MCP服务器实现

一个基于Flask的完整的Model Context Protocol (MCP) 实现，用以通过外部工具增强大型语言模型的能力。

概述

此存储库演示了如何构建一个处理Model Context Protocol (MCP) 的服务器，这是一种通过直接在模型文本输出中调用工具来扩展LLM功能的方法。与函数调用不同，MCP 将工具定义直接放入上下文窗口，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MCP实现：全方位解析、执行和响应处理。
• 🌤️ 示例工具：具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：灵活识别工具调用的文本解析方式。
• 🚀 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解析与执行
├── mcp_example.py          # 独立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               # 本文件

安装说明

1. 克隆存储库：

   bash 复制代码

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

2. 创建虚拟环境：

   bash 复制代码

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

3. 安装依赖项：

   bash 复制代码

   pip install -r requirements.txt

4. 设置环境变量：

   bash 复制代码

   # 创建一个包含以下内容的 .env 文件:
   LLM_API_KEY=your_llm_api_key_here
   WEATHER_API_KEY=your_weather_api_key_here
   FLASK_APP=app.py
   FLASK_ENV=development

使用方式

启动服务

启动Flask开发服务器：

flask run

在生产环境中：

gunicorn app:app

API端点

• POST /chat：带有MCP流程的消息处理。
  bash 复制代码

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

单独使用示例

运行示例脚本查看MCP的实际效果：

python mcp_example.py

运作原理

1. 工具注册：工具与其参数和执行逻辑一起注册。
2. 工具定义注入：XML格式的工具描述被加入到提示信息中。
3. 模型响应处理：正则模式识别出LLM文本输出中的工具调用。
4. 工具执行：解析参数并传递给相应的工具处理程序。
5. 结果插入：将工具执行的结果插回到响应中。

MCP 与函数调用对比

示例对话

用户: 波士顿天气如何？

LLM:

让我来检查一下波士顿的天气。

get_weather(location="波士顿, MA", unit="fahrenheit")

处理后:

让我来检查一下波士顿的天气。

get_weather(location="波士顿, MA", unit="fahrenheit")

get_weather的结果:
{
  "location": "波士顿, MA",
  "温度": 72,
  "单位": "fahrenheit",
  "条件": "部分多云",
  "湿度": 68,
  "风速": 5.8
}

添加自定义工具

1. 创建一个继承于Tool的新类。
2. 定义参数和执行逻辑。
3. 注册到MCP处理程序中。

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):
        # 工具逻辑于此定义
        return {"结果": "已处理 " + param1}

MCP配置和调用流

1. 工具注册:

   • MCP工具被注册到处理程序中。
   • 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。
   • MCP遵循XML格式的定义格式。

3. LLM响应处理:

   • 大模型生成可能包括工具调用的响应。
   • 模式匹配在文本中识别工具调用。
   • 工具参数被解析并传递给工具执行方法。

4. 工具执行:

   • 提供参数来执行工具。
   • 结果被注入回会话中。

5. 会话管理:

   • 处理后的响应（工具结果）被添加到会话历史记录中。
   • 来自工具的上下文信息在未来的调用中被包括在内。

示例对话

以下是一个典型的对话示例：

用户: 波士顿的天气如何？

系统: 将包含MCP工具定义的提示发送到LLM

大模型响应:

让我来检查一下波士顿的天气。

get_weather(location="波士顿, MA", unit="fahrenheit")

MCP处理程序: 解析响应，发现工具调用并执行天气工具

工具执行结果:

get_weather的结果:
{
  "location": "波士顿, MA",
  "temperature": 72,
  "unit": "fahrenheit",
  "conditions": "部分多云",
  "humidity": 68,
  "wind_speed": 5.8
}

经处理的响应（发送回用户）：

让我来检查一下波士顿的天气。

get_weather(location="波士顿, MA", unit="fahrenheit")

得到结果:
get_weather的结果:
{
  "location": "波士顿, MA",
  "temperature": 72,
  "unit": "fahrenheit",
  "conditions": "部分多云",
  "humidity": 68,
  "wind_speed": 5.8
}

用户: 你能计算144的平方根吗？

大模型响应:

我可以帮你算出这个数字的平方根。

calculator(expression="sqrt(144)")

MCP处理程序: 解析响应，执行计算工具

工具执行结果:

calculator的结果:
{
  "expression": "sqrt(144)",
  "result": 12.0
}

经处理的响应（发送回用户）:

我可以用计算器为您计算结果。

calculator(expression="sqrt(144)") 

calculator的结果:
{
  "expression": "sqrt(144)",
  "result": 12.0
} 

144 的平方根为 12。

这展示了完整的MCP工具使用流程，从大模型基于文本的调用，经执行后进行相应的回答处理。

许可证

MIT 许可证

您的支持

欢迎贡献！请自由提交Pull请求。