从零搭建MCP Server：Python开发、部署与应用全流程实战

一、MCP协议简介

在AI应用和工具集成日益普及的今天，如何让不同系统、模型与外部服务高效、安全地交互，成为开发者关注的重点。MCP（Model Context Protocol，模型上下文协议）正是为此而生。它是一种开放协议，旨在标准化AI应用与外部工具、服务、数据源的连接方式。通过MCP，开发者可以快速构建可扩展、可复用的AI工具链，提升系统的智能化和自动化水平。

MCP协议的核心优势在于：

• 标准化接口：统一的协议规范，降低集成成本。
• 多语言支持：官方SDK覆盖Python等主流开发语言。
• 易于扩展：支持自定义工具、资源和Prompt，满足多样化业务需求。
• 安全性高：支持本地、云端等多种部署方式，灵活适配企业安全策略。

---

二、本地自定义MCP Server实现

1. 环境准备

首先，推荐使用uv作为Python包管理工具，安装步骤如下：

• Windows平台：

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

• 安装Python3（建议3.13及以上版本）。
• 创建项目文件夹，如MCP-STDIO，在该目录下打开命令行。

UV工具官方文档：
https://astral.sh/uv/

2. 安装MCP SDK

在项目目录下执行：

uv init . -p 3.13
uv add "mcp[cli]"

这将自动安装MCP官方Python SDK。

MCP Python SDK官方文档：
https://github.com/modelcontextprotocol/python-sdk

3. VS Code开发环境配置

• 打开项目文件夹，安装Python和Python Debugger扩展。
• 新建main.py，粘贴官方示例代码。

4. 核心代码解析

以下是一个最简MCP Server示例：

from mcp.server.fastmcp import FastMCP# 创建MCP服务器实例
mcp = FastMCP("Demo")# 添加加法工具
@mcp.tool()
def add(a: int, b: int) -> int:"""Add two numbers"""return a + b# 添加动态问候资源
@mcp.resource("greeting://{name}")
def get_greeting(name: str) -> str:"""Get a personalized greeting"""return f"Hello, {name}!"# 添加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}."if __name__ == "__main__":mcp.run(transport='stdio')  # 启动MCP服务器

5. 启动与测试

• 在VS Code中运行main.py，即可启动本地MCP Server。
• 可通过MCP客户端或集成工具进行功能测试，如加法运算、个性化问候等。

---

三、PyPI自定义MCP Server实现

如果希望将自定义MCP Server作为Python包发布到PyPI，供团队或社区复用，可参考以下流程：

1. 项目初始化

• 新建文件夹Anna-MCP-Pypi，进入目录。
• 初始化项目并安装依赖：

  uv init . --package -p 3.13
  uv add "mcp[cli]"

2. 编写核心代码

将上述MCP Server代码放入__init__.py，并适当调整入口函数：

def main() -> None:
mcp.run(transport='stdio')

3. 打包与发布

• 注册PyPI账号并开启2FA，生成Token。
• 构建并发布包：

  uv build
  uv publish --token <your-own-pypi-token>

• 发布成功后，可在PyPI官网查看项目。

PyPI MCP SDK页面：
https://pypi.org/project/mcp/

4. 集成与使用

• 在其他项目中通过pip install安装自定义MCP包。
• 按需配置VS Code等开发环境，实现快速集成。

---

四、Azure云端部署MCP Server

对于企业级应用或需要高可用、弹性扩展的场景，推荐将MCP Server部署在Azure等云平台。

1. 创建虚拟机

• 在Azure Portal创建Ubuntu虚拟机。
• 通过SSH连接：

  ssh username@<VM-IP>

Azure Portal：
https://portal.azure.com/

2. 安装UV工具

curl -LsSf https://astral.sh/uv/install.sh | sh

3. 部署MCP Server

• 将main.py和pyproject.toml上传至云端目录（如mcp_demo）。
• 安装依赖并配置环境。
• 启动MCP Server，支持SSE（Server-Sent Events）传输：

  if __name__ == "__main__":mcp.settings.host = "0.0.0.0"mcp.run(transport='sse')
  

4. 远程访问与集成

• 配置VS Code远程开发插件，实现云端调试。
• 通过公网IP和端口访问MCP Server，实现与外部系统的集成。

---

五、应用场景与实践建议

1. 典型应用场景

• AI助手工具链：如智能问答、自动化办公、数据分析等。
• 企业内部集成：连接ERP、CRM等业务系统，实现智能化升级。
• 安全合规场景：通过本地或私有云部署，保障数据安全与合规性。
• 开发者平台：快速构建可复用的AI工具，提升团队协作效率。

2. 实践建议

• 优先本地开发，云端部署：本地调试更高效，云端部署更安全可靠。
• 善用MCP SDK扩展性：根据业务需求自定义工具、资源和Prompt。
• 关注安全与权限管理：尤其在云端部署时，务必做好访问控制和数据隔离。
• 持续关注官方文档与社区动态：MCP协议和SDK持续迭代，建议定期更新依赖和学习新特性。

结语

MCP协议为AI应用与外部工具的集成提供了强大支撑。通过Python自定义MCP Server，无论是本地、PyPI还是Azure云端，都能实现高效、灵活的AI工具链搭建。希望本文能为广大开发者提供实用参考，助力智能化应用落地。

如果你有更多问题或实践经验，欢迎留言交流！

欢迎关注“安娜的信息安全说”！