譯者 | 李睿
審校 | 重樓
本文介紹如何構建模型上下文協(xié)議（MCP）服務器以擴展人工智能功能。創(chuàng)建可以無縫集成人工智能模型的工具，并通過arXiv論文搜索實現進行演示。
模型上下文協(xié)議（MCP）在人工智能開發(fā)領域變得越來越重要，它可以實現人工智能模型和外部工具之間的無縫集成。本指南將探討如何創(chuàng)建MCP服務器，通過自定義工具實現增強人工智能功能。
什么是模型上下文協(xié)議？
模型上下文協(xié)議允許人工智能模型以標準化的方式與外部工具和服務進行交互。它使像Claude這樣的人工智能助手能夠執(zhí)行自定義功能、處理數據并與外部服務交互，同時保持一致的界面。
MCP服務器開發(fā)入門
在開始創(chuàng)建MCP服務器時，需要對Python和異步編程有基本的了解。以下介紹設置和實現自定義MCP服務器的過程。
設置項目
創(chuàng)建MCP服務器最簡單的方法是使用官方的MCP服務器創(chuàng)建工具。其中有兩個選擇：
# Using uvx (recommended)
uvx create-mcp-server
# Or using pip
pip install create-mcp-server
create-mcp-server這將創(chuàng)建一個基本的項目結構：
my-server/
├── README.md
├── pyproject.toml
└── src/
└── my_server/
├── __init__.py
├── __main__.py
└── server.py實施首個MCP服務器
首先創(chuàng)建一個實例：創(chuàng)建一個arXiv論文搜索工具，人工智能模型可以使用它來獲取學術論文。以下是實現方法：
import asyncio
from mcp.server.models import InitializationOptions
import mcp.types as types
from mcp.server import NotificationOptions, Server
import mcp.server.stdio
import arxiv
server = Server("mcp-scholarly")
client = arxiv.Client()
@server.list_tools()
async def handle_list_tools() -> list[types.Tool]:
"""
List available tools.
Each tool specifies its arguments using JSON Schema validation.
"""
return [
types.Tool(
name="search-arxiv",
description="Search arxiv for articles related to the given keyword.",
inputSchema={
"type": "object",
"properties": {
"keyword": {"type": "string"},
},
"required": ["keyword"],
},
)
]
@server.call_tool()
async def handle_call_tool(
name: str, arguments: dict | None
) -> list[types.TextContent | types.ImageContent | types.EmbeddedResource]:
"""
Handle tool execution requests.
Tools can modify server state and notify clients of changes.
"""
if name != "search-arxiv":
raise ValueError(f"Unknown tool: {name}")
if not arguments:
raise ValueError("Missing arguments")
keyword = arguments.get("keyword")
if not keyword:
raise ValueError("Missing keyword")
# Search arXiv papers
search = arxiv.Search(
query=keyword,
max_results=10,
sort_by=arxiv.SortCriterion.SubmittedDate
)
results = client.results(search)
# Format results
formatted_results = []
for result in results:
article_data = "\n".join([
f"Title: {result.title}",
f"Summary: {result.summary}",
f"Links: {'||'.join([link.href for link in result.links])}",
f"PDF URL: {result.pdf_url}",
])
