MCP实战篇-部署一个远程MCP服务（附教程）

大家大家好，今天来给大家带来如何将一个MCP服务发布到远程服务器，供更多人使用。或者在公司内部提供一个MCP服务进行操作数据库、操作API等，借助LLM的强大能力增效。当然具体怎么做，还是要看你如何实现这个MCP服务器。如何实现？

AI小白龙*

1520人浏览 · 2025-04-10 14:25:05

AI小白龙* · 2025-04-10 14:25:05 发布

前言

大家大家好，今天来给大家带来如何将一个MCP服务发布到远程服务器，供更多人使用。或者在公司内部提供一个MCP服务进行操作数据库、操作API等，借助LLM的强大能力增效。当然具体怎么做，还是要看你如何实现这个MCP服务器。

如何实现？本文还是用到上期实现MCP服务的SDK。在开始之前需要了解一下MCP交互协议（SSE）；以及另外一个赛博活菩萨Vercel，它提供我们MCP的运行环境（主要是免费），而且和Github集成非常好，只要我们把代码提交到Github，就自动部署，整个CD做的很方便。

什么是SSE Transport？

MCP（Model Context Protocol）是一个开放协议，旨在标准化应用程序与大型语言模型（LLM）之间的上下文交互。它定义了客户端与服务器如何通过传输层交换消息。MCP 支持两种标准传输机制：

stdio：通过标准输入输出流进行本地通信。
SSE（Server-Sent Events）：通过 HTTP 协议实现服务器到客户端的实时单向数据推送，结合 HTTP POST 用于客户端到服务器的消息发送。

SSE Transport 是 MCP 中基于 HTTP 的传输方式，利用 SSE 技术实现服务器到客户端的流式消息推送，同时通过 HTTP POST 请求处理客户端到服务器的双向通信。这种机制特别适合需要实时更新或远程通信的场景。

SSE Transport 的工作原理

SSE（Server-Sent Events）是一种基于 HTTP 协议的服务器推送技术，允许服务器向客户端发送实时更新。MCP 的 SSE Transport 结合了 SSE 和 HTTP POST，形成了以下工作流程：

交互流程

1.建立连接：

客户端通过 HTTP GET 请求访问服务器的 SSE 端点（例如 /sse）。
服务器响应一个 text/event-stream 类型的内容，保持连接打开。
服务器发送一个初始的 endpoint 事件，包含一个唯一的 URI（例如 /messages?session_id=xxx），客户端后续通过这个 URI 发送消息。

2.服务器到客户端的消息推送：

服务器通过 SSE 连接将 JSON-RPC 格式的消息以事件流的形式发送给客户端。
客户端通过 EventSource 或类似机制监听这些事件。

3.客户端到服务器的消息发送：

客户端通过 HTTP POST 请求将消息发送到服务器提供的 URI（例如 /messages）。
服务器接收并处理这些请求，返回响应或通过 SSE 推送结果。

4.连接管理：

SSE 连接是单向的（服务器到客户端），通常通过定期发送心跳消息（keep-alive）保持活跃。
如果连接断开，客户端可以重新发起 SSE 请求重建连接。

数据格式

SSE 消息遵循 event:\ndata:\n\n 的格式。 MCP 使用 JSON-RPC 2.0 协议封装消息，确保请求和响应的结构化处理

示例

客户端 POST 请求：

POST /messages HTTP/1.1
Content-Type: application/json
{"jsonrpc": "2.0", "method": "example", "params": {"text": "Hi"}, "id": 1}

**服务器推送：

event: message
data: {"jsonrpc": "2.0", "id": 1, "result": {"text": "Hello"}}

Vercel创建项目

Vercel地址：https://vercel.com/，用Github账号登录即可

创建项目

选择框架

笔者还是选择Python框架

直接部署

这时候会关联你的Github账号对应的仓库，做一下授权即可，笔者之前已经关联过，所以直接展示：

点击Upgrade and Deploy后就可以去Github Clone项目进行下一步操作：代码改造！！🚀🚀🚀

注：因为笔者之前有几个项目了，所以现在只有14天的试用期。

代码改造

因为笔者在前面的文章中已经有代码解释了这里直接贴, 或者去这里查看： https://github.com/PulsarPioneers/mcp-server-example

from mcp.server.fastmcp import FastMCP
from starlette.applications import Starlette
from starlette.routing import Mount, Host
mcp = FastMCP("mcp-server-demo", "MCP Server Example")
@mcp.tool()
def add(a: int, b: int) -> int:
"""
Adds two numbers.
"""
return a + b
@mcp.resource("greeting://{name}")
def get_greeting(name: str) -> str:
"""
Returns a greeting message.
"""
return f"Hello, {name}!"
app = Starlette(
routes=[
Mount('/', app=mcp.sse_app()),
]
)
app.router.routes.append(Host('mcp.acme.corp', app=mcp.sse_app()))

提交代码，去vercel平台等待部署完成，即可测试。

测试

本次使用curl直接测试

笔者vercel平台提供的地址是：mcp-server-example.vercel.app

curl http://localhost:8000/sse

到这里，MCP服务成功。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望