简介

文章详细介绍了从零开始构建MCP类型AI Agent的九个步骤：首先定义工具目标和背景，然后构建核心功能包括数据加载、向量化、本地存储和语义检索；接着进行本地测试并使用FASTMCP构建MCP服务器；随后配置AI Agent项目并在工具内部运行；最后通过使用MCP资源和扩展AI项目完成整个构建流程。通过这九个步骤，开发者可以系统性地构建、测试、部署和扩展功能强大的MCP AI Agent。

---

在人工智能日益发展的今天，构建一个功能强大且高效的AI Agent成为了许多开发者和企业的目标。本文将详细介绍如何从零开始，分九个步骤构建一个MCP 类型的AI Agent。

第1步：定义工具的目标和背景

• 明确问题： 需要清楚地定义这个AI Agent要解决什么问题。它的输入和输出分别是什么？你对最终的输出有什么期望？
• 应用场景： 思考这个工具将在哪里被使用。它是一个像VS Code或Claude这样的独立应用，还是一个文档检索工具？

第2步：构建你的AI Agent工具

• 加载数据： 使用URLLoader等工具加载数据。
• 自定义工具： 构建自定义工具，以满足特定的功能需求。
• 向量化： 使用OpenAI嵌入（embeddings）将数据切分（chunk）并进行嵌入。
• 本地存储： 将向量存储在本地的向量数据库中，例如Chroma或FAISS。
• 核心功能： 实现一个强大的语义检索器，这是工具的核心。

第3步：本地测试

• 使用工具： 使用@tool from langchain_core来连接你的工具。
• 连接向量库： 将你的工具连接到你的向量数据库。
• 清理和记录： 确保返回一个干净的字符串或文档列表。
• 本地测试： 在本地进行初步测试，以确保其功能正常。
• MCP集成测试： 针对MCP集成进行本地测试。

第4步：使用FASTMCP构建MCP服务器

• 使用协议： 使用fastmcp from the model-context-protocol SDK。
• 注册工具： 使用add_tool()方法注册你的AI Agent工具。
• 附加文件（可选）： （可选）添加一个像resource.txt这样的文件来暴露你的工具给AI Agent Apps。

第5步：运行和检查MCP服务器

• 使用检查器： 使用MCP inspector来模拟用户行为。
• 测试输入： 在进行全面集成之前，先测试输入和输出。
• 验证资源访问： 确保资源访问是成功的。
• 检查隔离： 检查服务器逻辑是否处于隔离状态。

第6步：配置AI Agent项目

• 编写脚本： 编写一个脚本，例如my_mcp_test.py，使用fastmcp。
• 注册工具： 使用add_tool()将你的AI Agent工具注册到with mcp_tool()。
• 使用检查器： 使用mcp inspector运行MCP项目。
• 添加配置： 为你的AI Agent Apps（如VS Code、Claude、Windsurf）添加配置，包括python path和server script。
• API密钥（如果需要）： 添加API密钥。
• 对话测试： 你的MCP客户端现在可以直接与自建的MCP服务器对话。

第7步：在工具内部运行

• 提问： 在VS Code终端中提出一个问题。
• 实时观测： 观察实时调用（live invocation）。
• 文档检索： 在实时答案中检索文档。
• 本地逻辑： 你的本地AI逻辑现在是一个服务器。

第8步：使用MCP资源（可选）

• 添加资源： 添加额外的资源，例如your_company_file.pdf。
• 桌面集成：Claude Desktop可以将文件直接注入提示中。
• 处理长上下文： 适用于长上下文工作，例如文档问答（Doc Q&A）。
• 资源持久化： 资源是持久化的上下文。

第9步：扩展AI项目

• 复用服务器： 在多个AI感知应用程序中复用你的服务器，例如One config、many integrations。
• 跨产品共享： 跨团队和产品共享你的工具。
• 部署： 编写代码，并在任何地方部署。

nfig、many integrations。

• 跨产品共享： 跨团队和产品共享你的工具。
• 部署： 编写代码，并在任何地方部署。

通过遵循以上九个步骤，你将能够系统地从零开始构建、测试、部署和扩展一个功能强大的MCP AI Agent。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝 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】👇👇

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝 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】👇👇