第 3、4 两章解决了“能跑、能装”的问题，但实际工程里这远远不够。一份成熟的 Agent CLI 应当具备清晰的子命令分组、统一的全局选项、可预测的退出码、以及人类可读与机器可解析两种输出模式。下文以 OpenCode、Claude Code 的命令布局为参照，把 my-agent-node-cli 扩展为一个布局规范、Agent 友好的 CLI。

在前一章中，笔者完成了 Ollama 的安装与 CLI 验证。CLI 适合人机对话调试，对应用集成来说仍然不够直接：业务代码无法读取 CLI 进程的输出，也无法控制并发与超时。Ollama 真正向应用开放的能力，是常驻在 11434 端口的 HTTP 接口。本章把这条 HTTP 通道彻底走通，让读者在不依赖任何 SDK 的前提下，用 Python 的 requests 与 httpx 实现生成、对

如果读者曾因公司数据安全、网络延迟或调用成本，犹豫是否要把项目接入云端大模型，那么本章将给出一种本地化的解题路径。Ollama 把模型权重下载到本地磁盘，将推理过程封装为一个常驻进程，通过 HTTP 接口对外提供能力，使得在一台普通笔记本上跑起 LLM 与 Embedding 不再需要复杂的环境配置。本章先把开发机准备成可调用大模型的状态：安装运行时、拉取所需模型、用 CLI 验证生成与对话效果。

第 3、4 两章解决了“能跑、能装”的问题，但实际工程里这远远不够。一份成熟的 Agent CLI 应当具备清晰的子命令分组、统一的全局选项、可预测的退出码、以及人类可读与机器可解析两种输出模式。下文以 OpenCode、Claude Code 的命令布局为参照，把 my-agent-node-cli 扩展为一个布局规范、Agent 友好的 CLI。

在前一章中，笔者完成了 Ollama 的安装与 CLI 验证。CLI 适合人机对话调试，对应用集成来说仍然不够直接：业务代码无法读取 CLI 进程的输出，也无法控制并发与超时。Ollama 真正向应用开放的能力，是常驻在 11434 端口的 HTTP 接口。本章把这条 HTTP 通道彻底走通，让读者在不依赖任何 SDK 的前提下，用 Python 的 requests 与 httpx 实现生成、对

如果读者曾因公司数据安全、网络延迟或调用成本，犹豫是否要把项目接入云端大模型，那么本章将给出一种本地化的解题路径。Ollama 把模型权重下载到本地磁盘，将推理过程封装为一个常驻进程，通过 HTTP 接口对外提供能力，使得在一台普通笔记本上跑起 LLM 与 Embedding 不再需要复杂的环境配置。本章先把开发机准备成可调用大模型的状态：安装运行时、拉取所需模型、用 CLI 验证生成与对话效果。

前九章把 MCP Server 与 Client 都跑通,但所有验证都通过命令行脚本完成,Server 暴露的能力还没有真正进入 AI 工作流。本章把整套服务接入 OpenCode 这一开源终端 AI 编程助手,让 Tool 与 Resource 在真实对话中被调用。接入的核心动作只有一件事:写一份配置。但围绕这件事会引出生产场景中常遇到的四类故障,启动失败、握手失败、调用失败、协议异常。本章把这

Server 端能力齐全后,本章把 Client 端实现接上,完成最小可运行的端到端链路。一个 MCP Server 即使写得再完整,没有 Client 来调用,所有能力都还停留在“声明”层面;唯有 Client 把这些能力调起来,链路才算闭环。本书使用 MCP Python SDK 实现 Client,基于asyncio异步模型。Client 的代码相比 Server 更短、模式也更固定,本质上

数据层就绪后,本章把 5 个 Tool 的实现逐一接到 SQLite 工单库上。Tool 是 MCP 三大能力中最常用的一个,也是模型与外部世界发生交互的核心入口。5 个 Tool 涵盖三类典型用法:聚合统计()、单条详情()、列表查询()、轻量分析(三类用法在 SQL 写法、参数 schema、返回结构上各有差异,逐一展开后,读者将对 MCP Tool 的实现范式有完整认识。读完本章,读者将理解

上一章把工程骨架搭起来,本章给骨架填数据。MCP Server 本质上是个“把外部数据变成模型可读形态”的中间层,所以一切 Tool 与 Resource 的实现都要先回答一个前置问题:数据从哪里来?本书示例选用 SQLite 作为数据存储。这是个嵌入式关系型数据库,以单文件形态存在、零配置、零进程,Python 标准库直接内置sqlite3模块,不必额外安装数据库服务。这一选择纯粹基于教学便利;