AI模型调用MCP服务

***Agent让调用模型变得简单***

方便调用AI模型的Agent编程框架

AI入门编程推荐隔壁的程序员老王，点击进入

MCP协议官网

MCP相关视频

MCP服务相关技术收集MCP

MCP协议详细讲解

AI 模型调用 MCP 服务的过程

AI 模型调用 MCP 服务的代码示例

MCP协议详细讲解

Model Context Protocol（MCP）是由 Anthropic 推出的一种开源协议，旨在建立 AI 模型与开发环境之间的统一上下文交互标准。以下是对其的详细讲解：

背景与起源

核心概念

• MCP Hosts ：如 Claude Desktop、IDE、AI 应用等，是运行 MCP 的主应用程序，负责发起连接并管理多个客户端实例，与用户进行交互并接收用户的问题或指令，再通过 MCP Clients 向 MCP Servers 发送请求以获取所需的数据或执行相应的操作。
• MCP Clients ：由 Host 创建，与特定的 MCP Server 建立一对一的连接，负责协议通信和能力协商，充当 MCP Host 和 MCP Server 之间的“连接器”或“总机”，将 Host 的请求转发给 Server，并将 Server 的响应返回给 Host。
• MCP Servers ：轻量级程序，通过标准化的模型上下文协议暴露特定功能，如文件读取、API 调用、数据库查询等，为 MCP Host 提供实际的数据和功能支持，每个 Server 提供一个特定的工具或能力。

工作原理

• 通信机制 ：MCP 采用客户端 - 服务器架构，基于 JSON-RPC 2.0 消息格式，支持请求、响应和通知三种消息类型，确保通信的标准化和一致性。它主要支持两种通信方式，一种是标准输入输出（Stdio），适用于在同一台机器上运行的客户端和服务器之间的通信，客户端启动服务器程序作为子进程，消息通讯通过 stdin/stdout 进行；另一种是服务器发送事件（SSE），利用 HTTP 协议实现跨网络的实时数据传输，适用于需要访问远程资源的场景。
• 工作流程 ：首先，Host 初始化 Client，Client 尝试与 Server 建立连接，并询问 Server 有哪些能力，Server 回应并返回所有支持的功能，从而建立 1:1 的连接。当用户与 LLM 交互提出问题或指令时，LLM 会告诉 Client 需要调用哪些 Tools，Client 收到 Host 的请求后，将请求信息发送给对应的 Server，Server 接收到信息后开始处理，处理完成后返回结果给 Client，Client 再将信息返回给 Host，Host 根据这些信息生成最终的回复返回给用户。

主要功能与特性

• 统一接口 ：提供标准化的 API 接口，简化 AI 与各类上下文信息的交互，使得开发者无需为不同的数据源或工具编写复杂的适配代码，降低了开发难度和成本。
• 无缝集成 ：能够轻松集成到现有开发工作流程中，无需对现有的系统和工具进行大规模的改造，即可实现 AI 模型与各种数据源和工具的快速连接和集成，提高了开发效率。
• 多源数据支持 ：支持从多种来源获取上下文信息，包括代码仓库、文档、文件系统、数据库、远程 API 等，丰富了 AI 模型可以利用的数据资源，为模型的训练和推理提供了更全面、准确的上下文信息。
• 智能上下文管理 ：优化上下文信息的传递，根据 AI 模型的需求和任务场景，自动筛选、组织和更新上下文信息，提高 AI 模型理解和生成的质量，使模型能够更准确地理解和处理复杂的任务。
• 扩展性设计 ：具有灵活的架构，允许添加新的数据源和功能，开发者可以根据实际需求自由扩展 MCP 的功能，不断增加新的 MCP Servers 来提供新的工具和能力，以满足不断变化的业务需求。

应用场景

• 智能开发环境 ：将 AI 模型与开发工具集成，如代码编辑器、IDE 等，使 AI 能够实时理解代码上下文，为开发者提供智能代码补全、代码生成、代码解释等功能，提高开发效率和代码质量。
• 智能办公助手 ：连接办公软件和在线服务，如日历、邮件、文档管理系统等，帮助用户自动完成日常办公任务，如安排会议、发送邮件、生成报告等，提升办公自动化水平。
• 智能数据分析 ：将 AI 模型与数据分析工具和数据源集成，如数据库、数据仓库、BI 工具等，使 AI 能够协助分析师进行数据查询、数据分析、数据可视化等工作，为决策提供更有力的支持。
• 智能客服系统 ：集成企业内部的客户信息管理系统、订单管理系统等，使 AI 客服能够快速准确地获取客户相关的信息，为客户提供更精准、高效的咨询服务，提高客户满意度

