项目介绍
MCP服务器实现
基于Flask的Model Context Protocol (MCP) 完整实现，用于通过外部工具增强大型语言模型的能力。
概述
此仓库展示了如何构建一个处理Model Context Protocol (MCP) 的服务器，这是一种通过在模型文本输出中直接调用工具来扩展LLM能力的方法。与函数调用不同，MCP将工具定义直接放置在上下文窗口中，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：全面解析、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：在多次交互中保持上下文
- 🧩 基于正则表达式的解析：灵活的文本解析用于工具调用
- 🚀 Flask API：用于聊天集成的REST API端点
项目结构
mcp_server/
├── app.py # 主Flask应用程序
├── mcp_handler.py # MCP解析和执行
├── mcp_example.py # 独立的MCP示例
├── requirements.txt # 依赖项
├── tools/ # 工具实现
│ ├── __init__.py
│ ├── weather.py # 天气API工具
│ └── calculator.py # 计算器工具
└── README.md # 此文件
安装
-
克隆仓库：
git clone https://github.com/yourusername/mcp-server.git cd mcp-server -
创建虚拟环境：
python -m venv venv source venv/bin/activate # 在Windows上：venv\Scripts\activate -
安装依赖项：
pip install -r requirements.txt -
设置环境变量：
# 创建一个.env文件，内容如下： LLM_API_KEY=your_llm_api_key_here WEATHER_API_KEY=your_weather_api_key_here FLASK_APP=app.py FLASK_ENV=development
使用方法
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：处理带有MCP的聊天消息
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
运行示例脚本以查看MCP的实际操作：
python mcp_example.py
工作原理
- 工具注册：工具根据其参数和执行逻辑进行注册
- 工具定义注入：XML格式的工具描述被添加到提示中
- LLM响应处理：正则表达式模式识别LLM文本输出中的工具调用
- 工具执行：参数被解析并传递给适当的工具处理器
- 结果注入：工具执行的结果被插入回响应中
MCP与函数调用对比
| 功能 | 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JSON |
| 实现方式 | 文本解析 | API集成 |
| 可见性 | 在响应中可见 | 可能隐藏 |
| 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：
我将为您查询天气。
get_weather(location="Boston, MA", unit="fahrenheit")
处理后：
我将为您查询天气。
get_weather(location="Boston, MA", unit="fahrenheit")
get_weather的结果：
{
"location": "Boston, MA",
"temperature": 72,
"unit": "fahrenheit",
"conditions": "部分多云",
"humidity": 68,
"wind_speed": 5.8
}
添加您自己的工具
- 创建一个新的继承自
Tool的类 - 定义参数和执行逻辑
- 注册到MCP处理器
示例：
class MyTool(Tool):
def __init__(self):
parameters = [
{
"name": "param1",
"type": "string",
"description": "param1的描述",
"required": True
}
]
super().__init__(
name="my_tool",
description="我的工具的描述",
parameters=parameters
)
def execute(self, param1):
# 工具逻辑在此处
return {"result": "处理了 " + param1}
MCP配置和调用流程
-
工具注册：
- MCP工具被注册到处理器
- 每个工具提供其名称、描述和参数定义
-
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
-
LLM响应处理：
- LLM生成可能包含工具调用的响应
- 模式匹配识别文本中的工具调用
- 工具参数被解析并传递给工具执行方法
-
工具执行：
- 工具根据提供的参数执行
- 结果被注入回对话中
-
对话管理：
- 包含工具结果的处理响应被添加到对话历史记录中
- 未来的LLM请求包括此历史记录以供上下文使用
示例对话
这里是一个对话示例：
用户：波士顿的天气怎么样？
系统：向LLM发送包含MCP工具定义的提示
LLM响应：
我将为您查询天气。
get_weather(location="Boston, MA", unit="fahrenheit")
MCP处理器：解析响应，找到工具调用并执行天气工具
工具执行结果：
get_weather的结果：
{
"location": "Boston, MA",
"temperature": 72,
"unit": "fahrenheit",
"conditions": "部分多云",
"humidity": 68,
"wind_speed": 5.8
}
处理后的响应（发送给用户）：
我将为您查询天气。
get_weather(location="Boston, MA", unit="fahrenheit")
get_weather的结果：
{
"location": "Boston, MA",
"temperature": 72,
"unit": "fahrenheit",
"conditions": "部分多云",
"humidity": 68,
"wind_speed": 5.8
}
用户：你能计算一下144的平方根吗？
LLM响应：
我可以为您计算这个。
calculator(expression="sqrt(144)")
MCP处理器：解析响应，执行计算器工具
工具执行结果：
calculator的结果：
{
"expression": "sqrt(144)",
"result": 12.0
}
处理后的响应（发送给用户）：
我可以为您计算这个。
calculator(expression="sqrt(144)")
calculator的结果：
{
"expression": "sqrt(144)",
"result": 12.0
}
144的平方根是12。
这展示了MCP工具使用的完整流程，从LLM的文本调用到执行和响应处理。
许可证
MIT
贡献
欢迎贡献！请随时提交Pull Request。