STARWARCLOUD STARWAR.AI
返回市场
MCP到Python

MCP到Python

作者：MaximeRivest223 星标更新：2025-11-04
安装使用来源：spider==github.com

项目介绍

mcp2py: 将任何MCP服务器转换为Python模块

MCP（模型上下文协议）是AI工具和资源的一项新兴标准。该标准与普通的REST API服务器兼容，但增加了额外的元数据，以机器可读的方式描述工具、资源和提示。这为我们提供了一个很好的机会，可以创建完全自动映射到这些MCP服务器的Python模块。这种方法的最大优势在于我们可以像使用原生Python库一样使用任何MCP服务器，无需任何配置。这对于创建映射到REST API的Python软件开发套件来说非常有用，因为这是一个极其常见且相当手动的过程。现在，如果托管REST API的组织也提供了MCP接口，我们就可以毫不费力地自动生成一个Python SDK！如果你对这一切还不完全清楚，没关系。即使不了解MCP的所有细节，你仍然可以利用mcp2py的强大功能。你需要知道的是：如果你想编程地与网站交互，它们很可能有一个API，并且随着时间的推移，它们很可能会为这个API提供一个MCP接口。如果他们确实提供了这样的接口，你就无需学习一整套网络编程技能，只需使用mcp2py加载MCP服务器并立即开始调用函数，就像在使用原生Python库一样！

另一个值得注意的酷特性是服务器不必远程运行。你现在可以在自己的个人电脑上运行很多服务器。这对于让不同程序（可能使用不同的编程语言）互相通信非常有用。随着你安装的应用越来越多，它们会在你的机器上打开一个小的本地服务器，以便大型语言模型（LLMs）能够与其互动。这时你可以利用mcp2py与这些本地服务器进行互动。例如，Slack可以打开一个服务器让你查询消息。如果是这样，你可以使用mcp2py并拥有一个Python模块（本质上是一个库），让你可以直接从Python查询Slack消息。非常强大！

概览

这里有一个非常简单的例子，展示如何使用mcp2py与本地文件系统交互。这并不是非常有用，因为你完全可以使用内置的Python库来实现相同的功能，但它作为一个非常简单的例子，展示了mcp2py的工作原理。在这段代码中，我们使用load来启动MCP服务器（在这种情况下，它是一个Node.js服务器）并连接到它。一旦连接成功，我们就可以像调用原生Python函数一样调用list_directory工具：

from mcp2py import load
fstools = load("npx -y @modelcontextprotocol/server-filesystem /home")
fstools.list_directory("/home")

[DIR] maxime

这类似于使用Python中的os库：

import os
os.listdir("/home")

['maxime']

主要的区别在于，我们不是直接从Python到系统，而是向本地Node（JavaScript）服务器发送命令，而该服务器具有一些“安全”功能。例如，我们不允许搜索/home之外的内容，因为我们已经将其设置为根目录。当你要将文件系统暴露给LLM时，这些功能非常有用。

快速入门

1. 安装

你可以通过pip安装mcp2py：

pip install mcp2py

Python长期以来一直存在没有标准方式管理依赖项的问题。为了避免依赖冲突，建议使用虚拟环境。我最喜欢的方法是使用uv（参见这里： https://docs.astral.sh/uv/getting-started/installation/）。然后你可以创建一个新的环境并安装mcp2py，如下所示：

# 如果还没有安装uv，请先安装
curl -LsSf https://astral.sh/uv/install.sh | sh

# 创建一个新的项目并带有虚拟环境
uv init my-mcp-project
cd my-mcp-project

# 安装mcp2py
uv add mcp2py

# 激活环境并开始编码
uv run python

2. 使用它

from mcp2py import load

# 加载任何具有OAuth身份验证的MCP服务器
notion = load("https://mcp.notion.com/mcp", auth="oauth")

# 浏览器会自动打开进行OAuth登录
# 认证后，你可以使用工具

notion.notion_get_self()

3. 就这么简单！

服务器作为子进程运行，工具是Python方法，一切都正常工作。

MCP是什么？

MCP服务器通过协议公开工具、资源和提示。mcp2py将它们转换为{python}：

  • 🔧 工具 → {python}函数
  • 📦 资源 → {python}常量/属性
  • 📝 提示 → 模板函数/字符串

哲学

即插即用™ - 但你可以自定义一切

mcp2py旨在为研究人员、数据分析员和{python}初学者提供一种尝试MCP服务器而不必处理复杂性的方法。同时，它为构建生产应用程序的开发者提供了完全控制。

默认零配置：

  • OAuth登录？浏览器自动打开
  • 需要用户输入？终端提示出现
  • 服务器需要LLM？我们来处理
  • 所有东西“开箱即用”

高级用户的无上限：

  • 覆盖任何默认行为
  • 自定义认证流程
  • 构建生产应用
  • 当你需要的时候，完全控制

**你的{python} REPL/代码成为MCP客户端。**服务器是一个独立的进程（Node.js、{python}或其他），mcp2py通过JSON-RPC与之通信。你的{python}代码可以：

  • 将工具（服务器函数）当作本地{python}函数调用
  • 将资源（服务器数据）当作{python}属性访问
  • 自动或通过自定义回调处理服务器请求（采样、引诱）
  • 无缝地与任何AI SDK（Anthropic、OpenAI、DSPy等）协作

