使用说明

MCP_实施

在这个仓库中，我们将重点介绍MCP客户端和服务器的实现。

入门指南

模型上下文协议（MCP）代表了人工智能开发的重大进步，为人工智能模型在交互过程中如何解释和响应上下文提供了标准化的指导方针。

这些资源共同解释了MCP在不同平台上的技术实现及其通过更好的上下文处理提高人工智能可靠性和安全性的实际应用。

人工智能代理框架的MCP集成

8个主要AI代理框架的完整模型上下文协议（MCP）客户端实现，同时支持标准MCP和FastMCP。

建筑

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   AI Framework  │    │   MCP Client    │    │   MCP Server    │
│   (AutoGen,     │◄──►│   (Adapter)     │◄──►│   (Tools)       │
│   LlamaIndex,   │    │                 │    │                 │
│   etc.)         │    │                 │    │                 │
└─────────────────┘    └─────────────────┘    └─────────────────┘

每个客户端都将MCP工具转换为特定于框架的格式：

MCP服务器通过stdio协议提供工具
客户端将MCP工具封装在框架本机抽象中
代理使用转换后的工具执行任务

本地与远程MCP服务器

本地MCP服务器（如我们的实现）在同一台机器，通过stdio传输进行通信，这提供了简单性，通过进程隔离实现安全性，同时实现零网络配置非常适合开发、测试和单机部署。

远程MCP 服务器通过HTTP/HTTPS或WebSocket等网络协议运行分布式架构，其中多个客户端可以访问集中式工具，共享资源和基于云的服务，但需要额外的复杂性用于身份验证、网络安全、负载平衡和错误处理- 使其适用于生产环境、多用户系统，以及需要跨团队共享或集成工具的企业部署使用外部API和数据库。

它们之间的区别可以概括如下：

JSON-RPC 2.0协议

JSON-RPC 2.0是一种无状态、轻量级的远程过程调用协议使用JSON（JavaScript对象表示法）进行数据交换，作为 MCP（模型上下文协议）的基础通信层。协议定义了一个简单的请求-响应模式，客户端通过以下方式发送方法调用参数作为包含jsonrpc:“2.0”、方法、参数和id的JSON对象字段，而服务器则以匹配的id和任一结果（表示成功）进行响应或错误（故障），实现之间的无缝双向通信 MCP客户端和服务器。这种标准化的方法确保了互操作性跨不同的编程语言和平台，支持同步请求和异步通知有效地处理批处理操作，并通过标准化的错误代码提供稳健的错误处理，使其非常适合MCP的工具调用系统，其中AI代理需要可靠地调用外部功能，并通过各种传输接收结构化响应 stdio、HTTP或WebSocket等层。

MCP中的JSON-RPC 2.0示例

请求（客户端→ 服务器）：

json
{
  "jsonrpc": "2.0",
  "method": "tools/call",
  "params": {
    "name": "search_documents",
    "arguments": {
      "query": "machine learning",
      "limit": 5
    }
  },
  "id": 1
}

成功响应（服务器→ 客户）：

json
{
  "jsonrpc": "2.0",
  "result": {
    "content": [
      {
        "type": "text",
        "text": "Found 5 documents matching 'machine learning'"
      }
    ]
  },
  "id": 1
}

错误响应（服务器→ 客户）：

json
{
  "jsonrpc": "2.0",
  "error": {
    "code": -32602,
    "message": "Invalid params",
    "data": "Missing required parameter 'query'"
  },
  "id": 1
}

通知（预期无响应）：

json
{
  "jsonrpc": "2.0",
  "method": "notifications/initialized",
  "params": {
    "protocolVersion": "2024-11-05",
    "capabilities": {}
  }
}

文件

mcp_server.py -带示例工具的标准MCP服务器
fastmcp_server.py -FastMCP服务器（简化语法）
fastmcp_client.py -FastMCP客户端示例
working_mcp_client.py -基本工作MCP客户端
minimal_mcp_client.py -最小MCP客户端示例
autogen_mcp_client.py -AutoGen集成
llamaindex_mcp_client.py -LlamaIdex集成（克劳德）
strands_mcp_client.py -Strands代理集成
crewai_mcp_client.py -CrewAI集成
langchain_mcp_client.py -LangChain集成（克劳德）
langgraph_mcp_client.py -LangGraph集成
bedrock_mcp_client.py -AWS基岩集成
test_clients.py -所有实现的测试脚本
test_summary.py -综合测试转轮

快速开始

1.安装所有依赖项

# Install all dependencies at once
pip install -r requirements.txt

2.测试基本功能

标准MCP：

python working_mcp_client.py

FastMCP（简化）：

python fastmcp_client.py

预期产量：

=== Working MCP Client Demo ===
Connected! Available tools: ['search_documents', 'get_weather']

1. Testing document search...
Search result: Found 5 documents matching 'machine learning'

2. Testing weather lookup...
Weather result: Weather in San Francisco: 72°F, sunny

✓ All MCP tool calls completed successfully!

