5.2 MCP服务器
MCP 服务器介绍
MCP 服务端是什么
- 角色定位：MCP Server 是跑在本地或远程的“轻量级能力插件”，向上为 LLM/Agent 暴露标准化的 资源（Resources）、工具（Tools）、提示（Prompts）三类能力，向下则安全地访问文件、数据库、API 等实际数据源。
- 架构位置：整个 MCP 采用经典 C/S 架构——Host（Claude Desktop、IDE 等）→ MCP Client（1:1 连接）→ MCP Server → 本地/远程资源。
服务端种类
当下主流的与大模型交互的三要素无非是：工具、资源、提示词，而mcp针对这三类均做了标准化处理。 以下是几个重要的功能：
- Resouces ：定制化地请求和访问本地的资源，可以是文件系统、数据库、当前代码编辑器中的文件等等原本网页端的app 无法访问到的 静态资源。额外的 resources 会丰富发送给大模型的上下文，使得 AI 给我们更加精准的回答。
- Prompts ：定制化一些场景下可供 AI 进行采纳的 prompt，比如如果需要 AI 定制化地返回某些格式化内容时，可以提供自定义的 prompts。
- Tools ：可供 AI 使用的工具，它必须是一个函数，比如预定酒店、打开网页、关闭台灯这些封装好的函数就可以是一个 tool，大模型会通过 function calling 的方式来使用这些 tools。 Tools 将会允许 AI 直接操作我们的电脑，甚至和现实世界发生交互。
UV 工具介绍
MCP开发要求借助uv进行虚拟环境创建和依赖管理。uv 是一个Python 依赖管理工具，类似于 pip 和 conda，但它更快、更高效，并且可以更好地管理 Python 虚拟环境和依赖项。它的核心目标是替代 pip、venv 和 pip-tools，提供更好的性能和更低的管理开销。uv 具体使用可参考文档：https://www.cuiliangblog.cn/detail/section/228701279
MCP 服务器开发
功能说明
以之前开发的天气查询助手为例演示如何进行开发，MCP 基本执行流程如下：
代码编写
import json
import os
from typing import Any
import httpx
import dotenv
from mcp.server.fastmcp import FastMCP
from loguru import logger# 加载环境变量配置
dotenv.load_dotenv()# 初始化 MCP 服务器，命名为 WeatherServer
mcp = FastMCP("WeatherServer")@mcp.tool() # 将函数注册为MCP工具
async def get_weather(city: str) -> dict[str, Any] | None:"""查询指定城市的即时天气信息。:param city: 必要参数，字符串类型，表示要查询天气的城市名称。注意：中国城市需使用其英文名称，如 "Beijing" 表示北京。:return: 返回 OpenWeather API 的响应结果，URL 为https://api.openweathermap.org/data/2.5/weather。响应内容为 JSON 格式的字典，包含详细的天气数据；如果请求失败则返回 None。"""# 构建请求 URLurl = "https://api.openweathermap.org/data/2.5/weather"# 设置查询参数params = {"q": city, # 城市名称"appid": os.getenv("OPENWEATHER_API_KEY"), # 从环境变量中读取 API Key"units": "metric", # 使用摄氏度作为温度单位"lang": "zh_cn" # 返回简体中文的天气描述}# 发起异步 HTTP GET 请求并处理响应async with httpx.AsyncClient() as client:try:response = await client.get(url, params=params, timeout=30.0)response.raise_for_status()logger.info(f"查询天气结果：{json.dumps(response.json())}")return response.json()except Exception as e:logger.error(f"查询天气失败：{e}")return Noneif __name__ == "__main__":# 启动 MCP 服务器，使用标准输入输出方式进行通信logger.info("启动 MCP 服务器...")mcp.run(transport='stdio')运行服务
在本地启动一个 MCP 服务器，运行刚刚创建的 server.py 文件，并进入一个开发模式，方便：
- 热加载代码（修改后不用重启整个客户端）
- 在终端里查看服务器和 MCP 客户端之间的通信日志（方便调试）
- 模拟 MCP 客户端连接到你的服务器，测试 API / 工具调用是否正常
运行Inspector
# npx -y @modelcontextprotocol/inspector uv run server.py Starting MCP inspector...
⚙️ Proxy server listening on localhost:6277
🔑 Session token: c74f080a0d770ea7ae26594304ad9cc160a1a131f54f7b9db3a89f98d25cb672 Use this
token to authenticate requests or set DANGEROUSLY_OMIT_AUTH=true to disable auth
🚀 MCP Inspector is up and running at: http://localhost:6274/?MCP_PROXY_AUTH_TOKEN=c74f080a0d770ea7ae26594304ad9cc160a1a131f54f7b9db3a89f98d25cb672 🌐 Opening browser...
也可以执行
# mcp dev server.py服务启动后会自动打开浏览器工具
使用mcp服务器
为方便测试 mcp 服务器，我们暂时先不开发 mcp 客户端，而是通过第三方客户端工具调用。
安装cherry studio
具体可参考文档：https://docs.cherry-ai.com/advanced-basic/mcp/config
配置 MCP 服务器
新增一个 MCP 服务器，启动参数如下
--directory
D:\PycharmProjects\LangChainDemo # 替换为实际项目路径
run
server.py
运行测试
在 mcp 工具中启用天气查询工具
访问测试
原理分析
启用 MCP 后，Cherry Studio 不只是把用户的输入直接交给 Ollama，它会多一个 “模型中转+工具编排” 的流程：
步骤分析
- 用户输入
你在 Cherry Studio 输入问题，比如：
- Cherry Studio 请求模型（前置 MCP 拦截）
- Cherry Studio 收到输入后，并不会立刻把它丢给 Ollama，而是先通过 MCP Client 传递给 MCP Server。
- MCP Server 里定义了可用的 Tools、Prompts、Resources（比如“天气查询工具”）。
- 模型生成调用计划（Tool Call）
- MCP Server 会先把你的输入传给 Ollama 模型（作为推理引擎）。
- 模型可能返回一个 工具调用意图（比如
call weather_tool(city="北京")）。 - 这一部分符合 MCP 协议里的 Tool Invocation 流程。
- MCP 调用外部工具
- MCP Server 检查调用请求：
- 如果是工具调用 → 执行对应的 Tool（可能是 HTTP API、本地脚本、数据库查询等）。
- 如果是 Resource 读取 → 拉取外部文件/数据。
- 如果是 Prompt 模板 → 组合成最终请求。
- 工具执行完成后，把结果（比如天气 JSON）返回给 MCP Server。
- 再次调用模型生成最终回答
- MCP Server 把工具返回的结果再次传给 Ollama 模型，让它生成最终的自然语言回答：
- Cherry Studio 显示对话结果
- Cherry Studio 渲染模型返回的最终结果到聊天窗口。
流程图解
