Python MCP 工具开发入门：Server、Client 和 LLM 集成

1. 从零开始：如何用 Python 创建你的第一个 MCP（Model Context Protocol）

1.1 什么是 MCP？

Model Context Protocol (MCP) 是一个标准化协议，允许应用程序与大语言模型（LLM）进行安全、结构化的交互。通过 MCP，你可以：

• 为 LLM 提供自定义工具和资源
• 实现 LLM 和外部系统的无缝集成
• 构建可复用的、模块化的 AI 应用

1.2 核心概念

1.2.1 MCP Server（服务器）

定义工具、资源和提示词，通过 stdio 或其他传输方式提供给客户端。

1.2.2 MCP Client（客户端）

连接到 MCP 服务器，获取工具列表，调用工具，并与 LLM 集成。

1.2.3 Tools（工具）

服务器暴露给 LLM 的可调用函数，LLM 可以根据用户需求调用这些工具。

1.3 项目结构

hello-world/
├── server.py # MCP 服务器定义
├── client-deepseek.py # 使用 Deepseek LLM 的客户端
├── client.py # 基础客户端
├── pyproject.toml # 项目配置
└── uv.lock # 依赖锁定文件

2. 第一步：创建 MCP 服务器

2.1 安装依赖

0

cd hello-world
UV_INDEX_URL=https://mirrors.aliyun.com/pypi/simple/ uv sync

主要依赖：

• mcp[cli]>=1.6.0 – MCP 框架
• openai>=1.75.0 – OpenAI 兼容的 LLM 客户端
• python-dotenv>=1.1.0 – 环境变量管理

2.2 编写 Server 端代码

创建 server.py：

from mcp.server.fastmcp import FastMCP

# 创建一个 MCP 服务器实例
mcp = FastMCP("Demo")

# 定义一个工具：两数相加
@mcp.tool()
def add(a: int, b: int) –> int:
"""Add two numbers"""
return a + b

# 定义一个资源：个性化问候
@mcp.resource("greeting://{name}")
def get_greeting(name: str) –> str:
"""Get a personalized greeting"""
return f"Hello, {name}!"

# 启动服务器
if __name__ == "__main__":
mcp.run("stdio")

核心概念解析：

• FastMCP – 简化的 MCP 服务器框架
• @mcp.tool() – 装饰器定义工具函数
• @mcp.resource() – 装饰器定义资源（带 URI 模式）
• mcp.run(“stdio”) – 通过标准输入输出运行服务器

3. 第二步：创建 MCP 客户端

3.1 基础客户端（无 LLM）

client.py 展示了如何直接调用工具：

import sys
import asyncio
from mcp import ClientSession
from mcp.client.stdio import stdio_client, StdioServerParameters

async def main():
# 1. 启动 MCP 服务器进程
server_script = "server.py"
params = StdioServerParameters(
command=sys.executable,
args=[server_script],
)
transport = stdio_client(params)
stdio, write = await transport.__aenter__()

# 2. 建立客户端会话
session = await ClientSession(stdio, write).__aenter__()
await session.initialize()

# 3. 调用工具
result = await session.call_tool("add", {"a": 3, "b": 5})
print(f"3 + 5 = {result}")

# 4. 关闭连接
await session.__aexit__(None, None, None)
await transport.__aexit__(None, None, None)

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

3.2 与 LLM 集成的客户端

client-deepseek.py 展示了如何让 LLM 自动调用工具：

import sys
import asyncio
import os
import json
from mcp import ClientSession
from mcp.client.stdio import stdio_client, StdioServerParameters
from openai import OpenAI
from dotenv import load_dotenv

load_dotenv()

async def main():
# 1. 连接到 MCP 服务器
print(">>> 初始化加法 LLM 工具客户端")
server_script = "server.py"
params = StdioServerParameters(
command=sys.executable,
args=[server_script],
)
transport = stdio_client(params)
stdio, write = await transport.__aenter__()
session = await ClientSession(stdio, write).__aenter__()
await session.initialize()
print(">>> 连接到MCP服务器成功")

