.com/modelcontextprotocol

MCP Python SKD: https://github.com/modelcontextprotocol/python-sdk

Awesome MCP: https://github.com/punkpeye/awesome-mcp-servers

专题网站： https://smithery.ai/

CherryStudio: https://cherry-ai.com/download

CherryStudioMCP配置文档: https://docs.cherry-ai.com/advanced-basic/mcp

https://openrouter.ai/

https://github.com/modelcontextprotocol/servers

您可能感兴趣的与本文相关的镜像

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

知识库Dify和cherry无法解析影印pdf word解决方案
yxkong的专栏
03-07 7738
多格式转换：支持 PDF、图像、PPTX/DOCX/XLSX/HTML/EPUB → Markdown/JSON/HTML复杂内容提取：表格、公式、代码块、链接，支持图像保留与 OCR 修复，适配论文、金融文档等场景。可扩展优化：通过--use_llm调用 Gemini/Ollama 等模型提升准确率，支持自定义处理规则。
人工智能杂谈（七）MCP学习
致力于硬件设计、人工智能知识及技术的分享，不断鞭策自己成长，共同进步！
05-07 620
MCP（Model Context Protocol）是Anthropic公司于2024年11月开源的标准化协议，旨在解决大型语言模型（LLM）与外部工具、数据源之间的动态交互问题。解耦模型与工具：通过协议实现工具调用的标准化，避免代码级深度耦合跨平台兼容性：支持本地（Stdio）和远程（SSE）两种通信模式，覆盖Web、桌面及移动端安全增强：通过OAuth 2.1实现远程调用的权限控制，防止数据泄露与越权操作# 配置OAuth2.0认证。
MCP学习总结
pur_e的专栏
04-02 1069
MCP（Model Context Protocol）模型上下文协议，用于定义大模型与工具之前的接入规范。其实与IT界早已有的HTTP协议、TCP/IP协议等标准协议类似，其在AI大模型能力调用领域的重要性当然不可否认，但论突破性、独创性则并没有超出以往边界。协议也在快速发展中，日前（24年3月26日）刚将OAuth标准认证协议集成进来。详细来说，其将能力调用双方定义为MCP Server与MCP Client两类实体，中间辅以资源Resource工具Tool等资源定义，传输Transform。
mcp学习笔记
好好学习，天天向上
05-17 1408
本文通过Python实现了一个简单的MCP示例程序，展示了如何利用自然语言操作数据库、发送手机验证码和邮件等功能。
MCP学习和使用
v3398221470的博客
04-30 1214
最近MCP很火，我就花了半个小时了解了一下，然后写下此篇文章记录。当然仅仅只是简单了解，然后上手实践使用体验一下，要真正学习还是得看文档才行哦。如果对你有帮助的话可以点个免费的赞嘛？
人工智能杂谈（六）大模型MCP学习路线
致力于硬件设计、人工智能知识及技术的分享，不断鞭策自己成长，共同进步！
05-04 1067
大模型技术正在重塑人工智能领域的格局。本路线面向希望系统掌握大模型核心技术的开发者/研究者，从数学基础到前沿应用构建完整知识体系，涵盖理论推导、工程实践与创新研究三大维度。
MCP学习笔记：初识MCP
qq_36412352的博客
07-15 1054
MCP（Model Context Protocol）是由Anthropic公司于2024年11月推出的开放协议，旨在简化大模型与外部系统的集成。该协议通过标准化工具调用、动态集成和语义对齐等机制，解决了AI应用开发中的互操作性问题。2025年，OpenAI、DeepMind等主流AI厂商纷纷宣布支持MCP，使其成为行业标准。MCP的核心优势在于规范了上下文信息的交换方式，支持企业助手、自然语言数据访问、多工具智能体等应用场景，显著降低了AI系统集成的复杂度。其开源特性也促进了开发者社区的广泛参与和创新。
MCP学习与实践
dsydly的博客
08-10 1086