入门指南

对于初学者和研究人员：即插即用

from mcp2py import load

# 加载任何MCP服务器 - 就这么简单！
server = load("https://api.example.com/mcp")

# 如果需要登录：
#   → 浏览器自动打开
#   → 你登录一次
#   → 浏览器关闭
#   → 完成！

# 如果需要你的输入：
#   → 出现友好的终端提示
#   → 你回答
#   → 代码继续执行！

# 如果需要AI帮助（采样）：
#   → 使用你的ANTHROPIC_API_KEY或OPENAI_API_KEY
#   → 自动处理
#   → 你甚至不会注意到！

# 直接使用工具！
result = server.analyze_data(dataset="sales_2024.csv")
print(result)

就这么简单。无需配置。无需设置。即插即用。

接口设计

基本用法

from mcp2py import load

# 加载MCP服务器 - 简单明了
weather = load("npx -y @h1deya/mcp-server-weather")

# 或从远程HTTP服务器（SSE/HTTP流传输）
api = load("https://api.example.com/mcp")

# 带有身份验证
api = load("https://api.example.com/mcp", headers={"Authorization": "Bearer YOUR_TOKEN"})

# 或从{python}脚本
travel = load("{python} my_mcp_server.py")

# 工具变成函数
alerts = weather.get_alerts(state="CA")
forecast = weather.get_forecast(latitude=37.7749, longitude=-122.4194)
print(forecast)

# 资源变成属性
print(weather.API_DOCUMENTATION)  # 常量资源
print(weather.current_config)      # 动态资源

# 提示变成模板函数
prompt = weather.create_weather_report(location="NYC", style="casual")

与AI框架（DSPy、Claudette等）配合使用

.tools 属性提供了一组可调用的{python}函数：

from mcp2py import load

server = load("npx -y @modelcontextprotocol/server-filesystem /tmp")

# 获取可调用的函数
tools = server.tools
# [<function read_file>, <function write_file>, ...]

# 每个函数都有 __name__ 和 __doc__
print(tools[0].__name__)  # "read_file"
print(tools[0].__doc__)   # "从文件系统读取文件"

# 并且它们是可调用的！
result = tools[0](path="/tmp/test.txt")

与AI框架配合使用

.tools 属性为你提供了可用于DSPy和Claudette等框架的可调用函数：

from mcp2py import load
import dspy

# 加载MCP服务器
travel = load("{python} airline_server.py")

# 与DSPy配合使用 - 直接传递可调用函数
class CustomerService(dspy.Signature):
    user_request: str = dspy.InputField()
    result: str = dspy.OutputField()

dspy.configure(lm=dspy.LM("openai/gpt-4o-mini"))

# 直接将工具传递给DSPy（它期望可调用函数）
react = dspy.ReAct(CustomerService, tools=travel.tools)

result = react(user_request="预订2025年9月1日从SFO到JFK的航班")
print(result)

# 也可以与Claudette配合使用
from mcp2py import load
from claudette import Chat

weather = load("npx -y @h1deya/mcp-server-weather")

# Claudette期望可调用函数
chat = Chat(model="claude-3-5-sonnet-20241022", tools=weather.tools)

response = chat("东京天气怎么样？")
# Claudette会根据需要自动调用工具
print(response)

**注意：**对于具有原生MCP支持的SDK（如Anthropic、OpenAI、Google Gemini），请直接使用其内置的MCP集成。.tools 属性适用于期望{python}可调用函数的框架，如DSPy和Claudette。

类型安全与IDE支持

自动生成存根以获得完美的自动完成功能：

from mcp2py import load

# 存根自动生成到 ~/.cache/mcp2py/stubs/
server = load("npx my-server")

# IDE现在具有完整的自动完成功能和类型提示！
server.search_files(
    pattern="*.py",  # 类型：str - IDE知道这一点！
    max_results=10   # 类型：int，可选 - IDE建议这一点！
)  # 返回：dict[str, Any] - IDE显示返回类型！

手动生成存根：

# 将存根生成到特定位置用于你的项目
server = load("npx weather-server")
server.generate_stubs("./stubs/weather.pyi")

# 或让它自动缓存（默认行为）
# 存根保存到：~/.cache/mcp2py/stubs/<command_hash>.pyi

工作原理：

  • load() 返回一个动态类型的类，所有方法都预先定义好了
  • 你的IDE立即看到正确的类型提示
  • 无需配置！
  • 类型提示包括参数名称、类型、默认值和返回类型
  • 在VS Code、PyCharm、Jupyter笔记本和其他{python} IDE中均有效
  • 还会生成.pyi存根文件到~/.cache/mcp2py/stubs/供参考

