从零开始开发一个 MCP Server!保姆级教程!

这篇文章得到了大家的广泛阅读,让大家对 MCP 的概念和使用也有了一个基础的认知,也介绍了如何使用 MCP Server,这篇再来介绍下如何从 0 开发一个自己的 MCP Server。

MCP 本质上是为 AI 大模型提供调用外部工具的能力,MCP Server 就是这个能力的具体实现——你可以通过它,把你已有的 API、脚本、服务包装成 AI 能理解和调用的 MCP 工具。

这篇我们就以获取图片为例来创建一个 MCP Server,让 AI 根据自然语言来获取图片网站上的图片,比如 Pixabay 图片网站,它就提供了 API 可以让外界来搜索图片。

Pixabay API 文档:

https://pixabay.com/api/docs/

MCP 官方提供了 Python、Node、Java、Kotlin 等 SDK 接入,我们为了方便测试使用,本文以 Node 为例进行演示,请确保你安装了最新版本的 Node。

安装 Node 环境

如果你还没有安装 Node.js 和 npm,你可以从 nodejs.org 下载并安装,然后验证 Node.js 是否正确安装:

node --version

npm --version

安装过程,略。

创建 MCP Server 项目

创建一个 MCP Server 项目:

mkdir pixabay

cd pixabay

初始化一个新的 npm 项目:

npm init -y

安装相关依赖:

npm install @modelcontextprotocol/sdk zod

npm install -D @types/node typescript

创建主要目录和文件:

mkdir src

touch src/index.ts

更新 package.json 文件,添加以下主要配置项:

{
  "type": "module",
"bin": {
    "pixabay": "./build/index.js"
  },
"scripts": {
    "build": "tsc && chmod 755 build/index.js"
  },
"files": [
    "build"
  ],
}

在根目录创建 tsconfig.json 文件,内容如下:

{
  "compilerOptions": {
    "target": "ES2022",
    "module": "Node16",
    "moduleResolution": "Node16",
    "outDir": "./build",
    "rootDir": "./src",
    "strict": true,
    "esModuleInterop": true,
    "skipLibCheck": true,
    "forceConsistentCasingInFileNames": true
  },
"include": ["src/**/*"],
"exclude": ["node_modules"]
}

到此,项目初始化完成,现在让我们开始构建一个图片搜索的 MCP 服务器吧。

构建 MCP Server

在项目 index.ts 文件中添加 MCP Server:

// MCP - NODE SDK
import { McpServer } from"@modelcontextprotocol/sdk/server/mcp.js";

// 导入 StdioServerTransport 类,用于处理服务器的输入输出通信
import { StdioServerTransport } from"@modelcontextprotocol/sdk/server/stdio.js";

// 导入用于验证输入参数的库
import { z } from"zod";

// Pixabay API URL
const baseUrl = "https://pixabay.com/api/";

/**
 * 定义了 MCP Server 实例。
 */
const server = new McpServer({
    name: "pixabay",
    version: "1.0.0",
    capabilities: {
        resources: {},
        tools: {},
    },
});

/**
 * 定义了一个名为 "pixabay-image-search" 的工具。
 * 该工具接受一个查询字符串和一个图像类型作为输入参数,
 * 并返回一个包含图像信息的 JSON 字符串。
 */
server.tool(
    'pixabay-image-search',
    {
        query: z.string(),
        type: z.string()
    },
    async ({ query, type = 'all' }) => {
        try {
            // 检查是否设置了 PIXABAY_KEY 环境变量
            if (!process.env.PIXABAY_KEY) {
                console.error("PIXABAY_KEY environment variable is not set");
                process.exit(1);
            }
            console.log("PIXABAY_KEY", process.env.PIXABAY_KEY);

            // 构建 Pixabay API 请求 URL
            const requestUrl = `${baseUrl}?key=${process.env.PIXABAY_KEY}&q=${query}&image_type=${type}&per_page=3`;

            // 发送请求并获取响应
            const response = await fetch(requestUrl);

            //  检查响应状态
            const json = await response.json();

            // 返回响应结果
            return {
                content: [{
                    type: 'text',
                    text: JSON.stringify({
                        images: json.hits || [],
                        total_results: json.total,
                        query,
                    }, null, 2)
                }]
            }
        } catch (e) {
            return {
                content: [{
                    type: 'text',
                    text: `Error: ${e instanceof Error ? e.message : 'Unknown error'}`
                }],
                isError: true
            };
        }
    }
)

