【动手学MCP从0到1】2.2 MCP中的Tool（获取天气信息实战操作步骤详解）

最新推荐文章于 2025-06-27 00:32:23 发布

lys_828

最新推荐文章于 2025-06-27 00:32:23 发布

阅读量1.3k

点赞数 15

CC 4.0 BY-SA版权

分类专栏： MCP技能学习从0到1 文章标签： mcp Function call tool 天气项目

本文链接：https://blog.youkuaiyun.com/lys_828/article/details/148420189

MCP技能学习从0到1 专栏收录该内容

6 篇文章

订阅专栏

MCP中的Tool（获取天气信息实战操作步骤详解）

1. Tool介绍
2. 获取天气预报实战
- 2.1 服务端
- 2.2 客户端
3. 服务端的全部代码
4. 客户端的全部代码

1. Tool介绍

MCP服务可以提供三种能力，分别是工具（Tool）、资源（Resource）和提示词（Prompt）。

工具的作用是为大模型提供某种行为能力，比如获取指定网址的数据、执行某个操作等。服务端的工具定义是使用@mcp.tool()装饰器来定义（实例化后使用@app.tool()）。示例代码如下:（必须要在定义函数中添加详细的函数功能描述，方便后续大模型进行调用）

@app.tool()
def plus_tool(a:float, b:float) -> float:
    '''
    计算两个浮点数相加的结果
    :param a: 第一个浮点数
    :param b: 第二个浮点数
    :return: 返回两个数相加的结果
    '''
    return a + b

这里我们以获取天气预报为例，来讲解-下MCP工具的使用

2. 获取天气预报实战

在项目中，新建一个文件夹，命名为Tool_mcp，然后创建两个py文件，服务端名称为weather_search_server.py，客户端为weather_search_client.py

2.1 服务端

基础版本

进行天气查询，需要外调接口数据，比如选用大家常用的weatherapi网址中的接口，如下。点击View Docs可以进入使用文档。
在这里插入图片描述

然后查询接口使用文档，如下
在这里插入图片描述

可以确定获取天气的接口网址和对应需要传递的参数：http://api.weatherapi.com/v1/current.json, key为调用这个网站的api需要填写的密匙，在注册后可以免费获取（有一段的试用期，足够用来学习）,q为要查询的地点/区域。

完整的服务端的代码如下：（版本1: 使用requests库进行api数据的获取）

from mcp.server.fastmcp import FastMCP
import requests

weather_api_key = "eba0c4c0ad97xxxxx1632250206"   #需要填写自己的KEY
weather_base_url = "http://api.weatherapi.com/v1/current.json"

app = FastMCP()

@app.tool()
def get_weather(city: str) :
    '''
    获取城市当前的天气信息
    :param city: 具体城市，需要拼音
    :return:
    '''
    params = {
        "key": weather_api_key,
        "q": city,
    }
    result = requests.get(weather_base_url, params=params)
    print(result.json())
    return result.json()   #需要以json的数据格式返回，客服端才可以解析


if __name__ == "__main__":
    app.run(transport='stdio')

2.2 客户端

然后客户端的代码只需要修改一行，就是最后执行的服务端的文件名称修改，并根据工具进行具体内容的修改

client = MCPClient('weather_search_server.py')
asyncio.run(client.run("请帮查询深圳的天气"))

此时weather_search_server.pyw文件中的代码如下：（就是最后执行部分的两行代码更换了）


class MCPClient:
    def __init__(self, server_path: str):
        self.server_path = server_path
        self.deepseek = OpenAI(
            api_key="sk-e2bec0xxxxxfaad44b849",
            base_url="https://api.deepseek.com"
        )
        self.exit_stack = AsyncExitStack()


    async def run(self, query: str):
        # 1. 创建连接服务端的参数
        server_parameters = StdioServerParameters(
            command="python",
            args=[self.server_path]
        )
        # 改成用异步上下文堆栈来处理
        read_stream, write_stream = await self.exit_stack.enter_async_context(stdio_client(server=server_parameters))
        session = await self.exit_stack.enter_async_context(ClientSession(read_stream=read_stream, write_stream=write_stream))