MCP的全称是Model Context Protocol，即「模型上下文协议」，目的是为LLM提供标准化的上下文信息传递方式，从而实现AI智能体与外部数据及工具的结合。是Anthropic推出的AI万能插座。标准化AI模型接入协议，通过自然语言描述工具调用逻辑，实现模型与外部数据/工具的交互。
【项目经验】小智ai MCP学习笔记
J_Dragontalker的博客
07-21 1868
MCP(Model Context Protocol，模型上下文协议)是一种开放式协议，它实现了LLM与各种工具的调用。使LLM从对话、生成式AI变成了拥有调用三方工具的AI。用官方的比喻，MCP就是USB-C接口，只要实现了这个接口，就可以接入AI，对AI进行赋能。其本质是统一了AI调用三方功能的接口，借助AI Agent，使得LLM可以使用三方提供的服务来处理用户提出的问题。从上图可以看到一些MCP的相关概念。
MCP协议学习
Revivedsun的专栏
06-02 1185
MCP协议：大语言模型与外部工具的标准化桥梁 Anthropic公司于2024年推出MCP（Model Context Protocol），旨在统一大语言模型（如GPT-4）与外部数据源/工具的交互标准。该协议采用分层架构（Host-Client-Server）和JSON-RPC 2.0通信规范，支持多模态数据传输，涵盖三大核心交互阶段（初始化、操作、关闭）。MCP提供多种传输方式（stdio/HTTP/WebSocket）适配不同场景，并通过严格的权限控制确保安全性，同时内置请求取消、进度跟踪等实用机制。
精选资源
MCP资料总结.pdf
03-12
MCP（模型上下文协议）是一种正在重塑人工智能（AI）与各类工具连接方式的技术。MCP的设计目的是为了解决AI工具和服务之间的互操作性问题，它支持多种客户端和服务器之间的集成，提供资源管理、提示模板、工具调用等...
学习资料mcp学习资料
09-22
【标题】"学习资料mcp学习资料"指出这是一份与微软认证专业(Microsoft Certified Professional, MCP)相关的学习资源，特别是针对某个特定考试或技术的资料。MCP是微软为证明个人在使用微软技术和产品方面具备专业...
含多类型充电桩的电动汽车充电站优化配置方法（Matlab代码实现）
01-04
含多类型充电桩的电动汽车充电站优化配置方法（Matlab代码实现）内容概要：本文围绕含多类型充电桩的电动汽车充电站优化配置方法展开，基于Matlab代码实现，旨在解决充电站中不同类型充电桩的合理配置问题，以提升充电效率、降低运营成本并满足用户需求。文中结合实际应用场景，构建数学优化模型，可能涉及目标函数设计（如最小化投资成本、最大化服务能力）、约束条件（如电力容量限制、空间布局限制）以及多类型充电桩（如快充、慢充、超
【软件工程分析报告】网络设备配置技术笔记：路由交换安全策略综合应用
01-04
内容概要：本文档是一份关于交换路由配置的学习笔记，系统地介绍了网络设备的远程管理、交换机与路由器的核心配置技术。内容涵盖Telnet、SSH、Console三种远程控制方式的配置方法；详细讲解了VLAN划分原理及Access、Trunk、Hybrid端口的工作机制，以及端口镜像、端口汇聚、端口隔离等交换技术；深入解析了STP、MSTP、RSTP生成树协议的作用与配置步骤；在路由部分，涵盖了IP地址配置、DHCP服务部署（接口池与全局池）、NAT转换（静态与动态）、静态路由、RIP与OSPF动态路由协议的配置，并介绍了策略路由和ACL访问控制列表的应用；最后简要说明了华为防火墙的安全区域划分与基本安全策略配置。; 适合人群：具备一定网络基础知识，从事网络工程、运维或相关技术岗位1-3年的技术人员，以及准备参加HCIA/CCNA等认证考试的学习者。; 使用场景及目标：①掌握企业网络中常见的交换与路由配置技能，提升实际操作能力；②理解VLAN、STP、OSPF、NAT、ACL等核心技术原理并能独立完成中小型网络搭建与调试；③通过命令示例熟悉华为设备CLI配置逻辑，为项目实施和故障排查提供参考。; 阅读建议：此笔记以实用配置为主，建议结合模拟器（如eNSP或Packet Tracer）动手实践每一条命令，对照拓扑理解数据流向，重点关注VLAN间通信、路由选择机制、安全策略控制等关键环节，并注意不同设备型号间的命令差异。
光学分析在癌症治疗与诊断中的应用.zip
01-04
