距离上次更新"AI智能系列"已经过去一周了，我决定给这个系列做个完美收尾。当然，肯定要重点说说MCP。

我们在搭建AI智能系统时，最关键的就三大块：大脑（大模型）、工具（各种功能模块）和知识库（数据资料）。但现在新技术层出不穷，要整合这些东西变得特别麻烦。

今天要说的"模型上下文协议"（MCP）就是专门解决这个问题的。它就像一套万能插座，给大模型和各类工具、数据之间制定了标准连接方式。接下来我会简短介绍MCP，再用Python代码示范怎么搭建MCP Server。

简单来说，MCP就是给AI系统制定了统一的接线标准。Anthropic公司解释说，有了它开发者就不用自己从头设计连接方式，直接用这套现成的标准就行。

这样做最直接的好处就是：整个开发者社区可以无缝协作了！不同团队开发的工具和应用，现在都能像乐高积木一样直接拼在一起用。

以下是MCP的实际应用场景举例：

在Cursor中集成自定义工具（如Slack和Google Drive）
轻松将个人工具和上下文接入多个 AI 应用（如Claude、Cursor 或 n8n 工作流）
应用开发者可以直接利用社区提供的预构建 MCP 服务器，无需额外开发即可扩展产品功能！

MCP 工作模式

MCP 采用Client-Server架构。也就是说，MCP Client向 MCP Server发送请求，而Server会返回对工具、资源和提示的访问权限。

这一过程类似于你去咖啡店（Client）向咖啡师（Server）点一杯陨石拿铁（Response），咖啡师随后将它递给你（Response）。

MCP 是 AI 应用访问工具和上下文的协议流程，由三个关键部分组成：

Connect（连接）
- 客户端初始化连接
- 服务器响应
- 客户端发送初始化完成的确认
Exchange（交互）
- 所有请求、响应和通知均采用 JSON 格式交换
Terminate（终止）
- 连接关闭的三种方式：
  - 客户端主动关闭
  - 传输断开（如网络问题）
  - 发生错误导致终止

MCP 客户端

MCP** Client****直接集成在AI应用中**（例如Claude、Cursor、n8n工作流或使用OpenAI Agents SDK开发的自定义AI代理）[1]。

它代表AI应用与MCP Server通信，主要功能包括：

识别Server支持的功能
接收Server返回的数据
管理AI工具的执行

当你使用现成的AI应用（如Claude或Cursor）时，无需自行开发MCP Client——这些应用已内置该功能。但你可能需要自行搭建一个定制的MCP Server。

MCP 服务端

MCP ****Server是 AI 应用的独立服务模块。它们**[监听Client的请求并返回响应]** [2]，具体功能取决于Server的能力。

Server为AI应用提供**[三个核心功能类型]** [2][3]：

[提示模板]：预定义的提示词模板
[数据资源]：支持访问文件、数据库等数据源
[工具方法]：函数调用、API对接和图像处理等功能

Server可以[本地部署]或[远程运行]，主要通过**[两种通信方式]**实现交互 [2]：

[标准IO流(local)]：作为子进程运行，通过标准输入输出流通信
[HTTP/SSE(remote)]：
• Client→Server：HTTP POST请求
• Server→Client：SSE流式传输

用Python搭建MCP服务器的具体示例

现在我用Anthropic的Python SDK来演示一个实际案例。这个案例会帮助理解MCP Server的具体实现。

这个Server将实现以下功能：

为外部AI应用提供我之前开发的工具集
该工具集原是我用OpenAI Agents SDK开发的虚拟助手(AVA)的一部分
主要包含三个功能：
- 提供邮件写作的提示模板
- 提供示例邮件
- 支持在我的Gmail邮箱中起草邮件

需要完整代码的朋友们请私信联系

安装 uv 工具

开发 Python 版的 MCP 服务器时，推荐使用uv这个工具。它能简化Server的启动过程，只需一条命令就能启动Server并安装所有依赖。

安装方法如下：

# Mac/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

创建 MCP 服务器

使用 Anthropic 的 Python SDK 可以轻松创建自定义 MCP Server。下面是创建名为 "AVA" Server的代码：

from mcp.server.fastmcp import FastMCP

# 创建MCP服务
mcp = FastMCP("AVA")

MCP Server提供三种核心功能：

提示模板：预设的文本模板
资源：可用的数据和文件
工具：可调用的函数和接口

接下来我们将逐一为Server添加这些功能。

添加提示模板

提示模板是一种函数，它能接收文本输入并按预设的格式生成最终的提示内容。当你需要重复使用同一个提示模板时，这个功能特别实用。

下面是为AVA助理添加基本指令的简单范例：

@mcp.prompt()
def ava(user_name: str, user_title: str) -> str:
    """人工虚拟助手(AVA)的全局指令"""
    return f"""# AVA (人工虚拟助手)

