当前位置：首页 > news >正文

人工智能基础知识笔记二十：构建一个简单的Agent+MCP Server

news 2025/11/15 7:45:49

关于如何构建MCP Server请参考：https://blog.csdn.net/jimmyleeee/article/details/154799040

1、环境的构建：

本文使用的是ollama的llama3.2:latest模型，所以，需要首先下载并且安装ollama。

关于如何安装ollama，可以参考如下：

安装之后，执行命令: ollama pull llama3.2:latest ，下载需要的模型。也可以从https://ollama.com/search 查询想要使用的模型，例如：deepseek-r1,

搜索到模型之后，就可以使用 ollama pull 模型名，把模型下载到本地。

参考：https://blog.csdn.net/jimmyleeee/article/details/154799040 安装相关的依赖，这里建议使用uv而不是pip，安装uv的方法如下：

uv和pip的比较如下：

特性	uv	pip
开发团队	Astral	Python 包装指导委员会
编程语言	Rust	Python
定位	高速、一体化的包管理器和解析器（替代 pip/pip-tools/venv/virtualenv）	官方的 Python 包安装工具
优点	1. 极快的速度：依赖解析和安装速度远超 pip，尤其是在有缓存的情况下。 2. 一体化工具：集成了包管理、虚拟环境管理（创建/激活）、依赖锁定（uv.lock）等功能，无需额外安装工具。 3. 可复现的依赖解析：默认生成 uv.lock 文件，确保依赖树的完全一致。 4. 跨平台一致性：依赖解析算法在所有操作系统上保持一致。 5. 强大的 pyproject.toml 支持：对动态依赖（如 poetry）有很好的支持。 6. 项目工作流：内置了对管理多个项目相关任务的支持（类似 poetry 或 pdm）。 7. 内置虚拟环境：命令更简洁（如 uv run 可直接在虚拟环境中运行命令）。	1. 官方标准：Python 的官方包管理器，是所有 Python 安装的标配。 2. 极高的兼容性：与所有 Python 版本和绝大多数包 100% 兼容。 3. 生态系统成熟：拥有最庞大的用户基础和社区支持，文档和教程极其丰富。 4. 简单直接：功能专注，学习曲线平缓，核心命令（install, uninstall, freeze）简单易用。 5. 与 setuptools 深度集成：是打包和分发生态系统的基石。
缺点	1. 相对较新：生态系统和社区支持不如 pip 成熟，可能存在未知的边缘情况。 2. 非官方标准：需要单独安装，不是 Python 发行版的一部分。 3. 功能仍在演进：虽然核心功能已非常稳定，但一些高级或边缘功能可能仍在开发中。 4. 对旧式包的兼容性：对于非常古老或非标准的打包方式，可能不如 pip 稳定。	1. 速度较慢：依赖解析和安装过程，尤其是在处理复杂依赖关系时，速度较慢。 2. 功能单一：只是一个安装工具。需要配合 venv、virtualenv、pip-tools、pipenv 等工具才能完成完整的项目管理。 3. 依赖解析器较弱：默认的解析器在处理复杂依赖冲突时能力有限，有时会给出令人困惑的错误信息。 4. 无内置锁定文件：标准 pip 不生成锁定文件，依赖 requirements.txt 难以保证完全一致的依赖树。

2、构建一个MCP Server

这里参考使用https://blog.csdn.net/jimmyleeee/article/details/154799040的MCP Server，文件名字weather_server.py,代码现实如下：

# file name weather_server.py
import httpx
from fastmcp import FastMCP# Create FastMCP server
mcp = FastMCP("Weather")@mcp.tool()
async def get_weather(location: str) -> str:"""Get current weather for a location"""async with httpx.AsyncClient() as client:response = await client.get(f"https://wttr.in/{location}?format=j1")data = response.json()current = data["current_condition"][0]area = data["nearest_area"][0]["areaName"][0]["value"]return f"Weather in {area}: {current['temp_C']}°C, {current['weatherDesc'][0]['value']}"@mcp.tool()
async def get_forecast(location: str) -> str:"""Get 3-day weather forecast"""async with httpx.AsyncClient() as client:response = await client.get(f"https://wttr.in/{location}?format=j1")data = response.json()result = f"3-day forecast for {location}:\n"for day in data["weather"][:3]:result += f"{day['date']}: {day['mintempC']}-{day['maxtempC']}°C\n"return resultif __name__ == "__main__":mcp.run(transport="stdio")#mcp.run(transport="streamable-http", port=8001)

3、构建一个Agent

Agent是使用之前下载的 llama3.2:latest，通过Agent识别query的内容，然后自动去调用weather_server.py的MCP server去查询某个城市的天气。示例代码如下：

# filename  agent_client.pyimport asyncio
from langchain_ollama import ChatOllama
from mcp_use import MCPAgent, MCPClientasync def main():# Create configuration dictionaryconfig = {"mcpServers": {"weather": {"command": "uv","args": ["run","--directory","D:\\AI_Test_Code\\FirstMcpServer\\ollama","weather_server.py"],}}}# Create MCPClient from configuration dictionaryclient = MCPClient.from_dict(config)# Create LLMllm = ChatOllama(base_url="http://localhost:11434", model="llama3.2:latest")# Create agent with the clientagent = MCPAgent(llm=llm, client=client, max_steps=30)# Run the queryresult = await agent.run("What's the weather in Shanghai and the 3-day forecast?",)print(f"\nResult: {result}")if __name__ == "__main__":asyncio.run(main())