AI导哈

LLM集成协议

Model Context Protocol (MCP) 是一个开源标准，旨在简化和标准化大型语言模型(LLM)与工具、结构化数据和实时上下文的集成，适用于构建AI研究助手等复杂应用。

  • by Cadarn
  • Python
  • 本地部署
  • 3 星标
  • 更新于
在 GitHub 查看 Cadarn/pydata-mcp-workshop

使用说明

MCP研讨会 - PyData阿姆斯特丹

大型语言模型（LLMs）正在解锁变革性的能力，但 将它们集成到复杂、真实的实际应用中仍然是一个主要的 挑战。

本次研讨会介绍了模型上下文协议（MCP），这是一个新兴的开放协议 旨在简化和标准化大型语言模型（LLM）与工具集成的标准， 结构化数据，以及实时上下文。

工作坊概览

我们将从核心概念出发，构建一个功能完备的AI研究助手 通过涵盖以下方面的实际操作示例：

  • 核心MCP概念客户端-服务器架构、工具和资源
  • 开发环境设置根据上面的信息，执行如下指令：
  • MCP服务器开发维基百科搜索与总结示例
  • 客户开发CLI（Typer）与Web（Streamlit）的接口为 带回家的（东西）
  • 大型语言模型（LLM）编排自主工具选择与串联（或：自主工具选择与组合使用）
  • 最终项目人工智能研究助理原型

项目结构

├── solution/              # Complete working implementations
│   ├── examples/          # Core MCP demonstrations
│   ├── servers/          # Full MCP server implementations
│   ├── clients/          # Complete CLI and web clients
│   └── research_assistant/ # Final project solution
├── workshop/              # Starter code and exercises
│   ├── examples/          # Partial implementations to complete
│   ├── servers/          # Server templates with TODOs
│   ├── clients/          # Client starters with exercises
│   └── research_assistant/ # Final project scaffold
├── docs/                  # Workshop documentation
├── tutorials/             # Step-by-step guides with exercises
└── docker/               # Containerization configs

研讨会方法

  • workshop/ 文件夹包含入门代码、模板和练习题 实践学习
  • solution/ 文件夹完整的可运行实现代码，供参考使用 比较
  • **逐步建设（或逐步发展）**每个部分都建立在之前工作的基础上，内容清晰 锻炼积分

先决条件

  • Python 3.13+（使用uv管理）
  • Docker（推荐）
  • 大型语言模型访问（OpenAI API 或本地 Ollama）
  • 熟悉基础Python和命令行操作

安装说明

1. 克隆并设置Python环境

# Clone the repository
git clone <repository-url>
cd pydata-mcp-workshop

# Setup environment (using make if available, otherwise uv directly)
# If you have make installed:
make setup

# Otherwise use uv directly:
uv venv --python 3.13
source .venv/bin/activate
uv sync

2. 大语言模型（LLM）后端设置

选择 一个 以下选项中的：

选项A：OpenAI API（推荐用于可靠性）

  1. 创建一个 .env 从模板中获取文件：

    cp .env.template .env

  2. 编辑 .env 并添加您的OpenAI API密钥：

    OPENAI_API_KEY=your_api_key_here

  3. 从获取API密钥 OpenAI平台

选项B：本地Ollama（免费替代方案）

  1. 从（指定来源）安装 Ollama ollama.ai（注：这是一个专有名词，通常不直接翻译，保持原样即可，但在此提供其含义以作说明，即“奥拉玛人工智能网站”或根据具体语境可理解为“奥拉玛AI平台”，实际翻译时可根据上下文灵活处理）

  2. 下载轻量级模型：

    ollama pull qwen3:1.7b

  3. 验证Ollama是否正在运行：

    ollama list

3. 验证设置

测试您的安装：

# Check environment
# If you have make installed:
make check-env

# Otherwise use uv directly:
uv run python --version  # Should be 3.13+
uv run python -c "import fastmcp, pydantic_ai, typer, streamlit; print('✅ All imports successful')"

# Start Jupyter for tutorials
# If you have make installed:
make dev

# Otherwise use uv directly:
uv run jupyter lab

快速入门

注这个项目包含一个带有便捷命令的Makefile。运行 make help 如果你已安装make，可以查看所有可用命令。

  1. 按照教程操作以……开始 tutorials/01-mcp-fundamentals.ipynb

  2. **在（某领域/某公司等）工作 workshop/**完成练习并与（他人/标准）进行比较 solution/

  3. 测试你的进度运行解决方案文件以查看预期行为

    # If you have make installed:
make solution-wikipedia    # Run Wikipedia server
make solution-cli         # Run CLI client

# Otherwise use uv directly:
uv run python solution/servers/wikipedia_server.py
uv run python solution/clients/cli_client.py --help

# Take-home: Run web client (solution provided)
# No make command available for this yet:
uv run streamlit run solution/clients/web_client.py

学习路径

  1. MCP基础（或：MCP入门） - 核心概念和架构
  2. 服务器开发 - 构建维基百科搜索工具
  3. 客户开发 - CLI（命令行界面）接口（工作坊）+ 网络家庭作业
  4. 大语言模型（LLM）编排 - 自主工具使用
  5. 最终项目 - 人工智能研究助理

可选的Claude桌面测试

如果您已拥有Claude Desktop并希望测试工具、提示和资源，您需要配置Claude以使其能够运行和使用MCP服务器。

您可以通过“设置”菜单访问配置，从而编辑Claude MCP的设置： Settings -> Developer -> edit config 配置示例可在此处查看： example_claude_desktop_config.json。

工作坊流程（90分钟）

  • 15分钟MCP概念及环境设置
  • 25分钟维基百科服务器搭建（实操）
  • 25分钟CLI客户端开发（实践操作）
  • 20分钟研究助理楼
  • 5分钟家庭作业概述

到课程结束时，你将掌握实用技能，能够构建智能、模块化的（系统/产品）以及 使用MCP扩展的LLM原生应用程序。

相关 MCP