橙色网站模版seo项目培训
引言
随着大语言模型(LLM)技术的快速发展，如何扩展其能力边界成为开发者关注的重点。MCP(Model Capability Protocol)作为一种协议标准，允许开发者构建自定义服务器来增强LLM的功能。
正文内容
1. MCP核心概念与技术背景
MCP服务器主要提供三种能力类型：
- 资源(Resources)：客户端可读取的类似文件的数据（如API响应或文件内容）
- 工具(Tools)：经用户批准后LLM可调用的函数
- 提示(Prompts)：帮助用户完成特定任务的预编写模板
本教程将重点介绍工具类型的实现，通过构建两个实用工具(get-alerts和get-forecast)来扩展Claude的功能，使其能够获取天气预报和恶劣天气警报。
2. 环境准备与项目初始化
2.1 系统要求
- Python 3.10或更高版本
- Python MCP SDK 1.2.0或更高版本
2.2 安装uv并创建项目
# 安装uv包管理器
curl -LsSf https://astral.sh/uv/install.sh | sh# 创建项目目录
uv init weather
cd weather# 创建并激活虚拟环境
uv venv
source .venv/bin/activate# 安装依赖
uv add "mcp[cli]" httpx# 创建服务器文件
touch weather.py
3. 构建天气服务器
3.1 初始化FastMCP实例
from typing import Any
import httpx
from mcp.server.fastmcp import FastMCP# 初始化FastMCP服务器
mcp = FastMCP("weather")# 常量定义
NWS_API_BASE = "https://api.weather.gov"
USER_AGENT = "weather-app/1.0"
```FastMCP类利用Python类型提示和文档字符串自动生成工具定义，简化了MCP工具的创建和维护过程。3.2 实现辅助函数
async def make_nws_request(url: str) -> dict[str, Any] | None:"""向NWS API发起请求并处理错误"""headers = {"User-Agent": USER_AGENT,"Accept": "application/geo+json"}async with httpx.AsyncClient() as client:try:response = await client.get(url, headers=headers, timeout=30.0)response.raise_for_status()return response.json()except Exception:return Nonedef format_alert(feature: dict) -> str:"""格式化警报特征为可读字符串"""props = feature["properties"]return f"""
Event: {props.get('event', 'Unknown')}
Area: {props.get('areaDesc', 'Unknown')}
Severity: {props.get('severity', 'Unknown')}
Description: {props.get('description', 'No description available')}
Instructions: {props.get('instruction', 'No specific instructions provided')}
"""
3.3 实现工具功能
@mcp.tool()
async def get_alerts(state: str) -> str:"""获取美国各州的天气警报Args:state: 两字母州代码(如CA, NY)"""url = f"{NWS_API_BASE}/alerts/active/area/{state}"data = await make_nws_request(url)if not data or "features" not in data:return "无法获取警报或未发现警报"if not data["features"]:return "该州无活跃警报"alerts = [format_alert(feature) for feature in data["features"]]return "\n---\n".join(alerts)@mcp.tool()
async def get_forecast(latitude: float, longitude: float) -> str:"""获取某地天气预报Args:latitude: 纬度longitude: 经度"""# 首先获取预测网格端点points_url = f"{NWS_API_BASE}/points/{latitude},{longitude}"points_data = await make_nws_request(points_url)if not points_data:return "无法获取该位置的预测数据"# 从points响应中获取预测URLforecast_url = points_data["properties"]["forecast"]forecast_data = await make_nws_request(forecast_url)if not forecast_data:return "无法获取详细预测"# 将时间段格式化为可读预测periods = forecast_data["properties"]["periods"]forecasts = []for period in periods[:5]: # 仅显示接下来5个时段forecast = f"""
{period['name']}:
温度: {period['temperature']}°{period['temperatureUnit']}
风速: {period['windSpeed']} {period['windDirection']}
预测: {period['detailedForecast']}
"""forecasts.append(forecast)return "\n---\n".join(forecasts)
3.4 运行服务器
if __name__ == "__main__":# 初始化并运行服务器mcp.run(transport='stdio')4. 连接Claude for Desktop进行测试
4.1 配置客户端
{"mcpServers": {"weather": {"command": "uv","args": ["--directory","/ABSOLUTE/PATH/TO/PARENT/FOLDER/weather","run","weather.py"]}}
}
4.2 测试命令
- “萨克拉门托的天气怎么样？”
- “德克萨斯州有哪些活跃的天气警报？”
5. 技术实现原理
当用户提问时，系统会经历以下流程：
- 客户端将问题发送给Claude
- Claude分析可用工具并决定使用哪些
- 客户端通过MCP服务器执行选定工具
- 结果返回给Claude
- Claude生成自然语言响应
- 向用户显示响应
结论
本文详细介绍了如何使用Python和MCP SDK快速构建一个功能完整的天气服务器。通过实现get-alerts和get-forecast两个工具，我们成功扩展了Claude的能力，使其能够查询实时天气信息。这种模式可以推广到其他领域，为LLM添加各种实用功能。MCP协议的灵活性和Python SDK的易用性使得开发者可以快速构建和集成自定义功能，极大地丰富了LLM的应用场景。
MCP 核心架构解析