无需配置 - 自动完成功能就绪！✨

MCP客户端功能

当你{python}代码充当MCP客户端时，服务器可能会请求以下能力：

采样

当服务器需要LLM完成时，mcp2py会自动处理。

默认：开箱即用

from mcp2py import load

# 直接使用！使用默认的LLM
server = load("npx travel-server")

# 如果服务器需要LLM的帮助，mcp2py：
# 1. 检查环境中的ANTHROPIC_API_KEY或OPENAI_API_KEY
# 2. 自动调用LLM
# 3. 将结果返回给服务器
# 4. 你的代码继续执行！

result = server.book_flight(destination="东京")

配置你首选的LLM：

# 通过环境变量设置（推荐）
import os
os.environ["ANTHROPIC_API_KEY"] = "sk-..."

# 或使用LiteLLM模型字符串全局配置
from mcp2py import configure

configure(
    model="claude-3-5-sonnet-20241022"  # 或 "gpt-4o", "gemini/gemini-pro" 等
)

# LiteLLM会根据模型名称自动检测正确的API
# 使用标准环境变量：ANTHROPIC_API_KEY, OPENAI_API_KEY �[...]
# 等。

# 现在所有服务器都会使用此LLM进行采样
server = load("npx travel-server")

高级：自定义采样处理器

from mcp2py import load

def my_sampling_handler(messages, model_prefs, system_prompt, max_tokens):
    """对LLM调用的完全控制。"""
    import anthropic
    client = anthropic.Anthropic()
    response = client.messages.create(
        model="claude-3-5-sonnet-20241022",
        messages=messages,
        max_tokens=max_tokens
    )
    return response.content[0].text

server = load(
    "npx travel-server",
    on_sampling=my_sampling_handler  # 覆盖默认值
)

禁用采样（为了安全/成本控制）：

server = load(
    "npx travel-server",
    allow_sampling=False  # 如果服务器请求LLM，则引发错误
)

引诱

当服务器需要用户输入时，mcp2py会自动提示。

默认：终端提示

from mcp2py import load

# 直接使用！终端提示会自动出现
server = load("npx travel-server")

# 服务器询问："确认$500的预订？"
# 终端显示：
#
#   服务器询问：确认$500的预订？
#   confirm_booking (布尔值)：y/n
#
# 你输入：y
# 代码继续执行！

result = server.book_flight(destination="巴黎")

你会看到：

正在调用book_flight...

┌─────────────────────────────────────────┐
│ 🔔 服务器需要你的输入                  │
├─────────────────────────────────────────┤
│ 确认$500的预订？                       │
│                                         │
│ confirm_booking (布尔值)：y/n          │
│ seat_preference (靠窗/过道/中间)：     │
│ meal_preference (可选)：               │
└─────────────────────────────────────────┘

> y
> 窗户
> 素食

预订已确认！

高级：自定义引诱处理器

from mcp2py import load

def my_input_handler(message, schema):
    """用户输入的自定义UI。"""
    # 构建GUI、网页表单、语音输入等。
    from tkinter import simpledialog
    return simpledialog.askstring("服务器请求", message)

server = load(
    "npx travel-server",
    on_elicitation=my_input_handler
)

禁用引诱（用于自动化脚本）：

server = load(
    "npx travel-server",
    allow_elicitation=False  # 如果服务器请求输入，则引发错误
)

# 或提供预填的答案
server = load(
    "npx travel-server",
    elicitation_defaults={
        "confirm_booking": True,
        "seat_preference": "窗户"
    }
)

根目录

服务器可以询问应关注哪些目录。可选，简单：

# 单个目录
server = load("npx filesystem-server", roots="/home/user/projects")

# 多个目录
server = load(
    "npx filesystem-server",
    roots=["/home/user/projects", "/tmp/workspace"]
)

# 动态更新根目录
server.set_roots(["/home/user/new-project"])

设计规则

1. 工具 → 函数

MCP工具映射到{python}函数，完全支持：

  • 参数：包括必需参数和可选参数
  • 类型提示：从JSON Schema inputSchema生成
  • 文档字符串：从工具 description 构建
  • 返回类型：类型为 dict[str, Any]（MCP工具返回JSON）

命名约定：蛇形命名（MCP getWeather → {python} get_weather）

# MCP工具定义：
# {
#   "name": "searchFiles",
#   "description": "搜索匹配模式的文件",
#   "inputSchema": {
#     "type": "object",
#     "properties": {
#       "pattern": {"type": "string", "description": "通配符模式"},
#       "maxResults": {"type": "integer", "default": 100}
#     },
#     "required": ["pattern"]
#   }
# }

# 生成的{python}：
def search_files(pattern: str, max_results: int = 100) -> dict[str, Any]:
    """搜索匹配模式的文件。

    参数：
        pattern: 通配符模式
        max_results: 最多返回的结果数（默认：100）
    """
    ...

2. 资源 → 常量或属性

资源根据其性质映射不同：

  • 静态资源（如文档、模式）：模块级别的常量（大写蛇形命名）
  • 动态资源（可能会改变）：带getter的属性（小写）
# 静态资源（缓存）
API_DOCS: str = server._get_resource("api://docs")

# 动态资源（访问时获取）
@property
def current_status() -> dict[str, Any]:
    """当前服务器状态。"""
    return server._get_resource("status://current")

命名约定：

  • 静态：