/**
 * 启动服务器并建立与传输层的连接。
 * 该函数创建一个标准输入输出的服务器传输实例,
 * 并使用该实例将服务器连接到传输层。
 */
asyncfunction startServer() {
    // 创建一个标准输入输出的服务器传输实例,用于处理服务器的输入输出通信
    const transport = new StdioServerTransport();

    // 等待服务器通过指定的传输实例建立连接
    await server.connect(transport);
}

// 启动服务器
startServer();

这里主要定义了一个 McpServer,然后添加了一个名为 pixabay-image-search 的 MCP Tool 工具,用来从 Pixabay 根据关键字和类型搜索图片。

最后使用以下命令进行构建:

npm run build

根据之前的项目定义,最终会在 build 目录中构建为 index.js 文件。

在这里插入图片描述

调试 MCP Server

官方提供了一个 Inspector 调试工具,它是一款用于测试和调试 MCP 服务器的交互式开发者工具,详细介绍和使用方法如下:

https://modelcontextprotocol.io/docs/tools/inspector

启动调试参考命令:

sudo npx @modelcontextprotocol/inspector node build/index.js

在这里插入图片描述

启动成功后,访问以下地址:

http://127.0.0.1:6274/

在这里插入图片描述

这个界面主要分为三个区域:

  • 左侧进行环境变量配置、MCP Server 连接/重启等操作;
  • 中间选择要调试的 MCP 工具;
  • 右侧对选择的 MCP 工具进行调试。

如图,测试成功。

在工具中使用 MCP Server

在 Claude for Desktop 中使用

首先需要安装 Claude 桌面版,安装地址如下:

https://claude.ai/download

然后打开以下配置文件:

~/Library/Application Support/Claude/claude_desktop_config.json

添加 MCP Server 配置:

{
    "mcpServers": {
        "pixabay": {
            "command": "node",
            "args": [
                "../pixabay/build/index.js"
            ],
            "env": {
                "PIXABAY_KEY": "..."
            }
        }
    }
}

注意,请替换成自己的 index.js 文件全路径和 PIXABAY_KEY。

然后再重启 Claude 桌面软件,可以看到有一个 MCP 工具可用:

在这里插入图片描述

然后我们发起测试一下:

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

成功通过自然语言获取到了猫吃饭的图片,通过 Claude for Desktop 测试自定义的 MCP Server 调用成功。

在 VS Code 中使用

在 VS Code 中只需要安装一个 ROO CODE 插件,不懂的请先看这篇:

DeepSeek 装进 VSCode,编程非常丝滑!

然后添加 MCP 图标配置 MCP Server:

{
  "mcpServers": {
    "pixabay": {
      "command": "node",
      "args": [
        "../pixabay/build/index.js"
      ],
      "env": {
        "PIXABAY_KEY": "..."
      }
    }
  }
}

配置成功后如图所示:

在这里插入图片描述

然后同样发起测试:

在这里插入图片描述

img
成功通过自然语言获取到了猫吃饭的图片,通过 VS Code 测试自定义的 MCP Server 调用成功。

测试没问题后,我们就可以把代码发布到 npm 仓库供其他人使用了。

总结

本文从 MCP Server 开发实战出发,完整演示了从零搭建一个 MCP Server 的流程。你不仅掌握了 MCP Server 的构建方式,也能体验到了 MCP 工具在开发者日常工作中带来的提效魔法。

重点回顾如下:

  • MCP Server 是大模型调用外部服务的桥梁;
  • 通过 Node.js 和官方 SDK 快速开发 MCP Server;
  • 利用 Inspector 工具调试,所见即所得;
  • 轻松集成到 Claude、VS Code、Cursor 等 AI 工具中;

这不仅是一次 MCP 技术实战,也是一种新的编程范式的探索,让 AI 通过 MCP 调用我们的代码,把人类的创意和机器的执行力结合起来。

你也可以尝试把更多的业务能力封装成 MCP 工具,比如:商品推荐、新闻摘要、天气预报,甚至接入自己的数据库或私有系统等等,让 AI 真正成为我们日常工作中的得力助手。

如何零基础入门 / 学习AI大模型?

大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业?”“谁的饭碗又将不保了?”等问题热议不断。

不如成为「掌握AI工具的技术人」,毕竟AI时代,谁先尝试,谁就能占得先机!