        # 4. 初始化通信
        await session.initialize()

        # 5. 获取服务端有的tools
        response = await session.list_tools()
        # 6. 将工具封装成Function Calling格式的对象
        tools = []
        for tool in response.tools:
            name = tool.name
            description = tool.description
            input_schema = tool.inputSchema
            tools.append({
                "type": "function",
                "function": {
                    "name": name,
                    "description": description,
                    "input_schema": input_schema,
                }
            })
        # 7. 发送消息给大模型，让大模型自主选择哪个工具（大模型不会自己调用）
        # role:
        # 1. user：用户发送给大模型的消息
        # 2. assistant：大模型发送给用户的消息
        # 3. system：给大模型的系统提示词
        # 4. tool：函数执行完后返回的信息
        messages = [{
            "role": "user",
            "content": query
        }]
        deepseek_response = self.deepseek.chat.completions.create(
            messages=messages,
            model="deepseek-chat",
            tools=tools
        )
        choice = deepseek_response.choices[0]
        # 如果finish_reason=tool_calls，那么说明大模型选择了一个工具
        if choice.finish_reason == 'tool_calls':
            # 为了后期，大模型能够更加精准的回复。把大模型选择的工具的message，重新添加到messages中
            messages.append(choice.message.model_dump())

            # 获取工具
            tool_calls = choice.message.tool_calls
            # 依次调用工具
            for tool_call in tool_calls:
                tool_call_id = tool_call.id
                function = tool_call.function
                function_name = function.name
                function_arguments = json.loads(function.arguments)
                result = await session.call_tool(name=function_name, arguments=function_arguments)
                content = result.content[0].text
                messages.append({
                    "role": "tool",
                    "content": content,
                    "tool_call_id": tool_call_id
                })
            # 重新把消息发送给大模型，让大模型生成最终的回应
            response = self.deepseek.chat.completions.create(
                model="deepseek-chat",
                messages=messages
            )
            print(f"AI：{response.choices[0].message.content}")
        else:
            print('回复错误！')

    async def aclose(self):
        await self.exit_stack.aclose()


async def main():
    client = MCPClient('weather_search_server.py')
    try:
        await client.run("请帮查询深圳的天气"))
    finally:
        # 不管上面代码是否出现异常，都要执行关闭操作
        await client.aclose()
    
if __name__ == '__main__':
    asyncio.run(main())

执行代码输出结果如下：（上面的一次输出就是打印获取到的天气数据格式，没有经过任何处理，直接把数据投递给大模型，由于进行了两次大模型的调用，第二次大模型直接给出了想要的结果）
在这里插入图片描述

考虑上下文管理的工具开发

在第一个MCP项目中，我们就考虑到上下文管理的需求，来避免资源的泄漏，工具中获取数据的代码可以优化为：

with requests.get(weather_base_url, params=params) as result:
    print(result.json())
    return result.json()

此外，除了使用requests库进行获取数据外，还可以使用httpx库进行数据的获取，这里介绍这种方式，作为知识点的扩充，可以在添加一下异常处理。

import httpx
with httpx.Client() as client:
    try:
        response = client.get(weather_base_url, params=params)
        print(response.json())
        return response.json()
    except Exception as err:
        print(f"查询接口异常:{err}")
        return {"error": f"查询接口异常:{err}"}

也可以考虑添加异步处理和前面介绍的AsyncExitStack()函数

async def get_weather(city: str) :
    '''
    获取城市当前的天气信息
    :param city: 具体城市，需要拼音
    :return:
    '''
    params = {
        "key": weather_api_key,
        "q": city,
    }
	exit_stack = AsyncExitStack()
    client = await exit_stack.enter_async_context(httpx.AsyncClient())
    try:
        response = await client.get(weather_base_url, params=params)
        print(response.json())
        return response.json()
    except Exception as err:
        print(f"查询接口异常:{err}")
        return {"error": f"查询接口异常:{err}"}

