MCP 服务器实现

基于 Flask 的 Model Context Protocol (MCP) 完整实现，通过外部工具增强大型语言模型的能力。

概述

本仓库展示了如何构建一个处理 Model Context Protocol (MCP) 的服务器。MCP 是一种通过直接在模型的文本输出中调用工具来扩展 LLM 能力的方法。与函数调用不同，MCP 将工具定义直接放在上下文窗口中，并解析模型的自然语言响应以识别工具使用情况。

特性

• 🔧 完整的 MCP 实现：全解析、执行和响应处理
• 🌤️ 示例工具：带有参数验证的天气和计算器工具
• 🔄 对话流程：跨多次交互保持上下文
• 🧩 基于正则表达式的解析：灵活的工具调用文本解析
• 🚀 Flask API：用于聊天集成的 REST API 端点

项目结构

mcp_server/
├── app.py                  # Main Flask application
├── mcp_handler.py          # MCP parsing and execution
├── mcp_example.py          # Standalone MCP example
├── requirements.txt        # Dependencies
├── tools/                  # Tool implementations
│   ├── __init__.py
│   ├── weather.py          # Weather API tool
│   └── calculator.py       # Calculator tool
└── README.md               # This file

安装

1. 克隆仓库：

   git clone https://github.com/yourusername/mcp-server.git
   cd mcp-server
   

2. 创建虚拟环境：

   python -m venv venv
   source venv/bin/activate  # 在 Windows 上: venv\Scripts\activate
   

3. 安装依赖项：

   pip install -r requirements.txt
   

4. 设置环境变量：

   # 创建一个 .env 文件并包含以下内容：
   LLM_API_KEY=你的_llm_api_key
   WEATHER_API_KEY=你的_weather_api_key
   FLASK_APP=app.py
   FLASK_ENV=development
   

使用

运行服务器

启动 Flask 开发服务器：

flask run

对于生产环境：

gunicorn app:app

API 端点

• POST /chat: 通过 MCP 处理聊天消息

  curl -X POST http://localhost:5000/chat \
    -H "Content-Type: application/json" \
    -d '{
      "messages": [
        {
          "role": "user",
          "content": "波士顿的天气怎么样？"
        }
      ]
    }'
  

独立示例

运行示例脚本来查看 MCP 的实际效果：

python mcp_example.py

工作原理

1. 工具注册：注册工具及其参数和执行逻辑
2. 工具定义注入：将 XML 格式的工具描述添加到提示中
3. LLM 响应处理：使用正则表达式模式识别 LLM 文本输出中的工具调用
4. 工具执行：解析参数并将它们传递给相应的工具处理程序
5. 结果注入：将工具执行结果插入回响应中

MCP 与函数调用对比

特性	MCP	函数调用
定义位置	在提示文本中	在 API 参数中
调用格式	自然语言	结构化的 JSON
实现方式	文本解析	API 集成
可见性	在响应中可见	可能被隐藏
平台支持	任何基于文本的 LLM	需要 API 支持

示例对话

用户: 波士顿的天气怎么样？

LLM:

I'll check the weather for you.

get_weather(location="Boston, MA", unit="fahrenheit")

处理后:

I'll check the weather for you.

get_weather(location="Boston, MA", unit="fahrenheit")

Result from get_weather:
{
  "location": "Boston, MA",
  "temperature": 72,
  "unit": "fahrenheit",
  "conditions": "Partly Cloudy",
  "humidity": 68,
  "wind_speed": 5.8
}

添加您自己的工具

1. 创建一个继承自 Tool 的新类
2. 定义参数和执行逻辑
3. 向 MCP 处理程序注册

示例：

class MyTool(Tool):
    def __init__(self):
        parameters = [
            {
                "name": "param1",
                "type": "string",
                "description": "Description of param1",
                "required": True
            }
        ]
        
        super().__init__(
            name="my_tool",
            description="Description of my tool",
            parameters=parameters
        )
    
    def execute(self, param1):
        # Tool logic here
        return {"result": "Processed " + param1}

MCP 配置和调用流程

1. 工具注册：

   • MCP 工具向处理程序注册
   • 每个工具提供其名称、描述和参数定义

2. 工具定义注入：

   • 工具定义被添加到系统消息中
   • 格式遵循 MCP 的 XML 结构

3. LLM 响应处理：

   • LLM 生成的响应可能包含工具调用
   • 模式匹配在文本中识别工具调用
   • 解析工具参数并传递给工具执行方法

4. 工具执行：

   • 使用提供的参数执行工具
   • 结果被注入回对话中

5. 对话管理：

   • 包含工具结果的处理后的响应被添加到对话历史中
   • 未来的 LLM 请求将包括此历史记录以提供上下文

示例对话

以下是一个对话示例：

用户: 波士顿的天气怎么样？

系统: 向 LLM 发送带有 MCP 工具定义的提示

LLM 响应:

I'll check the weather for you.

get_weather(location="Boston, MA", unit="fahrenheit")

MCP 处理程序: 解析响应，找到工具调用，并执行天气工具

工具执行结果:

Result from get_weather:
{
  "location": "Boston, MA",
  "temperature": 72,
  "unit": "fahrenheit",
  "conditions": "Partly Cloudy",
  "humidity": 68,
  "wind_speed": 5.8
}

处理后的响应（发送给用户）:

I'll check the weather for you.

get_weather(location="Boston, MA", unit="fahrenheit")

Result from get_weather:
{
  "location": "Boston, MA",
  "temperature": 72,
  "unit": "fahrenheit",
  "conditions": "Partly Cloudy",
  "humidity": 68,
  "wind_speed": 5.8
}

用户: 你能计算 144 的平方根吗？

LLM 响应:

I can calculate that for you.

calculator(expression="sqrt(144)")

MCP 处理程序: 解析响应，执行计算器工具

工具执行结果:

Result from calculator:
{
  "expression": "sqrt(144)",
  "result": 12.0
}

处理后的响应（发送给用户）:

I can calculate that for you.

calculator(expression="sqrt(144)")

Result from calculator:
{
  "expression": "sqrt(144)",
  "result": 12.0
}

The square root of 144 is 12.

这展示了从 LLM 的基于文本的调用到执行和响应处理的完整 MCP 工具使用流程。

许可证

MIT

贡献

欢迎贡献！请随时提交 Pull Request。