想正式转到一些新兴的 AI 行业,不仅需要系统的学习AI大模型。同时也要跟已有的技能结合,辅助编程提效,或上手实操应用,增加自己的职场竞争力。

但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高

那么我作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,希望可以帮助到更多学习大模型的人!至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费

👉 福利来袭优快云大礼包:《2025最全AI大模型学习资源包》免费分享,安全可点 👈

全套AGI大模型学习大纲+路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

read-normal-img

640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

👉学会后的收获:👈
基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。

👉 福利来袭优快云大礼包:《2025最全AI大模型学习资源包》免费分享,安全可点 👈

img

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

### MCP协议简介 Model Context Protocol (MCP) 是一种用于实现大型语言模型(LLM)与外部数据源和工具之间无缝集成的开放协议[^4]。它采用经典的客户端-服务器(CS)架构,其中 **MCP Host** 表示需要通过 MCP 获取数据的应用程序,而 **MCP Server** 则是一个轻量应用程序,负责暴露某些特定的功能或资源给主机。 #### 关键组件说明 - **MCP Host**: 如 Claude Desktop、IDE 或其他 AI 工具等,这些程序依赖于 MCP 来获取所需的数据或能力[^1]。 - **MCP Client**: 客户端部分通常由 MCP 协议驱动,能够一对一地连接到指定的 MCP Server 上[^3]。 - **MCP Server**: 负责对外提供某种特殊功能的小型化应用,比如访问本地文件系统、调用远程 API 等[^2]。 - **Local Data Resources**: 可供 MCP Server 访问的安全本地资源,例如文件夹、数据库或其他服务。 - **Remote Services**: 支持通过网络接口(API 形式)与其他外部系统建立通信通道。 --- ### 实现首个 MCP Server教程 以下是基于现有文档指导来创建并运行一个基础版本 MCP Server 所需的关键步骤: #### 准备工作环境 确保安装有 Python 和 pip 命令行工具,并且具备基本开发技能以便理解后续操作逻辑。如果尚未完成此环节,则先执行如下命令更新软件包管理器: ```bash pip install --upgrade pip setuptools wheel ``` 接着引入必要的库支持以简化编码过程中的复杂度处理问题: ```python import json from http.server import BaseHTTPRequestHandler, HTTPServer ``` 上述代码片段展示了导入 JSON 解析模块以及内置 Web 服务器框架的核心类定义方法。 #### 编写核心业务逻辑 下面给出一段简单的示例脚本作为起点,演示如何响应来自 MCP Host 请求的消息体内容转换成标准格式返回去的过程: ```python class MCPRequestHandler(BaseHTTPRequestHandler): def do_POST(self): content_length = int(self.headers['Content-Length']) post_data = self.rfile.read(content_length) try: request_json = json.loads(post_data.decode('utf-8')) response_payload = { 'status': 'success', 'message': f"Received data: {request_json}" } status_code = 200 except Exception as e: response_payload = {'error': str(e)} status_code = 400 self.send_response(status_code) self.send_header('Content-Type', 'application/json') self.end_headers() self.wfile.write(json.dumps(response_payload).encode('utf-8')) def run(server_class=HTTPServer, handler_class=MCPRequestHandler, port=8080): server_address = ('', port) httpd = server_class(server_address, handler_class) print(f'Starting MCP Server on port {port}...') httpd.serve_forever() if __name__ == "__main__": run() ``` 这段代码实现了最基本的 POST 方法处理器 `do_POST` ,用来接收传入参数并通过异常捕获机制保障稳定性的同时反馈适当的结果状态码信息给调用方知道当前请求成功与否情况怎样。 #### 启动您的 MCP Server 保存以上全部修改后的完整版 python 文件至任意目录下命名为 mcp_server.py 并切换终端位置至此路径处输入以下指令即可启动监听模式等待连接到来: ```bash python mcp_server.py ``` 此时应该能看到类似这样的提示消息表示正常运作当中:"Starting MCP Server on port 8080..." 最后一步就是按照官方指南配置好对应平台上的插件选项指向刚才开启的服务地址便能正式投入使用啦! --- ### 注意事项 实际项目部署过程中可能还会涉及到安全性加固措施诸如身份验证机制设置等方面考量因素;另外考虑到跨域资源共享(CORS)策略限制也可能影响正常使用体验所以必要时候记得调整浏览器端权限设定或者利用反向代理技术绕过障碍达成目标效果哦!
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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