MCP托管服务

🚀 MCP Host

AI Agent 需要具备通过大模型调用外部工具的能力。模型上下文协议（MCP） 成为大模型调用工具的标准。随着生态持续壮大，众多产品与服务纷纷推出各自的 MCP Server，但在实际开发智能体时，接入 MCP 仍需要大量工程工作与样板代码。

MCP Host 将与 MCP 相关的繁杂工作一并托管，开箱即用。开发者只需专注业务逻辑，无需关心 MCP 的接入细节。

🎯 项目功能

• 提供管理 MCP Server 配置的可视化面板：在页面中查看/新增/编辑/启用/禁用服务器与工具，并支持备注与工具开关管理
• 简化智能体开发：由MCP Host 负责选择服务器并执行真实工具调用，开发者无需操心如何调用MCP工具

MCP管理页面：展示服务器列表、启用/禁用开关、删除按钮与进入设置页的入口。

工具页面：展示选中服务器的工具清单与参数说明，支持按工具启用/禁用以及填写并保存备注。

项目架构图

✈️ 管理MCP 服务器与工具

• 启动管理服务与前端：python host_server.py
• 打开主页：http://127.0.0.1:8000/，即可查看所有已配置的 MCP 服务器。
• 配置文件固定路径：config/mcp_server_config.json

自定义端口与地址

• 默认地址与端口：127.0.0.1:8000
• 命令行参数：
  • 指定端口：python host_server.py --port 9000
  • 指定地址与端口：python host_server.py --host 0.0.0.0 --port 9000
• 环境变量（作为默认值）：
  • MCP_HOST_ADDR 指定绑定地址（默认 127.0.0.1）
  • MCP_HOST_PORT 或 PORT 指定端口（默认 8000）
• 优先级：命令行参数 > 环境变量 > 默认值

✨ 使用 MCP Host 快速开发智能体

您可通过MCPHost轻松调用MCP工具:

from mcp_host import MCPHost  # 引入 MCP Host

host = MCPHost()  # 0.初始化 Host（聚合与路由工具）

tools = host.list_all_tools()  # 1.读取启用服务器的工具注册表
guide = host.tools_guide(tools)  # 2.生成参数指南供大模型参考
has_tool, spec = host.detect_tool(content)  # 3.从大模型输出解析 <tool> 指令 JSON
tool_result = host.call_tool(spec, formated=True)  # 4.执行工具调用并返回格式化结果

• list_all_tools：读取所有启用服务器的可用工具，形成注册表用于提示与后续调用。
• tools_guide：从 JSON Schema 提取参数说明，生成人类可读指南，引导模型填参。
• detect_tool：从模型输出中提取 <tool> 指令的 JSON，有则进入调用链，无则直接回复。
• call_tool：按工具名自动定位服务器并执行，返回格式化的 {name, server, result} JSON，供下一轮注入 <tool_result>...</tool_result>。

示例代码

import os
import json
from dotenv import load_dotenv
from openai import OpenAI
from mcp_host import MCPHost # 引入 MCP Host

load_dotenv(override=False)

client = OpenAI(base_url=os.getenv("LLM_BASE_URL"), api_key=os.getenv("LLM_API_KEY"))
model = os.getenv("LLM_MODEL")

host = MCPHost()  # 0.初始化 Host（聚合与路由工具）
tools = host.list_all_tools()  # 1.读取启用服务器的工具注册表
guide = host.tools_guide(tools)  # 2.生成参数指南供大模型参考

user_msg = input("请输入消息: ").strip()
sys_prompt = (
    "你是人工智能助手。可使用 MCP 工具。若需要调用工具，"
    "请仅输出如下格式文本：<tool>{\n\t\"type\": \"function\",\n\t\"name\": \"<工具名>\",\n\t\"parameters\": {…}\n}</tool>。"
    "以下为各工具的使用说明：\n" + guide
)

first = client.chat.completions.create(
    model=model,
    messages=[
        {"role": "system", "content": sys_prompt},
        {"role": "user", "content": user_msg},
    ],
)
content = first.choices[0].message.content or ""

has_tool, spec = host.detect_tool(content)  # 3.从大模型输出解析 <tool> 指令 JSON
if has_tool:
    tool_result = host.call_tool(spec, formated=True)  # 4.执行工具调用并返回格式化结果
    second = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": sys_prompt},
            {"role": "user", "content": user_msg},
            {"role": "assistant", "content": content},
            {"role": "system", "content": "<tool_result>" + tool_result + "</tool_result> 请基于工具结果用中文回复用户。"},
        ],
    )
    print(second.choices[0].message.content or "")
else:
    print(content)

🤖 模型兼容性

• 支持任意兼容 OpenAI SDK 的大模型与服务商：将 LLM_BASE_URL、LLM_API_KEY、LLM_MODEL 配置为对应厂商的网关与模型即可使用。
• 示例：Ark 平台 LLM_BASE_URL=https://ark.cn-beijing.volces.com/api/v3；其他 OpenAI 兼容网关也可按需替换。

🛠️ 环境与依赖

• 安装依赖：pip install -r requirements.txt
• Python: >=3.10
  • 验证: python --version
• Node.js: >=18
  • 项目根含 .nvmrc（值为 18），使用 nvm/nvm-windows 可执行 nvm use 18
  • 需确保 npm/npx 在 PATH 中
  • 验证: node -v、npm -v、npx --version
• uv/uvx（可选，用于部分 stdio 服务器）
  • 验证: uvx --version
• Docker（如使用 github 服务器条目）
  • 当前配置通过 docker run -i --rm -e GITHUB_PERSONAL_ACCESS_TOKEN mcp/github 启动，该条目需要本机安装并可用的 Docker
  • 验证: docker --version

🧪 示例 Demo

• demo_agent.py：只支持单次调用工具。
• demo_agent_multi.py：支持多轮次工具调用，可连续对话（注意：用户每次输入新问题后，上下文窗口都会重置，即智能体不会记忆之前的对话）。

运行前准备：

• 启动管理服务：python host_server.py（或指定端口：python host_server.py --port 9000）
• 在 config/mcp_server_config.json 中确保至少有一个启用的服务器
• 设置模型环境变量：LLM_BASE_URL、LLM_API_KEY、LLM_MODEL

运行示例：

• 单次调用链：python demo_agent.py
• 多步交互：python demo_agent_multi.py