MCP服务器实现

这是一个基于Flask的完整模型上下文协议（MCP）实现，用于增强大型语言模型使用外部工具的能力。

概述

本仓库演示了如何构建一个处理模型上下文协议（MCP）的服务器。MCP是一种通过直接在模型的文本输出中调用工具来扩展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的使用。

特性

• 🔧 完整的MCP实现: 完整的解析、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: 维护跨多个交互的上下文
• 🧩 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               # 本文件

安装

1. 克隆仓库:

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

2. 创建一个虚拟环境:

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

3. 安装依赖项:

   pip install -r requirements.txt
   

4. 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

运行服务器

启动Flask开发服务器:

flask run

用于生产环境:

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的实际效果:

python mcp_example.py

工作原理

1. 工具注册: 工具及其参数和执行逻辑一起注册
2. 工具定义注入: XML格式的工具描述被添加到提示中
3. 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
4. 工具执行: 参数被解析并传递给适当的工具处理程序
5. 结果注入: 工具执行结果被插入回响应中

MCP vs. 函数调用

特性	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	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:

我将为您查询波士顿的天气。

get_weather(location="Boston, MA", unit="fahrenheit")

处理后:

我将为您查询波士顿的天气。

get_weather(location="Boston, MA", unit="fahrenheit")

Result from get_weather:
{
  "location": "Boston, MA",
  "temperature": 72,
  "unit": "fahrenheit",
  "conditions": "Partly Cloudy",
  "humidity": 68,
  "wind_speed": 5.8
}

添加您自己的工具

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

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):
        # 工具逻辑在这里
        return {"result": "已处理 " + param1}

MCP配置和调用流程

1. 工具注册:

   • MCP工具在处理程序中注册
   • 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
   • 格式遵循MCP的XML结构

3. 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

4. 工具执行:

   • 工具使用提供的参数执行
   • 结果被注入回对话中

5. 对话管理:

   • 带有工具结果的处理后的响应被添加到对话历史记录中
   • 未来的LLM请求包含此历史记录以获取上下文

示例对话

这是一个对话可能看起来的示例：

用户: 波士顿的天气怎么样？

系统: 将带有MCP工具定义的提示发送给LLM

LLM 响应:

我将为您查询波士顿的天气。

get_weather(location="Boston, MA", unit="fahrenheit")

MCP 处理程序: 解析响应，找到工具调用，并执行天气工具

工具执行结果:

Result from get_weather:
{
  "location": "Boston, MA",
  "temperature": 72,
  "unit": "fahrenheit",
  "conditions": "Partly Cloudy",
  "humidity": 68,
  "wind_speed": 5.8
}

处理后的响应 (发送回用户):

我将为您查询波士顿的天气。

get_weather(location="Boston, MA", unit="fahrenheit")

Result from get_weather:
{
  "location": "Boston, MA",
  "temperature": 72,
  "unit": "fahrenheit",
  "conditions": "Partly Cloudy",
  "humidity": 68,
  "wind_speed": 5.8
}

用户: 你能计算出144的平方根吗？

LLM 响应:

我可以为您计算。

calculator(expression="sqrt(144)")

MCP 处理程序: 解析响应，执行计算器工具

工具执行结果:

Result from calculator:
{
  "expression": "sqrt(144)",
  "result": 12.0
}

处理后的响应 (发送回用户):

我可以为您计算。

calculator(expression="sqrt(144)")

Result from calculator:
{
  "expression": "sqrt(144)",
  "result": 12.0
}

144的平方根是12。

这演示了MCP工具使用的完整流程，从LLM的基于文本的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。