AI导哈

MCP服务工具

一个Python实现的MCP服务器示例，用于在CherryStudio中提供工具调用功能，支持AI自动调用工具进行计算等操作。

  • by keiu-jiyu
  • Python
  • 本地部署
  • 1 星标
  • 更新于
在 GitHub 查看 keiu-jiyu/mcp01

使用说明

📝 完整 README.md

# Python MCP 服务 Demo

一个超简单的 Python MCP (Model Context Protocol) 服务示例，可以直接连接到 CherryStudio。

## 📋 项目介绍

这是一个最小化的 MCP 服务器实现，展示了如何：
- 创建 MCP 服务器
- 定义工具（Tool）
- 通过 stdio 与客户端通信
- 在 CherryStudio 中使用

## 🚀 快速开始

### 前置要求

- Python 3.8+
- pip

### 安装依赖

```bash
pip install mcp

运行服务

python mcp_server.py

看到以下输出说明成功启动：

MCP Server started on stdio

🔧 在 CherryStudio 中配置

步骤 1: 打开设置

CherryStudio → 设置 → MCP 服务器

步骤 2: 添加新服务器

点击 "添加 MCP 服务器" 按钮

步骤 3: 填写配置表单

字段 值
名称 Simple MCP
描述 一个简单的计算工具
类型 标准输入/输出
启用命令 python
启用参数 D:\rag\mcp_server.py

步骤 4: 保存并重启

  • 点击 保存
  • 重启 CherryStudio

💬 如何使用

在 CherryStudio 聊天框中输入：

用 add 工具计算 5 + 3

或者更自然的方式：

帮我计算 10 加 20

我需要做加法运算：100 和 200

调用 add 函数计算 50 + 50

AI 会自动调用你的 MCP 工具并返回结果。

📚 代码结构

@server.list_tools()
async def list_tools():
    # 定义可用的工具列表
    
@server.call_tool()
async def call_tool(name: str, arguments: dict):
    # 执行工具的逻辑

🛠️ 如何扩展

添加新工具

@server.list_tools()
async def list_tools():
    return [
        Tool(
            name="add",
            description="两数相加",
            inputSchema={
                "type": "object",
                "properties": {
                    "a": {"type": "number"},
                    "b": {"type": "number"}
                }
            }
        ),
        Tool(
            name="multiply",  # 新工具
            description="两数相乘",
            inputSchema={
                "type": "object",
                "properties": {
                    "a": {"type": "number"},
                    "b": {"type": "number"}
                }
            }
        )
    ]

@server.call_tool()
async def call_tool(name: str, arguments: dict):
    if name == "add":
        result = arguments["a"] + arguments["b"]
        return TextContent(type="text", text=str(result))
    
    if name == "multiply":  # 新工具实现
        result = arguments["a"] * arguments["b"]
        return TextContent(type="text", text=str(result))

🔍 常见问题

Q: 启动时报错 missing 3 required positional arguments

A: 确保使用了 asyncio.run(main()) 来正确启动服务器。

Q: CherryStudio 看不到工具

A:

  1. 确保 MCP 服务器正在运行
  2. 重启 CherryStudio
  3. 检查文件路径是否正确

Q: 如何调试

A: 在代码中添加 print 语句：

@server.call_tool()
async def call_tool(name: str, arguments: dict):
    print(f"调用工具: {name}, 参数: {arguments}", file=sys.stderr)
    # ... 你的代码

完成！🎉

v0.2

# 🤖 MCP + 阿里云通义千问 - AI 工具调用示例

一个完整的 **Model Context Protocol (MCP)** 服务示例，展示如何让 AI 自动调用工具。

## 📋 项目介绍

这个项目演示了：
- ✅ 构建 MCP 服务器（提供工具）
- ✅ AI 客户端集成（使用阿里云通义千问）
- ✅ AI 自动调用工具的完整流程

**效果演示：**

👤 用户: 计算 5 加 3 📊 AI 响应状态码: 200 🔧 AI 决定调用工具 🛠️ 调用工具: add 📥 参数: {'a': 5, 'b': 3} ✅ 工具结果: 8 🤖 最终答案: 5 加 3 的结果是 8。


---

## 🚀 快速开始

### 1. 克隆项目

```bash
git clone https://github.com/yourusername/mcp-demo.git
cd mcp-demo

2. 创建虚拟环境

python -m venv venv

# Windows
venv\Scripts\activate

# macOS/Linux
source venv/bin/activate

3. 安装依赖

pip install -r requirements.txt

4. 配置环境变量

创建 .env 文件：

DASHSCOPE_API_KEY=你的-阿里云-API-Key

获取 API Key

5. 启动 MCP 服务器

python mcp_server01.py

输出：

✅ MCP 服务器已启动！
📡 等待客户端连接...

6. 启动 AI 客户端（新终端）

python ai_client01.py

📁 文件说明

mcp_server01.py - MCP 服务器

定义工具并暴露给 AI：

@server.list_tools()
async def list_tools():
    return [
        Tool(
            name="add",
            description="两数相加",
            inputSchema={
                "type": "object",
                "properties": {
                    "a": {"type": "number"},
                    "b": {"type": "number"}
                }
            }
        )
    ]

ai_client01.py - AI 客户端

连接 MCP 服务器，让 AI 调用工具：

def chat_with_ai(user_message: str):
    response = Generation.call(
        model="qwen-max",
        api_key=DASHSCOPE_API_KEY,
        messages=[Message(role="user", content=user_message)],
        tools=tools  # 传入 MCP 工具
    )

🛠️ 添加新工具

1. 在 MCP 服务器中定义工具

@server.call_tool()
async def call_tool(name: str, arguments: dict):
    if name == "multiply":
        return [TextContent(
            type="text",
            text=str(arguments["a"] * arguments["b"])
        )]

2. 在工具列表中注册

@server.list_tools()
async def list_tools():
    return [
        # ... add 工具 ...
        Tool(
            name="multiply",
            description="两数相乘",
            inputSchema={...}
        )
    ]

🔧 配置说明

模型选择

在 ai_client01.py 中修改：

model="qwen-max"  # 可选: qwen-turbo, qwen-plus 等

温度参数

response = Generation.call(
    model="qwen-max",
    api_key=DASHSCOPE_API_KEY,
    messages=[...],
    tools=tools,
    temperature=0.7  # 0-2, 越低越确定
)

📊 工作流程

┌─────────────┐
│  用户输入   │
└──────┬──────┘
       │
       ▼
┌──────────────────────┐
│  AI 客户端           │
│  1. 连接 MCP 服务器  │
│  2. 获取工具列表     │
└──────┬───────────────┘
       │
       ▼
┌──────────────────────┐
│  阿里云通义千问      │
│  1. 分析用户意图     │
│  2. 决定调用工具     │
└──────┬───────────────┘
       │
       ▼
┌──────────────────────┐
│  MCP 服务器          │
│  1. 执行工具         │
│  2. 返回结果         │
└──────┬───────────────┘
       │
       ▼
┌──────────────────────┐
│  AI 整合结果         │
│  返回最终答案        │
└──────────────────────┘

🐛 常见问题

Q: 提示 "prompt or messages is required!"

A: 确保 messages 使用 Message 对象：

messages=[Message(role="user", content=user_message)]

Q: AI 没有调用工具

A: 检查：

  1. MCP 服务器是否启动
  2. 工具是否正确注册
  3. AI 是否理解了工具的用途

Q: 获取 API Key 失败

A: 查看 .env 文件配置是否正确

📦 依赖

mcp==1.20.0
dashscope>=1.14.0
python-dotenv>=1.0.0

相关 MCP