# 2. 初始化 LLM 客户端（使用通义千问）
client = OpenAI(
api_key=os.getenv("QWEN_API_KEY"),
base_url=os.getenv("QWEN_BASE_URL")
)

# 3. 从 MCP 服务器获取工具列表
resp = await session.list_tools()
tools = [{
"type": "function",
"function": {
"name": tool.name,
"description": tool.description,
"parameters": tool.inputSchema
}
} for tool in resp.tools]
print("可用工具：", [t["function"]["name"] for t in tools])

# 4. 主交互循环
while True:
print("\\n请输入你的加法问题（如：5加7是多少？或'退出'）：")
user_input = input("> ")
if user_input.strip().lower() == '退出':
break

print(f"\\n📝 用户问题: {user_input}")

# 构造对话
messages = [
{"role": "system", "content": "你是一个加法助手，遇到加法问题请调用工具add，最后用自然语言回答用户。"},
{"role": "user", "content": user_input}
]

# 5. LLM 与工具调用循环
iteration = 0
while True:
iteration += 1
print(f"\\n🔄 第 {iteration} 次 LLM 调用…")

# 调用 LLM
response = client.chat.completions.create(
model="qwen-plus",
messages=messages,
tools=tools,
tool_choice="auto"
)

message = response.choices[0].message
messages.append(message)

# 检查是否有工具调用
if not message.tool_calls:
print(f"\\n✅ LLM 最终回答：")
print(f"\\nAI 回答：\\n {message.content}")
break

# 6. 执行工具调用
for tool_call in message.tool_calls:
args = json.loads(tool_call.function.arguments)
print(f"\\n🔧 调用工具: {tool_call.function.name}")
print(f"📥 工具参数: {args}")

result = await session.call_tool(tool_call.function.name, args)
print(f"📤 工具返回结果: {result}")

# 将工具结果加入对话历史
messages.append({
"role": "tool",
"content": str(result),
"tool_call_id": tool_call.id
})

await session.__aexit__(None, None, None)
await transport.__aexit__(None, None, None)
print(">>> 客户端已关闭")

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

4. 第三步：配置环境变量

创建或修改 .env 文件：

# 通义千问 API 配置（使用阿里云 DashScope）
QWEN_API_KEY=your-api-key-here
QWEN_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

5. 第四步：运行程序

5.1 方式一：两个终端分别运行

终端 1：启动服务器

cd 01-hello-world
UV_INDEX_URL=https://mirrors.aliyun.com/pypi/simple/ uv run python server.py

终端 2：运行客户端

cd 01-hello-world
UV_INDEX_URL=https://mirrors.aliyun.com/pypi/simple/ \\
QWEN_API_KEY="your-api-key" \\
QWEN_BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1" \\
uv run python client-deepseek.py

5.2 方式二：非交互式测试

cd 01-hello-world
timeout 60 bash -c 'echo -e "15加8等于多少?\\n退出" | \\
UV_INDEX_URL=https://mirrors.aliyun.com/pypi/simple/ \\
QWEN_API_KEY="your-api-key" \\
QWEN_BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1" \\
uv run python client-deepseek.py'

6. 执行流程示例

当用户输入 “15加8等于多少？” 时：

📝 用户问题: 15加8等于多少?

🔄 第 1 次 LLM 调用…

🔧 调用工具: add
📥 工具参数: {'a': 15, 'b': 8}
📤 工具返回结果: meta=None content=[TextContent(type='text', text='23', annotations=None)] isError=False

🔄 第 2 次 LLM 调用…

✅ LLM 最终回答：

AI 回答：
15加8等于23。

7. 关键要点

7.1 异步编程

MCP 使用 asyncio，所有网络操作都是异步的：

async def main():
# 异步操作
await session.initialize()
result = await session.call_tool(...)

7.2 工具定义

简单易用的装饰器风格：

@mcp.tool()
def my_tool(param1: int, param2: str) –> str:
"""Tool description"""
return f"Result: {param1} {param2}"

7.3 工具调用链

LLM 根据需要多次调用工具，直到得到最终答案：

用户输入 → LLM 分析 → 调用工具 → 获得结果 → LLM 再次分析 → 最终回答

7.4 消息历史

保持对话历史以便 LLM 理解上下文：

messages = [
{"role": "system", "content": "…"},
{"role": "user", "content": "…"},
{"role": "assistant", "content": "…"},
{"role": "tool", "content": "…"},
]

8. 扩展应用

8.1 添加更多工具

@mcp.tool()
def multiply(a: int, b: int) –> int:
"""Multiply two numbers"""
return a * b