此时，运行客户端，输出结果如下
在这里插入图片描述

3. 服务端的全部代码

最后，服务端的全部代码如下

"""
-------------------------------------------------------------------------------
@Project : MCP projects
File    : weather_search_server.py
Time    : 2025-06-04 9:50
author  : musen
Email   : xianl828@163.com
-------------------------------------------------------------------------------
"""
from contextlib import AsyncExitStack
import httpx
from mcp.server.fastmcp import FastMCP
import requests


weather_api_key = "eba0c4c0axxxxx32250206"  #自己注册账户后的KEY
weather_base_url = "http://api.weatherapi.com/v1/current.json"

app = FastMCP()

@app.tool()
async def get_weather(city: str) :
    '''
    获取城市当前的天气信息
    :param city: 具体城市，需要拼音
    :return:
    '''
    params = {
        "key": weather_api_key,
        "q": city,
    }
    exit_stack = AsyncExitStack()
    client = await exit_stack.enter_async_context(httpx.AsyncClient())
    try:
        response = await client.get(weather_base_url, params=params)
        print(response.json())
        return response.json()
    except Exception as err:
        print(f"查询接口异常:{err}")
        return {"error": f"查询接口异常:{err}"}
        
    #async with httpx.AsyncClient() as client:
    #    try:
    #       response = await client.get(weather_base_url, params=params)
    #       return response.json()
    #    except Exception as err:
    #        print(f"查询接口异常:{err}")
    #        return {"error": f"查询接口异常:{err}"}

    # with requests.get(weather_base_url, params=params) as result:
    #     print(result.json())
    #     return result.json()


if __name__ == "__main__":
    app.run(transport='stdio')

4. 客户端的全部代码

最后，客户端的全部代码如下

"""
-------------------------------------------------------------------------------
@Project : MCP projects
File    : client_stdio.py
Time    : 2025-06-03 9:40
author  : musen
Email   : xianl828@163.com
-------------------------------------------------------------------------------
"""
import asyncio
import json
from contextlib import AsyncExitStack

from openai import OpenAI
from mcp.client.stdio import StdioServerParameters,stdio_client
from mcp import ClientSession


# stdio: 在客户端中，启动一个新的子进程来执行服务端的脚本代码
class MCPClient(OpenAI):
    def __init__(self,server_path):
        self.server_path = server_path
        self.deepseek = OpenAI(
            api_key="sk-5dxxxxxe4575ff9",
            base_url="https://api.deepseek.com",
        )
        self.exit_stack = AsyncExitStack()

    async def _run(self, query: str):
        # 1. 创建连接服务端的参数
        server_parameters = StdioServerParameters(
            command="python",
            args=[self.server_path]
        )
        # 2. 创建读、写流通道
        async with stdio_client(server=server_parameters) as (read_stream, write_stream):
            # 3. 创建客户端与服务端进行通信的session对象
            async with ClientSession(read_stream=read_stream, write_stream=write_stream) as session:
                # 4. 初始化通信
                await session.initialize()

                # 5. 获取服务端有的tools
                response = await session.list_tools()
                # 6. 将工具封装成Function Calling格式的对象
                tools = []
                for tool in response.tools:
                    name = tool.name
                    description = tool.description
                    input_schema = tool.inputSchema
                    tools.append({
                        "type": "function",
                        "function": {
                            "name": name,
                            "description": description,
                            "input_schema": input_schema,
                        }
                    })
                # 7. 发送消息给大模型，让大模型自主选择哪个工具（大模型不会自己调用）
                # role:
                # 1. user：用户发送给大模型的消息
                # 2. assistant：大模型发送给用户的消息
                # 3. system：给大模型的系统提示词
                # 4. tool：函数执行完后返回的信息
                messages = [{
                    "role": "user",
                    "content": query
                }]
                deepseek_response = self.deepseek.chat.completions.create(
                    messages=messages,
                    model="deepseek-chat",
                    tools=tools
                )
                choice = deepseek_response.choices[0]
                # 如果finish_reason=tool_calls，那么说明大模型选择了一个工具
                if choice.finish_reason == 'tool_calls':
                    # 为了后期，大模型能够更加精准的回复。把大模型选择的工具的message，重新添加到messages中
                    messages.append(choice.message.model_dump())