JSON-RPC 2.0 的请求和响应示例

请求示例

{

  "jsonrpc": "2.0",

  "method": "add",

  "params": [2, 3],

  "id": 1

}

响应示例

{

  "jsonrpc": "2.0",

  "result": 5,

  "id": 1

}

错误响应示例

{

  "jsonrpc": "2.0",

  "error": {

    "code": -32601,

    "message": "Method not found"

  },

  "id": 1

}

批量请求示例

[

  {

    "jsonrpc": "2.0",

    "method": "add",

    "params": [2, 3],

    "id": 1

  },

  {

    "jsonrpc": "2.0",

    "method": "subtract",

    "params": [5, 2],

    "id": 2

  }

]

批量响应示例

[

  {

    "jsonrpc": "2.0",

    "result": 5,

    "id": 1

  },

  {

    "jsonrpc": "2.0",

    "result": 3,

    "id": 2

  }

]

这些示例展示了 JSON-RPC 2.0 请求和响应的基本格式，包括请求、响应以及错误处理等场景。

AI 模型调用 MCP 服务的过程

准备工作

• 搭建 MCP 服务器 ：开发者需先搭建 MCP 服务器，可使用 Anthropic 提供的开源框架如 FastMCP 等。定义好服务器的基本配置，如名称、版本等，并通过装饰器注册工具函数，每个工具函数对应一个具体的功能，如查询天气、发送邮件等。
• 集成 MCP 客户端 ：在 AI 模型所在的系统或应用中集成 MCP 客户端，如在 Python 项目中安装相应的客户端库等。

调用过程

1. 用户发起请求 ：用户通过与 AI 模型交互的方式，如在聊天界面输入问题或指令，表达其想要实现的需求。
2. AI 模型解析意图 ：MCP 客户端将用户请求发送给 AI 模型，AI 模型对用户输入的自然语言进行理解和解析，确定用户的需求，并选择与之匹配的 MCP 函数及相应的参数。
3. 发送调用请求 ：MCP 客户端根据 AI 模型返回的函数调用信息，向 MCP 服务器发送请求。请求中包含请求 ID、函数名称及参数等，格式通常为 JSON。
4. 执行服务并返回结果 ：MCP 服务器接收到请求后，执行对应的工具函数，在本地或通过调用其他外部服务完成具体的任务处理，然后将执行结果按照规定的格式返回给 MCP 客户端。
5. 结果整合与反馈 ：MCP 客户端将 MCP 服务器返回的结果整合到对话上下文中，再次发送给 AI 模型。AI 模型根据整合后的上下文生成自然语言的回复，由 MCP 客户端将最终结果呈现给用户。

通信机制

• STDIO 方式 ：适用于本地服务。MCP 客户端启动 MCP 服务器程序作为子进程，通过 stdin 和 stdout 进行消息传递，消息格式遵循 JSON-RPC 2.0。
• SSE 方式 ：用于远程服务。MCP 客户端通过 Server-Sent Events 与 MCP 服务器进行通信，服务器定义特定接口用于推送和接收数据，消息格式同样基于 JSON-RPC 2.0。

动态上下文管理

安全与认证机制

• API 密钥验证 ：MCP 服务通常会要求进行 API 密钥验证，只有拥有正确 API 密钥的客户端才能访问服务。
• HTTPS 加密 ：采用 HTTPS 协议对数据传输进行加密，确保数据在网络传输过程中的安全性。
• 请求限制 ：设置请求频率限制和配额限制等，防止服务被滥用，保护服务的稳定性和可靠性

AI 模型调用 MCP 服务的代码示例

基于 Python 的简单 MCP 服务端：

Python

from mcp import MCP, tool

mcp = MCP()

@mcp.register_tool

class WeatherTool:

    @tool(name="get_weather", description="获取指定城市的天气信息")

    def get_weather(self, city: str):

        # 这里可以添加获取天气信息的逻辑，比如调用天气 API 等

        return f"The weather in {city} is sunny."

    @tool(name="get_weather_forecast", description="获取指定城市未来几天的天气预报")

    def get_weather_forecast(self, city: str, days: int):

        # 添加获取天气预报的逻辑

        return f"The weather forecast for {city} in the next {days} days."

if __name__ == "__main__":

    mcp.start()

基于 Java 的 MCP 服务端：

java

import org.springframework.context.annotation.Bean;

import org.springframework.context.annotation.Configuration;

import org.springframework.core.io.ClassPathResource;

import org.springframework.core.io.Resource;

import org.springframework.util.StringUtils;

import org.springframework.web.reactive.function.server.RouterFunctions;

import org.springframework.web.reactive.function.server.ServerResponse;

import reactor.core.publisher.Mono;

import java.util.Collections;

import java.util.Map;

@Configuration

public class MCPConfig {

    @Bean

    public RouterFunctions.Route mcpRoute() {

        return RouterFunctions.route()