1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
raml-java-parser修改版，含smal util for Cucumber进程
01-04
先展示下效果 https://pan.quark.cn/s/a4b39357ea24 RAML Java 解析器是一个分支项目，其中整合了我们用于连接 Cucumber 与 RAML 的实用工具，并且附带了一个实例。 这一构思的核心在于，通过在 Cucumber 的定义中应用服务的 displayName，能够使单元测试工具（例如 rest-assured）明确了解如何针对各个服务进行状态测试及其具体方法。
现代物流行业交通工具背景PPT模板
01-04
下载方式：https://pan.quark.cn/s/88340bbdd0a9 这是一套以交通工具为元素的，面向现代物流领域的PPT演示文稿模板，总共包含22页幻灯片。 模板的封面部分采用了多种蓝色及紫色色块进行装饰，并融合了若干物流运输工具，例如飞机、高速列车等作为视觉元素，用以构成背景设计，从而使得整个演示文稿模板与物流行业的主旨高度契合。 在内容页的设计上，模板继续运用蓝色与紫色进行色彩搭配，精心制作了20页采用扁平化设计的幻灯片图表。 此模板主要适用于构建物流行业相关的项目工作报告演示文稿。 文件存储格式为.PPTX。
深度学习基于LSTM的时间序列预测模型构建：电力负荷与金融股价波动分析系统实现
01-04
内容概要：本文是一份关于LSTM（长短期记忆网络）在时间序列预测中应用的超详细教程，系统讲解了LSTM的基本原理、核心门控机制（遗忘门、输入门、输出门）、常见变体（如GRU、双向LSTM），并通过Python实战案例演示了从数据预处理、模型构建、训练评估到结果可视化的完整流程。文章还介绍了超参数调优、多变量输入、模型融合等进阶优化技巧，并拓展了LSTM在金融、物联网、自然语言处理等领域的实际应用场景，帮助读者全面掌握序列预测核心技术。; 使用场景及目标：①理解LSTM如何解决传统RNN的梯度消失问题并捕捉长期依赖；②掌握使用PyTorch构建LSTM模型进行时间序列预测的全流程；③应用于电力负荷预测、股价走势分析、设备故障预警等实际业务场景。; 阅读建议：建议边学边练，结合文中提供的代码链接动手实践，重点关注数据预处理与模型调参环节，同时尝试将方法迁移至其他数据集以加深理解。
多旋翼无人机组合导航系统-多源信息融合算法（Matlab代码实现）
最新发布
01-04
多旋翼无人机组合导航系统-多源信息融合算法（Matlab代码实现）内容概要：本文围绕多旋翼无人机组合导航系统，重点介绍了基于多源信息融合算法的设计与实现，利用Matlab进行代码开发。文中采用扩展卡尔曼滤波（EKF）作为核心融合算法，整合GPS、IMU（惯性测量单元）、里程计和电子罗盘等多种传感器数据，提升无人机在复杂环境下的定位精度与稳定性。特别是在GPS信号弱或丢失的情况下，通过IMU惯导数据辅助导航，实现连续可靠的位姿估计。同时，文档展示了完整的算法流程与Matlab仿真实现，涵盖传感器数据预处理、坐标系转换、滤波融合及结果可视化等关键环节，体现了较强的工程实践价值。; 适合人群：具备一定Matlab编程基础和信号处理知识，从事无人机导航、智能控制、自动化或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①应用于多旋翼无人机的高精度组合导航系统设计；②用于教学与科研中理解多传感器融合原理与EKF算法实现；③支持复杂环境下无人机自主飞行与定位系统的开发与优化。; 阅读建议：建议结合Matlab代码与理论推导同步学习，重点关注EKF的状态预测与更新过程、多传感器数据的时间同步与坐标变换处理，并可通过修改噪声参数或引入更多传感器类型进行扩展实验。
rag agent langchain mcp 学习资料大全
06-04
嗯，用户需要关于RAG、Agent、LangChain和MCP的学习资料、教程和文档。从之前的对话看，用户正在研究这些技术的集成应用，尤其关注它们之间的协作关系。用户可能是个开发者或技术决策者，想搭建基于LangChain的Agent...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

cllsse

富✌您吉祥

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值