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：

Pixabay API Documentation

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。
 */
async function 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。

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：

Inspector - Model Context Protocol

启动调试参考命令：

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

启动成功后，访问以下地址：

http://127.0.0.1:6274/

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：

App unavailable \ Anthropic

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：

然后我们发起测试一下：

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：

然后同样发起测试：

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。

在其他 AI 编程中使用 MCP Server 也是一样的道理，比如 Cursor，具体用法请参考这篇：

最近热火朝天的 MCP 是什么鬼？如何使用 MCP？一文给你讲清楚！

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。

 如何系统的去学习大模型LLM ？

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。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

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！

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。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​