你是AVA，是{user_name}（{user_title}）的虚拟助手。你帮助他们处理行政任务。

**偏好设置：**
- 与用户的沟通保持简洁明了
"""

添加资源文件

MCP服务器可以加载资源文件，这些是提供给AI模型的静态数据，不包含复杂计算逻辑。

以下是添加资源文件的方法（需要文件的朋友私信）：

# 定义资源
@mcp.resource("email-examples://3-way-intro")
def write_3way_intro() -> str:
    """三向介绍邮件的示例"""
    with open("email-examples/3-way-intro.md", "r") as file:
        return file.read()

@mcp.resource("email-examples://call-follow-up")
def write_call_followup() -> str:
    """通话后续邮件的示例"""
    with open("email-examples/call-follow-up.md", "r") as file:
        return file.read()

@mcp.resource("directory://all")
def get_directory() -> str:
    """获取所有联系人目录"""
    with open("directory.csv", "r") as file:
        return file.read()

添加工具

我们可以为服务器添加各种工具。工具可以执行具体操作，例如运行Python函数、调用API、处理数据等。

以下是在Gmail账户中创建邮件草稿的工具示例：

from tools.gmail import get_gmail_service
from googleapiclient.errors import HttpError
import base64
from email.message import EmailMessage
import os

# 定义工具
@mcp.tool()
def write_email_draft(recipient_email: str, subject: str, body: str) -> dict:
    """使用 Gmail API 创建邮件草稿。
    
    参数:
        recipient_email (str): 收件人的电子邮件地址。
        subject (str): 邮件的主题行。
        body (str): 邮件的主要内容/正文。
    
    返回:
        dict or None: 如果成功，返回包含草稿信息的字典，包括'id'和'message'；
                     如果发生错误，返回 None。
    
    异常:
        HttpError: 与 Gmail API 通信时发生错误时抛出。
        
    注意:
        此函数需要：
        - Gmail API 凭证正确配置
        - 设置 USER_EMAIL 环境变量为发件人的电子邮件地址
        - 具有创建草稿的适当 Gmail API 权限
    """
    try:
        # 创建 gmail api 客户端
        service = get_gmail_service()

        message = EmailMessage()

        message.set_content(body)

        message["To"] = recipient_email
        message["From"] = os.getenv("USER_EMAIL")
        message["Subject"] = subject

        # 编码消息
        encoded_message = base64.urlsafe_b64encode(message.as_bytes()).decode()

        create_message = {"message": {"raw": encoded_message}}
        # pylint: disable=E1101
        draft = (
            service.users()
            .drafts()
            .create(userId="me", body=create_message)
            .execute()
        )

        print(f'草稿 ID: {draft["id"]}\n草稿消息: {draft["message"]}')

    except HttpError as error:
        print(f"发生错误: {error}")
        draft = None

    return draft

重要提示：如需在自己的Gmail账户中使用此工具，需要通过OAuth进行授权。详细步骤请参考官网文档

本地运行服务器

要让服务器在本地运行，只需在Python脚本末尾添加以下代码：

if __name__ == "__main__":
    mcp.run(transport='stdio')

测试服务器

为了检查服务器是否正常工作，可以通过命令行启动开发模式：

uv run mcp dev mcp-server-example.py

启动后会自动打开浏览器界面，你可以：

测试服务器各项功能
查看可用的提示词模板
检查已加载的资源文件
测试工具是否正常运行

（注意：如果你是从GitHub克隆的项目，环境应该已经自动配置好了）

接入Claude桌面端

确认服务器正常运行后，可以把它接入AI应用。以下是接入Claude桌面端的步骤（当前仅支持本地运行，无法接入网页版claude.ai）：

具体操作：

安装软件：先下载安装Claude桌面版应用
打开设置：打开Claude后进入设置 > 开发者选项
修改配置：点击"编辑配置文件"进行设置

4. 把下面这段JSON配置粘贴到配置文件中

{
  "mcpServers": {
    "AVA": {
      "command": "uv",
      "args": [
        "--directory",
        "/global/path/to/mcp/server/code/",
        "run",
        "mcp-server-example.py"
      ]
    }
  }
}

注意：如果无法运行，可能需要将uv替换为它的完整路径（比如/Users/你的用户名/.local/bin/uv）。你可以通过以下命令查看uv的具体位置：

重启 Claude，集成功能应该就会生效了！

说明：uv在这里很有用，因为 Claude 会在本地运行这个服务器。由于我们的 Python 脚本依赖多个包，uv run命令会自动处理这些依赖，省去了手动安装的麻烦。

总结

MCP 提供了一种通用方法，可以将工具和上下文集成到 LLM 应用中。在这个示例中，我们创建了一个自定义的 MCP 服务器。虽然我们只把它接入了 Claude 桌面版，但实际上它可以轻松集成到 Cursor、Agents SDK 或任何其他支持 MCP 的应用中。

目录CONTENT

2025年不得不知道AI 智能体系列五：案例实战