框架集成

安装框架依赖项

# AutoGen
pip install autogen-agentchat

# LlamaIndex with Claude
pip install llama-index llama-index-llms-anthropic

# LangChain with Claude
pip install langchain langchain-anthropic

# AWS Bedrock
pip install langchain-aws boto3

# CrewAI
pip install crewai

# LangGraph (included with LangChain)
pip install langgraph

# LLM providers
pip install anthropic
export ANTHROPIC_API_KEY="your-api-key"

# For Bedrock (configure AWS credentials)
aws configure

用法示例

标准MCP客户端

from working_mcp_client import WorkingMCPClient
import asyncio

async def main():
    client = WorkingMCPClient()
    await client.connect_and_demo()

asyncio.run(main())

AutoGen客户端

from autogen_mcp_client import AutoGenMCPClient
import asyncio

async def main():
    client = AutoGenMCPClient()
    await client.connect_and_test()

asyncio.run(main())

LlamaIdex客户端

from llamaindex_mcp_client import LlamaIndexMCPClient
import asyncio

async def main():
    client = LlamaIndexMCPClient()
    await client.connect_and_test()

asyncio.run(main())

Strands代理客户

from strands_mcp_client import StrandsMCPClient
import asyncio

async def main():
    client = StrandsMCPClient(["python", "mcp_server.py"])
    await client.connect()
    response = await client.chat("Search for AI research documents")

asyncio.run(main())

CrewAI客户端

from crewai_mcp_client import CrewAIMCPClient
import asyncio

async def main():
    client = CrewAIMCPClient()
    await client.connect_and_test()

asyncio.run(main())

朗链客户端

from langchain_mcp_client import LangChainMCPClient
import asyncio

async def main():
    client = LangChainMCPClient(["python", "mcp_server.py"])
    await client.connect()

asyncio.run(main())

LangGraph客户端

from langgraph_mcp_client import LangGraphMCPClient
import asyncio

async def main():
    client = LangGraphMCPClient()
    await client.connect_and_test()

asyncio.run(main())

AWS基岩客户端

from bedrock_mcp_client import BedrockMCPClient
import asyncio

async def main():
    client = BedrockMCPClient(["python", "mcp_server.py"], region="us-east-1")
    await client.connect()

asyncio.run(main())

配置

克劳德（人类学）：

export ANTHROPIC_API_KEY="your-api-key"

AWS基岩：

aws configure
# OR set environment variables:
export AWS_ACCESS_KEY_ID="your-access-key"
export AWS_SECRET_ACCESS_KEY="your-secret-key"
export AWS_DEFAULT_REGION="us-east-1"

MCP与FastMCP

标准MCP服务器：

from mcp.server import Server
from mcp.types import Tool, TextContent

app = Server("framework-mcp-server")

@app.call_tool()
async def call_tool(name: str, arguments: Dict[str, Any]) -> List[TextContent]:
    if name == "search_documents":
        query = arguments["query"]
        limit = arguments.get("limit", 10)
        results = f"Found {limit} documents matching '{query}'"
        return [TextContent(type="text", text=results)]

FastMCP服务器（简化版）：

from fastmcp import FastMCP

mcp = FastMCP("framework-fastmcp-server")

@mcp.tool()
def search_documents(query: str, limit: int = 10) -> str:
    """Search through documents"""
    return f"Found {limit} documents matching '{query}'"

代理框架比较

框架	类型	关键优势	最佳用例	学习曲线	社区	法学硕士支持
自动生成	多代理	对话驱动的代理、基于角色的交互	复杂的多代理工作流、协作解决问题	中型	大型（微软）	OpenAI、Azure、自定义
Llama索引	RAG聚焦	文档索引、检索增强、查询引擎	知识密集型应用程序、文档问答、RAG系统	中型	大型	OpenAI、Anthropic、本地模型
缕	结构化	类型安全代理、结构化工作流、企业就绪	生产应用程序、结构化数据处理	低	增长（AWS）	Claude、Bedrock、自定义
船员AI	基于团队	基于角色的代理、分层任务委托、团队协调	业务流程自动化、团队模拟	中等	中等	OpenAI、Anthropic、本地模型
LangChain	通用	广泛的生态系统、链、内存、工具集成	快速原型制作、多样化的人工智能应用、工具编排	高	非常大	所有主要供应商
LangGraph	工作流	状态机、条件流、复杂路由	复杂决策树、有状态工作流、过程自动化	高级	中级（LangChain）	支持所有LangChain

