前言

前篇已经介绍了MCP+n8n构建工作流，在里面可以体现出MCP服务的重要性，以及能看到MCP的可能性，在我们真正的实战过程中可能会有各种各样的需求，开放的MCP服务有极大可能实现不了我们的需求，这个时候如果你懂如何开发一个自己的MCP服务，如虎添翼，助力业务。 完事开头难，我详细大部分人所有的行动都止于开头，不知道如何开发？不知道从哪里入手？不知道怎么使用？ 看文章百遍，不如自己专心走一遍🚀🚀🚀

---

什么是MCP服务端

MCP Server(MCP服务端)，在前面文章介绍MCP的时候说过，MCP其实是一个CS（Client Server）架构，本文提到的MCP Server就是这个CS架构中的S。 MCP协议在交互过程中如下图所示

在途中可以看出MCP Server扮演着很重要的角色，核心逻辑都在这个Server中。

那Server能干什么呢？ 显而易见，能实现很多很多功能比如：从远程的服务获取数据、从本地的文件系统获取数据甚至可以操作我们的网盘、硬件等； 这些所有的操作都由LLM（大模型）驱动，由大模型来决定我们到底要使用MCP Server的哪个动作、哪个功能。

---

如何开发？

现在MCP协议其实比较成熟了，对于开发一个新的MCP Server官方已经提供了各种语言的SDK供我们使用，我们不需要从0开始写MCP协议，直接用轮子，我们不需要关心它的传输、交互协议，直接实现SDK提供的API即可。

 在发过程中，对于MCP Server有几个比较重要的概念，它能提供的标准能力：Resources、Tools、Prompts，知道这些标准能力你就知道SDK里面的API到底是什么意思

• Resources：资源，类似于文件数据读取，可以是文件资源或是API响应返回的内容。
• Tools：工具，第三方服务、功能函数，通过此可控制LLM可调用哪些函数。
• Prompts 提示词（们）：是指一类用户可控的、可重用的提示模板或工作流，用于标准化和简化与大型语言模型（LLM）的交互。简单来说，Prompts 是预定义的指令或消息结构，允许用户通过提供特定参数来触发与 AI 的某种一致性交互，而无需每次都手动编写完整的提示内容

铺垫了这么多该进入正题了ʕ•͡-•ʔ

---

Let's do it

在官方提供的众多SDK中，笔者学识浅薄选择了最擅长的Python SDK 作为demo的开发。如果对Python不了解的、或者想学习Python的可以私信我，我来给你规划下Python学习计划，一起成长 (●’◡’●)ﾉ MCP Server的Python SDK地址：https://github.com/modelcontextprotocol/python-sdk?tab=readme-ov-file

我们按照文档依葫芦画瓢开始一步一步操作 在实践之前希望你准备下Python环境，其中包括

• Python 3.10 +
• uv - Python的包管理工具（传送门：https://github.com/astral-sh/uv）

敌方还有5秒到达战场

创建项目

1. uv init mcp-server-demo
2. cd mcp-server-demo

添加依赖

1. uv add "mcp[cli]"

写代码

你打开项目会看到如下目录 xxx 其中main.py就是我们的开发目标文件，将它编辑成如下：

1. from mcp.server.fastmcp import FastMCP
3. mcp = FastMCP("mcp-server-demo", "MCP Server Example")
6. @mcp.tool()
7. def add(a: int, b: int) -> int:
8.     """
9.     Adds two numbers.
10.     """
11.     return a + b
14. @mcp.resource("greeting://{name}")
15. def get_greeting(name: str) -> str:
16.     """
17.     Returns a greeting message.
18.     """
19.     return f"Hello, {name}!"
22. if __name__ == "__main__":
23.     mcp.run(transport='stdio')

逐行解释代码

1. from mcp.server.fastmcp import FastMCP

从 mcp.server.fastmcp 模块中导入 FastMCP 类。这是 MCP（Model Context Protocol）服务器实现的一部分，FastMCP 是一个用于快速构建 MCP 服务器的类。

1. mcp = FastMCP("mcp-server-demo", "MCP Server Example")

创建一个 FastMCP 类的实例 mcp。

• "mcp-server-demo": 第一个参数是服务器的标识符或名称，用于区分不同的 MCP 服务器。
• "MCP Server Example": 第二个参数是服务器的描述，可能用于日志、文档或客户端显示。
• 这行初始化了一个 MCP 服务器对象，后续的功能将基于这个对象注册和运行。

