使用MCP构建AI Apps 《MCP: Build Rich-Context AI Apps with Anthropic》

吴恩达老师新推出一门免费 MCP 学习短课程：《MCP: Build Rich-Context AI Apps with Anthropic》https://www.deeplearning.ai/short-courses/mcp-build-rich-context-ai-apps-with-anthropic/ 由 Anthropic 技术教育负责人 Elie Schoppik 主讲，将教我们如何使用 MCP 标准化 LLM 与外部工具、数据、提示词的连接方式。通过实践项目强化学习，包括构建 MCP 聊天助手、创建 MCP 服务器、连接第三方参考服务器等，帮助我们掌握这一标准化协议的应用能力。

1. 为什么选择mcp？

模型需要依赖提供的上下文来工作，mcp是模型上下文协议，mcp标准了ai应用与不同外部数据/系统交互的方式。
没有mcp的话，不同的ai应用访问相似的数据库，需要开发者重复造轮子。

有了mcp，可以通过大模型的自然语言能力，与不同的数据库交互，整合各种数据源。

谁可以开发mcp？任何人，或者采用社区版本。

2. MCP架构

https://modelcontextprotocol.io/specification/2025-03-26/architecture
基于client-server架构，MCP客户端和MCP服务器通过MCP定义的消息进行通信。客户端运行在Host上。
格式 json-rpc 2.0
Host：可以通过MCP访问数据库的LLM应用，如Claude桌面版，IDE, AI agent等
MCP服务器：通过MCP暴露特定能力的程序
MCP客户端：维护和服务器一对一的连接，通常在Host上的应用中。

三大功能：工具、资源、提示词模版

• Tools 工具调度（Tool/Function Calling）：集成第三方能力或系统指令的调用机制。
  作用：在模型无法回答时调用外部函数或插件（如天气查询、数据库读取等）；支持 OpenAI Function Calling 或 LangChain Tool 类型结构。

• Resources 管理与调用（Resources / 数据资源）：统一管理模型访问的结构化/非结构化数据源，如数据库、文档、索引库等。
  作用：让模型能够查询企业数据，如 MySQL、PostgreSQL、MongoDB；提供基于语义检索的知识库接入；控制访问权限和速率，支持多租户资源隔离。

• Prompt 模板管理（Prompt Templates）预定义用于规范和复用大语言模型的输入模板
  作用：把用户请求统一转化为标准化 Prompt 模板，提高准确率和可控性。支持参数化、模板版本控制、场景配置（如问答/写作/代码生成等）。

客户端的任务是寻找资源和工具，服务器的任务是向客户端提供这些信息。
定义Tool，基于Python SDK @mcp.tool
定义resource，@mcp.resource
定义prompt，@mcp.prompt

MCP transport：client-server之间的传输。https://modelcontextprotocol.io/specification/2025-03-26/basic/transports client端发送请求到 MCP Server, 如工具调用、数据访问等。

• stdio模式：标准输入输出模式，用于本地通信。MCP Server 被当作一个本地可执行程序运行，MCP Client 将用户请求写入它的标准输入，Server 处理后将响应写到标准输出
• http模式：MCP Server 作为一个 HTTP 服务存在，MCP Client 通过 POST 请求将输入发送给 MCP Server。支持远程访问，需要网络配置，有一点http协议开销。

3. 问答机器人示例，建立一个自己的chatbot，并引入自己编写的tool。chatbot.py

准备：按照固定的格式构建tools， 如 search_papers, extract_info。tool use的json格式包括name description input_schema等等。同时需要编写代码，实现这些tool函数。比如search_papers工具的具体实现函数，具体是archive库实现的。
Tool Mapping：创建字典，将tool对应到底层的函数调用。
创建聊天机器人：process_query处理来自用户的query，类型分为text和tool_use。普通的query，比如hi，以message处理，大模型回复。可能会涉及到tool的query，大模型调用具体tool处理，再传回结果。

模型是如何从用户基于自然语言的query中，确定自己要调用哪个tool，以及tool需要参数是什么的？
Function Calling 模型的训练：支持 Tool Use 的模型（如 GPT-4-turbo、Claude、Gemini 等）是通过以下方式实现这种能力的：系统提示（System Prompt）中定义好 tools（函数列表 + 说明），模型已在训练中见过类似场景：如模型知道如何把“天气查询”映射到 get_weather(city)，使用 JSON Schema 作为函数定义标准，让模型知道每个函数需要哪些参数，如果用的是 LangChain/OpenAI，Agent 层会反复调用直到找到合适的工具或回答。

这节实现了一个简单的大模型聊天机器人通过function calling获取arxiv相关topic文章列表的功能，function calling技术回顾：

4. 创立一个MCP服务器，基于FastMCP

在上一节写的tool文件里修改

from mcp.server.fastmcp import FastMCP
mcp = FastMCP("research");
@mcp.tool() //定义mcp tool，装饰下面函数即可。
def search_papers() ... //上一节tool的具体实现
@mcp.tool()
def extract_info() ...if __name__ == "__main__""mcp.run(transport=‘stdio’)

配置环境并启动mcp服务器

> uv init  
> uv venv  
> source .venv/bin/activate //创建激活进入虚拟环境 
> uv add mcp arxiv //安装依赖 npx @modelcontextprotocol/inspector uv run
> reserach_server.py//启动mcp inspector，打开网页进入

MCP inspector无需构建任何server和client，在沙盒环境中测试server返回的tool resource prompt。只测试server功能，无关大模型

5. 在聊天机器人中创建MCP客户端

指定配置，让客户端知道如何启动server
mcp_chatbot.py
初始化聊天机器人，connect to server and run。建立一个到server的连接，获取流和底层会话的访问权限，列出所需的工具，获取工具，传递给模型以供使用。

uv add anthropic python-dotenv nest_asyncio
uv run mcp_chatbot.py

query之后client会启动call tool request

6.将MCP Chatbot连接到引用服务器

https://github.com/modelcontextprotocol/servers
Fetch server https://github.com/modelcontextprotocol/servers/tree/main/src/fetch
Filesystem MCP Server https://github.com/modelcontextprotocol/servers/tree/main/src/filesystem
将以上三者都接入chatbot，建立以下json文件。chatbot会load并解析出所有可用的tool list。

建立多个客户端，可以连接到多个server。可以看到所有tool都连接了。

提示词：从deeplearning.ai中找到一个有意思的关键词，寻找相关论文，总结到result.txt。
会分别使用fetch、serach_papers、abstrac_info、写入本地文件。

7. 升级server：添加提示词和资源

@mcp.resource(“papers://folers”)
def get_available_folers() //获取文件夹

@mcp.prompt()
def generate_search_prompt()
提示词本来是用户定义的，但是用户可能不知道最佳实践是什么。提示词模版在server端创建，发送至client端，以便用户能直接使用这些完整的模板，无需自行完成提示词工程。
在本文的例子里，与其要求用户仅指定如何搜索论文，server直接为用户提供经过实战检验的提示模版，包含可动态填充的信息字段。
在chatbot.py中list prompts和resource与tool一样。