@mcp.tool()
def divide(a: float, b: float) –> float:
"""Divide two numbers"""
if b == 0:
raise ValueError("Cannot divide by zero")
return a / b

8.2 添加资源

@mcp.resource("user://{user_id}")
def get_user_info(user_id: str) –> str:
"""Get user information"""
return f"User {user_id} information"

8.2.1 什么是资源（Resource）？

@mcp.resource() 装饰器用于定义一个可以根据参数返回不同数据的接口。资源是不同于工具的数据取…

资源 vs 工具的对比：

8.2.2 URI 模式详解

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

语法分解：

工作流程：

客户端请求 greeting://Alice
↓
MCP 框架识别 URI 模式
↓
提取参数 name = "Alice"
↓
调用函数 get_greeting("Alice")
↓
返回 "Hello, Alice!" 给客户端

8.2.3 常见资源示例

示例 1：用户信息资源

@mcp.resource("user://{user_id}")
def get_user_info(user_id: str) –> str:
users = {"1": "Alice", "2": "Bob"}
return users.get(user_id, "Not found")

# 客户端调用：await session.read_resource("user://1")
# 返回：Alice

示例 2：文件资源（多参数）

@mcp.resource("file://{folder}/{filename}")
def read_file(folder: str, filename: str) –> str:
# 注意：参数名必须与 URI 中的占位符一致
path = f"{folder}/{filename}"
try:
with open(path, 'r') as f:
return f.read()
except FileNotFoundError:
return "File not found"

# 客户端调用：await session.read_resource("file://docs/readme.txt")
# 返回：文件内容

示例 3：API 文档资源

@mcp.resource("docs://api/{version}")
def get_api_docs(version: str) –> str:
docs = {
"v1": "API v1: 支持基础功能",
"v2": "API v2: 新增高级功能"
}
return docs.get(version, "Version not found")

示例 4：多参数资源

@mcp.resource("product://{category}/{product_id}")
def get_product(category: str, product_id: str) –> str:
# 访问歩骤：product://electronics/12345
return f"Product {product_id} from {category}"

8.2.4 客户端中使用资源

# 方法 1：直接读取资源
result = await session.read_resource("greeting://Alice")
print(result) # 输出: Hello, Alice!

# 方法 2：列出所有资源
resources = await session.list_resources()
for resource in resources.resources:
print(f"Resource: {resource.uri} – {resource.description}")

8.2.5 资源 URI 命名最佳实践

✅ 好的设计：

@mcp.resource("user://{user_id}") # 清晨的协议名
@mcp.resource("file://{path}/{filename}") # 多参数路径
@mcp.resource("docs://api/{version}") # 泊根路径

❌ 避免的做法：

@mcp.resource("res://{id}") # ❌ 不清楚的协议名

@mcp.resource("user://{user_id}")
def get_user(uid: str): # ❌ 参数名不匹配！
pass

8.3 自定义 System Prompt

system_prompt = """
你是一个数学助手。
当用户问到加法、减法、乘法、除法时，请调用相应的工具。
最后用清晰的中文回答用户的问题。
"""

messages = [
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_input}
]

9. 常见问题

9.1 Q1: 如何调试 MCP 服务器？

使用日志输出：

import logging
logging.basicConfig(level=logging.DEBUG)
logger = logging.getLogger(__name__)

@mcp.tool()
def my_tool(x: int):
logger.info(f"Tool called with x={x}")
return x * 2

9.2 Q2: 如何处理工具调用错误？

try:
result = await session.call_tool(tool_name, args)
except Exception as e:
print(f"Tool call failed: {e}")
# 错误恢复逻辑

9.3 Q3: 如何支持多轮对话？

保持 messages 列表，每次交互都添加新消息：

while True:
user_input = input("> ")
messages.append({"role": "user", "content": user_input})
# … 处理响应，添加到 messages …

10. 性能优化建议

11. 总结

通过 MCP，你可以轻松构建强大的 AI 应用，让 LLM 能够访问和使用自定义工具。核心步骤是：

希望这个教程能帮助你开始 MCP 的学习之旅！

12. 参考资源

• MCP 官方文档
• FastMCP 框架
• OpenAI API 文档
• 本项目代码