                .POST("/mcp/weather", this::getWeather)

                .build();

    }

    private Mono<ServerResponse> getWeather(ServerRequest request) {

        Map<String, String> queryParams = request.queryParams();

        String city = queryParams.get("city");

        if (StringUtils.hasText(city)) {

            String weatherInfo = "The weather in " + city + " is sunny.";

            return ServerResponse.ok().bodyValue(Collections.singletonMap("weather", weatherInfo));

        } else {

            return ServerResponse.badRequest().bodyValue(Collections.singletonMap("error", "City parameter is required"));

        }

    }

}

AI 模型调用 MCP 服务的代码示例

基于 Python 的 OpenAI 模型调用 MCP 服务：

Python

import openai

import requests

from mcp import MCPClient

# 初始化 MCP 客户端

mcp_client = MCPClient()

mcp_client.connect("http://localhost:8080/mcp")  # 替换为 MCP 服务的实际地址

# 调用 MCP 服务中的工具

def call_mcp_tool(tool_name, **kwargs):

    return mcp_client.call_tool(tool_name, **kwargs)

# 使用 OpenAI 模型

openai.api_key = "your_openai_api_key"  # 替换为你的 OpenAI API 密钥

def get_ai_response(user_query):

    # 构建消息列表

    messages = [

        {"role": "system", "content": "You are a helpful assistant."},

        {"role": "user", "content": user_query}

    ]

    # 调用 OpenAI API

    response = openai.ChatCompletion.create(

        model="gpt-4-turbo-preview",

        messages=messages,

        tools=mcp_client.list_tools(),  # 提供可用的 MCP 工具

        tool_choice="auto"

    )

    # 处理模型返回的结果

    ai_response = ""

    for choice in response.choices:

        message = choice.message

        if message.content:

            ai_response += message.content + "\n"

        if message.tool_calls:

            for tool_call in message.tool_calls:

                tool_name = tool_call.function.name

                tool_args = tool_call.function.arguments

                # 调用 MCP 工具

                tool_result = call_mcp_tool(tool_name, **tool_args)

                ai_response += f"Calling tool {tool_name} with args {tool_args}\n"

                ai_response += tool_result + "\n"

                # 将工具结果添加到消息中，继续与模型对话

                messages.append({"role": "assistant", "content": "", "tool_calls": [tool_call]})

                messages.append({"role": "tool", "tool_call_id": tool_call.id, "content": tool_result})

                # 获取下一个模型响应

                next_response = openai.ChatCompletion.create(

                    model="gpt-4-turbo-preview",

                    messages=messages,

                    tools=mcp_client.list_tools(),

                    tool_choice="auto"

                )

                if next_response.choices[0].message.content:

                    ai_response += next_response.choices[0].message.content + "\n"

    return ai_response

# 示例 usage

user_input = "What's the weather like in Beijing?"

print(get_ai_response(user_input))

基于 Java 的 Spring AI 模型调用 MCP 服务：

java

import org.springframework.ai.chat.client.ChatClient;

import org.springframework.ai.chat.client.ChatClientBuilder;

import org.springframework.ai.mcp.client.McpClient;

import org.springframework.ai.mcp.client.McpClientBuilder;

import org.springframework.ai.mcp.client.McpFunctionCallback;

import org.springframework.ai.tool.ToolCallbackProvider;

import org.springframework.context.annotation.Bean;

import org.springframework.context.annotation.Configuration;

import java.util.List;

@Configuration

public class AIConfig {

    @Bean

    public McpClient mcpClient() {

        // 配置 MCP 服务器参数

        var stdioParams = ServerParameters.builder("java")

                .args("-Dspring.ai.mcp.server.stdio=true",

                        "-Dspring.main.web-application-type=none",

                        "-Dlogging.pattern.console=",

                        "-jar",

                        "target/mcp-server-0.0.1-SNAPSHOT.jar")

                .build();

        // 创建 MCP 客户端

        return McpClient.sync(new StdioClientTransport(stdioParams));

    }

    @Bean

    public ToolCallbackProvider mcpTools(McpClient mcpClient) {

        // 获取 MCP 服务器中的工具列表并转换为 Function Callback

        return mcpClient.listTools(null)

                .tools()

                .stream()

                .map(tool -> new McpFunctionCallback(mcpClient, tool))

                .toList();

    }

    @Bean

    public ChatClient chatClient(ChatClientBuilder chatClientBuilder, ToolCallbackProvider mcpTools) {

        // 初始化聊天客户端并设置默认工具

        return chatClientBuilder.defaultFunctions(mcpTools).build();

    }

}

// 使用示例

public class AIService {

    private final ChatClient chatClient;

    public AIService(ChatClient chatClient) {

        this.chatClient = chatClient;