详细比较

自动生成

优点：自然的对话流程，轻松的多代理设置，微软支持
缺点：仅限于对话模式，需要仔细的即时工程
最适合：客户服务机器人、协作式人工智能助理、教育工具

Llama索引

优点：出色的RAG功能、文档处理、查询优化
缺点：主要以文件为中心，对总代理任务的灵活性较低
最适合：知识库、文件分析、研究助理

缕

优点：类型安全、AWS集成、企业功能、结构化方法
缺点：生态系统更新，社区资源减少
最适合：生产系统、AWS环境、企业应用程序

船员AI

优点：直观的团队隐喻、基于角色的设计、任务委派
缺点：相对较新，生态系统较小，高级功能有限
最适合：业务工作流程、团队模拟、分层任务处理

LangChain

优点：庞大的生态系统、广泛的集成、灵活的架构
缺点：API复杂，变化频繁，学习曲线陡峭
最适合：复杂的人工智能应用程序、研究项目、定制集成

LangGraph

优点：强大的状态管理、可视化工作流、条件逻辑
缺点：复杂的设置，需要LangChain知识，更新的框架
最适合：复杂的决策过程、有状态的应用程序、工作流自动化

框架选择指南

用例	推荐框架	备选方案
文件问答	LlamaIdex	朗链
多代理聊天	AutoGen	CrewAI
业务流程	CrewAI	Strands
企业生产	Strands	LangChain
研究/原型制作	LangChain	AutoGen
复杂的工作流程	LangGraph	LangChain
AWS集成	绞线	LangChain+基岩
快速发展	AutoGen	CrewAI

框架集成详细信息

框架	集成类型	关键功能
基本MCP	直接MCP调用	纯MCP功能-直接工具调用
自动生成	ConversableAgent	多代理对话
Llama索引	BaseTool+ReActAgent	RAG和推理
缕	代理+工具	结构化代理工作流
船员AI	Agent+Task+Crew	基于团队的任务执行
LangChain	BaseTool+代理	函数调用代理
LangGraph	状态图	有状态的工作流图
基岩	ChatBedrock	AWS原生LLM集成

可用的MCP工具

search_documents(query, limit) -搜索文档集合
get_weather(location) -获取天气信息

测试

运行单独测试：

python working_mcp_client.py
python fastmcp_client.py
python langchain_mcp_client.py
python bedrock_mcp_client.py
python autogen_mcp_client.py
python crewai_mcp_client.py
python llamaindex_mcp_client.py
python langgraph_mcp_client.py

运行全面的测试套件：

python test_summary.py

预期结果： 8/8实施工作

依赖项

核心MCP：

mcp>=1.0.0 -标准MCP实施
fastmcp>=0.1.0 -简化的MCP语法

法学硕士提供者：

anthropic>=0.25.0 -API克劳德
boto3>=1.34.0 -AWS基岩

框架依赖关系：

autogen-agentchat>=0.7.0 -AutoGen框架
llama-index>=0.14.0 -LlamaIdex RAG框架
llama-index-llms-anthropic>=0.10.0 -LlamaIndex克劳德集成
crewai>=1.4.0 -CrewAI团队代理
langchain>=1.0.0 -LangChain框架
langchain-anthropic>=1.0.0 -LangChain-Claude集成
langchain-aws>=1.0.0 -LangChain基岩整合
langgraph>=1.0.0 -LangGraph工作流程图

备注

所有实现都经过充分测试并正常工作
基本的MCP客户端仅适用于 pip install mcp
特定于框架的客户端需要上面列出的其他依赖关系
法学硕士提供者：
- 克劳德：设置 ANTHROPIC_API_KEY 环境变量
- 基岩：使用配置AWS凭据 aws configure
Bedrock需要启用Bedrock模型访问的AWS帐户
所有客户都支持 search_documents 和 get_weather 工具
实现遵循每个框架的最佳实践和模式

何时使用FastMCP与标准MCP

在以下情况下使用FastMCP：

✅ 快速原型制作 •构建快速演示或概念验证 •测试MCP集成思想 •简单的工具实现

✅ 简单用例 •工具映射的基本功能 •直接的输入/输出模式 •所需定制最少

✅ 开发者体验优先 •想要最少的样板代码 •更喜欢装饰风格的API •快速迭代周期

FastMCP场景示例： python @mcp.tool（）定义计算（a:int，b:int）->int：返回a+b

在以下情况下使用标准MCP：

✅ 生产应用 •需要企业级可靠性 •复杂的错误处理要求 •性能优化至关重要

✅ 高级功能 •自定义资源管理 •复杂的工具模式 •先进的流媒体功能 •自定义初始化逻辑

✅ 细粒度控制 •需要自定义MCP协议行为 •复杂的身份验证/授权 •定制传输层 •高级日志记录/监控

标准MCP场景示例： python @app.call_tool（） async def call_tool（名称：str，参数：Dict[str，Any]）->List[TextContent]： #自定义验证 #复杂错误处理 #性能监控 #自定义响应格式

总结

特性	FastMCP	标准MCP
学习曲线	简单	中等
代码量	最小	详细
灵活性	有限	完全
性能	良好	优化
生产就绪	基础	企业
定制	有限	广泛

经验法则：从原型的FastMCP开始，迁移到标准MCP 需要高级功能或精细控制的生产系统。

基于LLM的应用程序与MCP工具的集成

AWS研讨会

AWS Github

基岩试剂核心Github样品