构建MCP服务器教程

在本教程中，我们将构建一个简单的MCP天气服务器并将其连接到主机Claude for Desktop。

我们将要构建什么

我们将构建一个暴露两个工具的服务器：get_alerts 和 get_forecast。然后我们将服务器连接到MCP主机（在本例中是Claude for Desktop）：

核心MCP概念

MCP服务器可以提供三种主要类型的功能：

1. 1. 资源：客户端可以读取的文件类数据（如API响应或文件内容）
2. 2. 工具：LLM可以调用的函数（需要用户批准）
3. 3. 提示：预编写模板，帮助用户完成特定任务

本教程主要关注工具。

让我们开始构建我们的天气服务器！您可以在这里找到我们要构建的完整代码。

先决条件知识

本快速入门假设您熟悉：

• • Python
• • 像Claude这样的LLM

MCP服务器中的日志记录

在实现MCP服务器时，请注意如何处理日志记录：
对于基于STDIO的服务器： 永远不要写入标准输出（stdout）。这包括：

• • Python中的print()语句
• • JavaScript中的console.log()
• • Go中的fmt.Println()
• • 其他语言中的类似stdout函数

写入stdout会破坏JSON-RPC消息并使您的服务器崩溃。
对于基于HTTP的服务器： 标准输出日志记录没有问题，因为它不会干扰HTTP响应。

最佳实践

1. 1. 使用将日志写入stderr或文件的日志库。

快速示例

# ❌ 错误（STDIO）
print("Processing request")

# ✅ 正确（STDIO）
import logging
logging.info("Processing request")

系统要求

• • 已安装Python 3.10或更高版本。
• • 必须使用Python MCP SDK 1.2.0或更高版本。

设置您的环境

首先，让我们安装uv并设置我们的Python项目和环境：

确保之后重新启动终端以确保uv命令被识别。
现在，让我们创建和设置我们的项目：

现在让我们深入了解构建您的服务器。

构建您的服务器

导入包和设置实例

将这些添加到您的weather.py顶部：

from typing import Any
import httpx
from mcp.server.fastmcp import FastMCP

# 初始化FastMCP服务器
mcp = FastMCP("weather")

# 常量
NWS_API_BASE = "https://api.weather.gov"
USER_AGENT = "weather-app/1.0"

FastMCP类使用Python类型提示和文档字符串自动生成工具定义，使得创建和维护MCP工具变得容易。

辅助函数

接下来，让我们添加用于查询和格式化国家气象局API数据的辅助函数：

async def make_nws_request(url: str) -> dict[str, Any] | None:
    """向NWS API发出请求并进行适当的错误处理。"""
    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 None

def format_alert(feature: dict) -> str:
    """将警报特征格式化为可读字符串。"""
    props = feature["properties"]
    return f"""
事件: {props.get('event', '未知')}
区域: {props.get('areaDesc', '未知')}
严重程度: {props.get('severity', '未知')}
描述: {props.get('description', '无可用描述')}
指示: {props.get('instruction', '无特定指示')}
"""

实现工具执行

工具执行处理程序负责实际执行每个工具的逻辑。让我们添加它：

@mcp.tool()
async def get_alerts(state: str) -> str:
    """获取美国州的天气警报。

    参数:
        state: 两字母美国州代码（例如 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 "无法获取警报或未找到警报。"

    if not data["features"]:
        return "此州无活动警报。"

    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:
    """获取位置的天气预报。

    参数:
        latitude: 位置的纬度
        longitude: 位置的经度
    """
    # 首先获取预报网格端点
    points_url = f"{NWS_API_BASE}/points/{latitude},{longitude}"
    points_data = await make_nws_request(points_url)

    if not points_data:
        return "无法获取此位置的预报数据。"

    # 从点响应中获取预报URL
    forecast_url = points_data["properties"]["forecast"]
    forecast_data = await make_nws_request(forecast_url)

    if not forecast_data:
        return "无法获取详细预报。"

    # 将时间段格式化为可读的预报
    periods = forecast_data["properties"]["periods"]
    forecasts = []
    for period in periods[:5]:  # 仅显示接下来的5个时间段
        forecast = f"""
{period['name']}:
温度: {period['temperature']}°{period['temperatureUnit']}
风力: {period['windSpeed']} {period['windDirection']}
预报: {period['detailedForecast']}
"""
        forecasts.append(forecast)

    return "\n---\n".join(forecasts)

运行服务器

最后，让我们初始化并运行服务器：

if __name__ == "__main__":
    # 初始化并运行服务器
    mcp.run(transport='stdio')

您的服务器已完成！运行uv run weather.py启动MCP服务器，该服务器将监听来自MCP主机的消息。
现在让我们从现有的MCP主机Claude for Desktop测试您的服务器。

使用Claude for Desktop测试您的服务器

首先，确保您已安装Claude for Desktop。您可以在这里安装最新版本。 如果您已经安装了Claude for Desktop，请确保它已更新到最新版本。

我们需要为要使用的MCP服务器配置Claude for Desktop。为此，在文本编辑器中打开您的Claude for Desktop应用程序配置文件~/Library/Application Support/Claude/claude_desktop_config.json。如果文件不存在，请创建该文件。

例如，如果您安装了VS Code：

然后您将在mcpServers键中添加您的服务器。只有至少配置了一个服务器，MCP UI元素才会在Claude for Desktop中显示。

在这种情况下，我们将添加我们的单个天气服务器如下：

这告诉Claude for Desktop：

1. 1. 有一个名为"weather"的MCP服务器
2. 2. 通过运行uv --directory /ABSOLUTE/PATH/TO/PARENT/FOLDER/weather run weather.py来启动它

保存文件，然后重新启动Claude for Desktop。

使用命令测试

让我们确保Claude for Desktop能够识别我们在weather服务器中暴露的两个工具。您可以通过查找"搜索和工具"图标来实现这一点。

点击滑块图标后，您应该看到列出的两个工具：

如果Claude for Desktop没有识别到您的服务器，请前往故障排除部分获取调试提示。

如果工具设置图标已显示，您现在可以通过在Claude for Desktop中运行以下命令来测试您的服务器：

• • 萨克拉门托的天气如何？
• • 德克萨斯州的活跃天气警报有哪些？

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】