1. @mcp.tool()
2. def add(a: int, b: int) -> int:

使用装饰器 @mcp.tool() 定义一个工具函数 add。

• @mcp.tool(): 表示将 add 函数注册为 MCP 服务器的一个“工具”（Tool）。工具是模型可以调用的功能，由服务器暴露给客户端或语言模型。
• def add(a: int, b: int): 定义函数 add，接受两个整数参数 a 和 b。
• a: int 和 b: int: 类型注解，表明参数应该是整数。 -> int: 返回值类型注解，表示函数返回一个整数。

1.     """
2.     Adds two numbers.
3.     """

这是一个文档字符串（docstring），用三引号括起来。 描述了 add 函数的作用：“将两个数字相加”。 在 MCP 上下文中，这个描述可能会被客户端或模型用来理解工具的功能。

1. @mcp.resource("greeting://{name}")
2. def get_greeting(name: str) -> str:
3.     """
4.     Returns a greeting message.
5.     """
6.     return f"Hello, {name}!"

• 使用装饰器 @mcp.resource() 定义一个资源函数 get_greeting。
• @mcp.resource("greeting://{name}"): 将 get_greeting 注册为 MCP 服务器的一个“资源”（Resource）。
• "greeting://{name}": 资源标识符，类似于 URL 模式，{name} 是一个占位符，表示需要传入一个参数 name。
• 资源通常提供数据，而不是执行动作，与工具不同。
• def getgreeting(name: str): 定义函数 getgreeting，接受一个字符串参数 name。
• name: str: 类型注解，表明 name 是一个字符串。
• -> str: 返回值类型注解，表示函数返回一个字符串。

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

启动 MCP 服务器。

• mcp.run(): 调用 FastMCP 实例的 run 方法，开始运行服务器。
• transport='stdio': 指定通信方式为标准输入输出（stdio）。
• 这意味着服务器通过命令行（终端）的输入和输出与客户端通信，而不是通过网络（如 HTTP 或 WebSocket）。 运行后，服务器会监听请求，处理注册的工具（如 add）和资源（如 get_greeting）。

MCP客户端配置

通过上面代码编写你的第一个MCP服务器已经完成，它的主要功能是计算a+b，功能很简单，笔者只是想通过这个简单的例子讲明白到底要怎么开发？如果你有其他复杂需求，可以私信笔者进行交流。 笔者这里用的客户端是Claude,当然你也可以用Cline ChatMCP等工具进行使用。 打开Caulde开发者配置

将配置改为如下

1. {
2.   "mcpServers": {
3.     "mcp-server-demo": {
4.       "command": "你的项目地址/mcp-server-demo/.venv/bin/python",
5.       "args": [
6.         "你的项目地址/mcp-server-demo/main.py"
7.       ]
8.     }
9.   }
10. }

重启Claude即可生效，效果如下

测试：

从Claude的调用来看已经能成功调用到我们定义的add工具，您在实践的时候也可以尝试改成其他内容，看Claude如何反应？欢迎评论区交流

其它的内容

其实在调用之前你也可以先在本地调试你的MCP服务，可以用如下命令启动开发模式

1. mcp dev main.py

效果如下：

除了上面开发的在本地部署，你也可以将这个MCP服务部署到远端，供更多人使用。如果感兴趣请留言，我在后续的文章中更新。

---

总结

MCP（Model Context Protocol）是一种灵活的协议，用于构建与大型语言模型交互的服务。通过 FastMCP，开发者可以快速搭建服务器，定义工具（如 add 函数实现加法）和资源（如 get_greeting 返回问候语）。本文通过代码示例展示了如何使用 Python 实现一个简单的 MCP 服务：从导入 FastMCP、初始化服务器，到注册工具和资源，最后通过 stdio 运行服务。工具适合执行操作，资源则提供数据，两者结合为模型和客户端提供了强大的功能扩展能力。MCP 的设计强调模块化和可控性，开发者只需几行代码即可实现复杂交互，适用于 AI 驱动的命令行工具、自动化脚本等场景。无论是初学者还是资深开发者，MCP 都提供了一个高效的起点，让 AI 集成变得更简单。

 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。

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)

三、LLM大模型系列视频教程

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

五、AI产品经理大模型教程

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

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 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🆓↓↓↓

​