搭建项目名称：Python课程项目导师

Task2下面尝试进行了自建MCP服务器

https://www.datawhale.cn/activity/227/39/171?rankingPage=1

首先，我按照Datawhale_Tutorial安装了MCP Python SDK

pip install mcp[cli]

下面我在本地首次尝试使用 fastmcp 库来创建一个本地运行的 Model Context Protocol (MCP) 服务。

具体来说，它定义了一个简单的服务，该服务提供一个名为 chat 的工具（tool），供其他遵循 MCP 协议的大语言模型（AI Agent）调用。

下面进行详细分析：

1. from mcp.server.fastmcp import FastMCP: 这一行导入了 FastMCP 类。

FastMCP 是 mcp 库提供的一个用于快速构建 MCP 服务器的类，它简化了将 Python 函数注册为可供 AI 调用的工具的过程。(1)

1. mcp = FastMCP("Demo"): 这一行创建了一个 FastMCP 服务的实例。

2. "Demo" 是服务的名称。这个实例 (mcp) 将用于注册和管理服务的工具。(1)

3. @mcp.tool(description="这是一个超级聪明的AI，能回答我的一切问题"): 这是一个装饰器（decorator），它用于将紧随其后的函数注册为 MCP 服务的一个工具。

   1. @mcp.tool 告诉 FastMCP 实例 (mcp) 将 chat 函数作为其一个可用的外部工具暴露出去。

   2. description="这是一个超级聪明的AI，能回答我的一切问题" 为这个工具提供了描述信息。这个描述对于调用该工具的 AI 模型至关重要，它帮助 AI 理解这个工具的功能是什么，以便在需要时正确地选择和使用它。一个好的描述能够显著提高 AI 使用外部工具的效率和准确性。

4. def chat(message: str) -> str:: 这定义了一个名为 chat 的 Python 函数。这个函数就是通过 @mcp.tool 装饰器暴露出去的工具的实际实现。

   1. message: str: 定义了函数接收一个名为 message 的参数，并使用类型提示 (: str) 指明其类型应该是一个字符串。这同样是为了帮助 AI 模型理解调用这个工具时需要提供什么类型的输入。

   2. -> str: 使用类型提示指明函数返回值的类型是一个字符串。这告诉 AI 模型调用这个工具后会得到什么类型的输出。

   3. 函数的 docstring ("""输入一个问题，返回一个回答""") 也提供了关于函数功能和输入输出的额外说明，这同样有助于 AI 的理解。

   4. 函数体: replies = [...] 定义了一些预设的回复。return random.choice(replies) 使得这个 chat 工具实际上只是从预设的回复中随机选择一个返回，而并没有真正实现一个智能的聊天功能。这只是一个简单的示例实现。——所以后续我们需要单独进行改进！

5. if name == "__main__":: 这是 Python 中常见的用法，确保只有当脚本作为主程序直接运行时，里面的代码块才会被执行，而不是在被导入为模块时执行。

6. mcp.run(transport='sse'): 这一行启动了 FastMCP 服务。

   1. mcp.run() 是启动服务器的方法。(1)

   2. transport='sse' 指定了服务使用的传输协议为 Server-Sent Events (SSE)。SSE 是一种允许服务器单向向客户端推送更新的技术，常用于流式数据。在这个上下文中，它可能被用于通过 HTTP 在一个特定的端点（例如 host:port/sse）上暴露 MCP 服务。

   3. 被注释掉的 mcp.run(transport="streamable-http") 提供了另一种传输协议选项，但注释说明它可能“过于先进”或兼容性有限。

   4. 被注释掉的 mcp.run() 是不指定传输协议的默认启动方式，可能适用于特定的本地测试环境。

总的来说，我们这个服务定义了一个名为 "chat" 的外部工具，该工具接受一个字符串作为输入（代表一个消息），并返回一个字符串作为输出（一个随机的预设回复）。通过运行 mcp.run()，这个服务在本地的一个特定地址和端口上启动，并使用 SSE 协议监听来自 AI 模型（或其他 MCP 客户端）的调用请求。当一个 AI 模型决定使用这个 "chat" 工具时，它会通过 MCP 协议向这个本地服务发送一个包含消息的请求，服务会执行 chat 函数并返回结果给 AI。

这是一个 MCP 服务端最简单的实现示例，用于演示如何将 Python 函数注册为 AI 可调用的工具。

下面我们尝试我们自己在这个基础上进行创作：

1. 添加新的工具（函数）： 这是最主要的优化方式。为我的 Agent 需要的每个特定能力（如访问文档、搜索代码、管理数据等）定义一个独立的 Python 函数，并使用 @mcp.tool 装饰器将其暴露为 MCP 工具。

2. 改进现有工具的实现： 如果需要，可以替换 chat 函数内部的简单随机回复逻辑，接入一个真正的聊天模型或更复杂的文本生成逻辑。

下面是我开始围绕我的项目：Python项目指导老师。搭建了下面的 MCP 工具：

代码优化和新增功能说明：

1. 服务名称优化： 将 FastMCP("Demo") 改为 FastMCP("TeachingAssistant")，使服务名称更能体现其功能。

2. chat 工具优化：

   1. 修改了 description，使其更具体。

   2. 在函数内部添加了 print 语句用于调试，可以看到 Agent 调用工具时传入的参数。

   3. 添加了一个简单的逻辑，如果消息包含“项目”关键词，返回一个更相关的回复，使其比纯随机更智能一点点。

3. 新增 read_document 工具：

   1. 使用 @mcp.tool 装饰器注册。

   2. 提供了详细的 description 和 docstring。

   3. 定义了一个 filepath: str 参数和一个 -> str 返回值类型提示。

   4. 内部逻辑（模拟）：尝试打开并读取指定路径的文件。包含简单的文件存在检查和安全限制（只读取当前目录及子目录）。请注意，实际生产环境中处理文件读取需要更严格的安全措施和权限控制。

4. 新增 search_code_repo 工具：

   1. 使用 @mcp.tool 装饰器注册。

   2. 提供了详细的 description 和 docstring。

   3. 定义了一个 query: str 参数和一个 -> str 返回值类型提示。

   4. 内部逻辑（模拟）：使用一个简单的字典作为模拟的代码库。根据输入的查询关键词，查找字典中是否有匹配的键，并返回预设的模拟结果。实际应用中，这里应该调用 GitHub API、搜索本地代码索引或查询向量数据库。

5. 新增 get_student_project_status 工具：

   1. 使用 @mcp.tool 装饰器注册。

   2. 提供了详细的 description 和 docstring。

   3. 定义了一个 student_name: str 参数和一个 -> str 返回值类型提示。

   4. 内部逻辑（模拟）：使用一个字典模拟学生及其项目信息。根据输入的学生姓名查找并返回预设的状态信息。实际应用中，这里应该查询一个真实的数据库（如SQLite, PostgreSQL等）。

6. 运行部分： if name == "__main__": mcp.run(transport='sse') 这一部分无需修改。当您运行这个脚本时，FastMCP 会自动发现所有用 @mcp.tool 装饰的函数，并将它们全部注册为服务提供的工具。然后服务会启动，等待 AI 客户端调用这些工具。

上面大部份需要进一步开展的地方，由于时间原因，我都选择进行了模拟数据——后面尝试链接多个端口进行下一步计划。