    }

    public String generateResponse(String userQuery) {

        return chatClient

                .prompt(userQuery)

                .call()

                .content();

    }

}

使用 ASP.NET Core 来创建一个 Web API 服务，并模拟天气查询功能。

C# MCP 服务端代码示例

csharp

using Microsoft.AspNetCore.Builder;

using Microsoft.AspNetCore.Hosting;

using Microsoft.AspNetCore.Mvc;

using Microsoft.Extensions.DependencyInjection;

using Microsoft.Extensions.Hosting;

namespace MCPService

{

    public class Startup

    {

        public void ConfigureServices(IServiceCollection services)

        {

            services.AddControllers();

        }

        public void Configure(IApplicationBuilder app, IWebHostEnvironment env)

        {

            if (env.IsDevelopment())

            {

                app.UseDeveloperExceptionPage();

            }

            app.UseRouting();

            app.UseEndpoints(endpoints =>

            {

                endpoints.MapControllers();

            });

        }

    }

    [ApiController]

    [Route("mcp")]

    public class WeatherController : ControllerBase

    {

        [HttpGet("weather")]

        public IActionResult GetWeather([FromQuery] string city)

        {

            if (string.IsNullOrEmpty(city))

            {

                return BadRequest("City parameter is required");

            }

            // 模拟天气查询逻辑

            var weatherInfo = $"The weather in {city} is sunny.";

            return Ok(new { weather = weatherInfo });

        }

        [HttpGet("weather-forecast")]

        public IActionResult GetWeatherForecast([FromQuery] string city, [FromQuery] int days)

        {

            if (string.IsNullOrEmpty(city))

            {

                return BadRequest("City parameter is required");

            }

            // 模拟天气预报逻辑

            var weatherForecast = $"The weather forecast for {city} in the next {days} days.";

            return Ok(new { forecast = weatherForecast });

        }

    }

    public class Program

    {

        public static void Main(string[] args)

        {

            var host = CreateHostBuilder(args).Build();

            host.Run();

        }

        public static IHostBuilder CreateHostBuilder(string[] args) =>

            Host.CreateDefaultBuilder(args)

                .ConfigureWebHostDefaults(webBuilder =>

                {

                    webBuilder.UseStartup<Startup>();

                });

    }

}

说明

项目结构:

Startup 类配置了服务和中间件。

WeatherController 是一个 ASP.NET Core 控制器，提供了两个端点 /mcp/weather 和 /mcp/weather-forecast。

功能:

/mcp/weather 接受一个 city 参数，返回该城市的天气信息。

/mcp/weather-forecast 接受 city 和 days 参数，返回该城市未来几天的天气预报。

运行服务:

创建一个 ASP.NET Core 项目并复制上述代码。

使用 dotnet run 命令启动服务，服务默认运行在 https://localhost:5001 和 http://localhost:5000。

测试服务:

使用工具如 Postman 或 curl 测试 API:

获取天气信息：GET http://localhost:5000/mcp/weather?city=Beijing

获取天气预报：GET http://localhost:5000/mcp/weather-forecast?city=Beijing&days=3

C# 用OpenAI模型调用

public class WeatherRequestFunction : IRequestFunction

{

    public string Name => "weather";

    public async Task<IDictionary<string, object>> InvokeAsync(IDictionary<string, object> parameters)

    {

        using var httpClient = new HttpClient();

        var city = parameters["city"].ToString();

        var response = await httpClient.GetAsync($"http://localhost:5000/mcp/weather?city={city}");

        response.EnsureSuccessStatusCode();

        var content = await response.Content.ReadAsStringAsync();

        return new Dictionary<string, object> { { "result", content } };

    }

    public string Serialize(IRequestFunction function)

    {

        return $"Calling tool {function.Name} with parameters {function}";

    }

    public Task SerializeAsync(IRequestFunction function)

    {

        // 实现序列化逻辑

        return Task.CompletedTask;

    }

}

代码说明

OpenAI 客户端：创建 OpenAI 客户端实例，并配置 API 密钥和日志记录器。

MCP 工具：定义一个 WeatherRequestFunction 类实现 IRequestFunction 接口，用于调用 MCP 服务中的天气查询工具。

ChatClient：创建 ChatClient 实例，传入 OpenAI 客户端和日志记录器。

聊天历史：初始化聊天历史记录。

交互式聊天：在循环中读取用户输入，将其添加到聊天历史中，并调用 OpenAI API 获取响应。打印助手的响应并将其添加到聊天历史中。

其他信息

确保你的 MCP 服务正在运行，并且可以通过 http://localhost:5000/mcp/weather 访问。

替换成您的实际 OpenAI API 密钥。

如果您没有 MCP 服务，可以参考前面的示例代码实现一个简单的 MCP 服务。