                    # 获取工具
                    tool_calls = choice.message.tool_calls
                    # 依次调用工具
                    for tool_call in tool_calls:
                        tool_call_id = tool_call.id
                        function = tool_call.function
                        function_name = function.name
                        function_arguments = json.loads(function.arguments)
                        result = await session.call_tool(name=function_name, arguments=function_arguments)
                        content = result.content[0].text
                        messages.append({
                            "role": "tool",
                            "content": content,
                            "tool_call_id": tool_call_id
                        })
                    # 重新把消息发送给大模型，让大模型生成最终的回应
                    response = self.deepseek.chat.completions.create(
                        model="deepseek-chat",
                        messages=messages
                    )
                    print(f"AI：{response.choices[0].message.content}")
                else:
                    print('回复错误！')

    async def run(self, query: str):
        # 1. 创建连接服务端的参数
        server_parameters = StdioServerParameters(
            command="python",
            args=[self.server_path]
        )
        # 改成用异步上下文堆栈来处理
        read_stream, write_stream = await self.exit_stack.enter_async_context(
            stdio_client(server=server_parameters))
        session = await self.exit_stack.enter_async_context(
            ClientSession(read_stream=read_stream, write_stream=write_stream))

        # 4. 初始化通信
        await session.initialize()

        # 5. 获取服务端有的tools
        response = await session.list_tools()
        # 6. 将工具封装成Function Calling格式的对象
        tools = []
        for tool in response.tools:
            name = tool.name
            description = tool.description
            input_schema = tool.inputSchema
            tools.append({
                "type": "function",
                "function": {
                    "name": name,
                    "description": description,
                    "input_schema": input_schema,
                }
            })
        # 7. 发送消息给大模型，让大模型自主选择哪个工具（大模型不会自己调用）
        # role:
        # 1. user：用户发送给大模型的消息
        # 2. assistant：大模型发送给用户的消息
        # 3. system：给大模型的系统提示词
        # 4. tool：函数执行完后返回的信息
        messages = [{
            "role": "user",
            "content": query
        }]
        deepseek_response = self.deepseek.chat.completions.create(
            messages=messages,
            model="deepseek-chat",
            tools=tools
        )
        choice = deepseek_response.choices[0]
        # 如果finish_reason=tool_calls，那么说明大模型选择了一个工具
        if choice.finish_reason == 'tool_calls':
            # 为了后期，大模型能够更加精准的回复。把大模型选择的工具的message，重新添加到messages中
            messages.append(choice.message.model_dump())

            # 获取工具
            tool_calls = choice.message.tool_calls
            # 依次调用工具
            for tool_call in tool_calls:
                tool_call_id = tool_call.id
                function = tool_call.function
                function_name = function.name
                function_arguments = json.loads(function.arguments)
                result = await session.call_tool(name=function_name, arguments=function_arguments)
                content = result.content[0].text
                messages.append({
                    "role": "tool",
                    "content": content,
                    "tool_call_id": tool_call_id
                })
            # 重新把消息发送给大模型，让大模型生成最终的回应
            response = self.deepseek.chat.completions.create(
                model="deepseek-chat",
                messages=messages
            )
            print(f"AI：{response.choices[0].message.content}")
        else:
            print('回复错误！')

    async def aclose(self):
        await self.exit_stack.aclose()

async def main():
    client = MCPClient('weather_search_server.py')
    try:
        await client.run("请帮查询深圳的天气")
    finally:
        # 不管上面代码是否出现异常，都要执行关闭操作
        await client.aclose()

if __name__ == '__main__':
    asyncio.run(main())