formatted_results.append(article_data)
return [
types.TextContent(
type="text",
text=f"Search articles for {keyword}:\n"
+ "\n\n\n".join(formatted_results)
),
]關鍵組件說明
- 服務器初始化。服務器使用標識MCP服務的唯一名稱進行初始化。
- 工具登記。@server.list_tools（）裝飾器使用JSON Schema注冊可用的工具及其規(guī)范。
- 工具實施。使用@server.call_tool()裝飾器處理人工智能模型調用工具時的實際執(zhí)行。
- 響應格式。工具返回結構化的響應，這些響應可以包括文本、圖像或其他嵌入資源。
MCP服務器開發(fā)的最佳實踐
- 輸入驗證。始終使用JSON模式徹底驗證輸入參數。
- 錯誤處理。實現全面的錯誤處理以提供有意義的反饋。
- 資源管理。正確管理外部資源和連接。
- 文檔。提供對工具及其參數的清晰描述。
- 類型安全。使用Python的類型提示來確保整個代碼的類型安全。
測試MCP服務器
測試MCP服務器有兩種主要方法：
1.使用MCP檢查器
對于開發(fā)和調試，MCP Inspector提供了一個測試服務器的友好界面：
npx @modelcontextprotocol/inspector uv --directory /your/project/path run your-server-name檢查器將顯示一個URL，可以在瀏覽器中訪問該URL以開始調試。
2.與Claude Desktop集成
使用Claude Desktop測試MCP服務器：
（1）找到Claude Desktop配置文件：
MacOS：~/Library/Application Support/Claude/claude_desktop_config.json
Windows：%APPDATA%/Claude/claude_desktop_config.json
（2）添加MCP服務器配置：
{
"mcpServers": {
"mcp-scholarly": {
"command": "uv",
"args": [
"--directory",
"/path/to/your/mcp-scholarly",
"run",
"mcp-scholarly"
]
}
}
}對于已發(fā)布的服務器，可以使用更簡單的配置：
{
"mcpServers": {
"mcp-scholarly": {
"command": "uvx",
"args": [
"mcp-scholarly"
]
}
}
}（3）啟動Claude Desktop——現在應該可以在工具列表中看到工具（例如“search-arxiv”）：
測試清單：
- 驗證工具注冊和發(fā)現
- 測試輸入驗證
- 檢查錯誤處理
- 驗證響應格式
- 確保適當的資源清理
與人工智能模型的集成
一旦MCP服務器準備就緒，它就可以與支持模型上下文協(xié)議的人工智能模型集成。該集成使人工智能模型能夠：
- 通過list_tools端點發(fā)現可用工具
- 調用具有適當參數的特定工具
- 處理響應并將其融入其交互中
例如，當與Claude Desktop集成時，MCP工具會出現在“可用的MCP工具”列表中，從而在對話過程中可以直接訪問這些工具。然后，人工智能可以利用這些工具來增強其能力——在arXiv示例中，Claude可以在討論中實時搜索和引用學術論文。
常見挑戰(zhàn)與解決方案
- 異步操作。確保正確處理異步操作以防止阻塞。
- 資源限制。實現適當的超時和資源限制。
- 錯誤恢復。設計健壯的錯誤恢復機制。
- 狀態(tài)管理。在并發(fā)操作中謹慎處理服務器狀態(tài)。
結論
構建MCP服務器為擴展人工智能功能提供了新的可能性。通過遵循本指南和最佳實踐，可以創(chuàng)建與人工智能模型無縫集成的健壯工具。arXiv搜索實現的示例展示了如何創(chuàng)建實用且有用的工具來增強人工智能功能。
無論是構建研究工具、數據處理服務還是其他人工智能增強功能，模型上下文協(xié)議都提供了一種標準化的方式來擴展人工智能模型功能。用戶可以構建自己的MCP服務器，并為不斷增長的人工智能工具和服務生態(tài)系統(tǒng)做出貢獻。
本文作者的官方MCP Scholarly服務器已被MCP存儲庫接受為社區(qū)服務器。可以在此處的社區(qū)部分找到它。
資源
- Model Context Protocol Documentation
- MCP Official Repository
- MCP Python SDK
- MCP Python Server Creator
- MCP Server Examples
- arXiv API Documentation
- Example arXiv Search MCP Server
為了更深入地了解MCP及其功能，可以瀏覽官方MCP文檔，該文檔提供了有關協(xié)議規(guī)范和實現細節(jié)的全面信息。
原文標題：Building Custom Tools With Model Context Protocol，作者：Aditya Karnam Gururaj Rao，Arjun Jaggi
