AI导哈

数学工具服务器

一个基于Python实现的模型上下文协议（MCP）服务器，提供数学计算功能和静态数据资源，适用于AI助手和MCP检查器等客户端。

  • by shivamgravity
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 shivamgravity/mcp

使用说明

MCP数学工具服务器

这个项目演示了Python实现 **模型上下文协议（MCP）**它构建了一个功能强大的MCP服务器，向MCP客户端（如AI助手或MCP检查器）公开数学能力（工具）和静态数据（资源）。

项目概述

该项目的目标是创建一个标准化的服务器，弥合人工智能模型和本地计算逻辑之间的差距。

主要特点：

  • 工具： 公开可执行函数(add_numbers, multiply_numbers)AI可以调用它来执行计算。
  • 资源： 暴露结构化数据(math://constants)AI可以将其视为上下文。
  • 架构： 使用官方 mcp Python SDK，并使用通用MCP检查器进行测试。

先决条件

  • Python 3.10+
  • Node.js和NPM （仅要求运行MCP检查器进行测试）

设置和安装

  1. 克隆存储库

    git clone https://github.com/shivamgravity/mcp
cd mcp

  2. 设置虚拟环境 建议使用虚拟环境来管理依赖关系。

    # Create venv
python -m venv venv

# Activate venv (Windows)
venv\Scripts\activate

# Activate venv (Mac/Linux)
source venv/bin/activate

# To deactivate the virtual environment, run this command
deactivate

  3. 再进行 安装MCP的官方Python SDK。

    pip install mcp

如何运行（使用检查器进行测试）

由于这是一个协议服务器，因此需要一个客户端与之交互。我们使用官方 MCP检查员 用于测试的web界面。

  1. 通过检查器启动服务器： 在终端中运行以下命令（确保您的venv处于活动状态）：

    npx @modelcontextprotocol/inspector python server.py

  2. 访问UI： 打开浏览器并导航到终端中提供的URL（通常 http://localhost:6274 或 http://localhost:5173).

  3. 连接和测试：

    • 点击 连接.
    • 工具选项卡： 选择 add_numbers，输入参数（例如。， a=10, b=5)，然后单击“运行工具”查看结果。
    • 资源选项卡： 点击 math://constants 读取结构化JSON数据的资源。

解决方案架构

该项目遵循 模型上下文协议 标准：

  • 服务器(server.py):

    • 使用 FastMCP 类来初始化服务器实例。
    • 工具： 功能装饰 @mcp.tool() 被公开为可执行逻辑。服务器处理JSON-RPC通信以接收参数并返回结果。
    • 资源： 功能装饰 @mcp.resource() 充当数据端点。它们返回结构化JSON数据（MIME类型 application/json)表示数学常数。

  • 沟通：

    • 服务器通过以下方式进行通信 stdio （标准输入/输出），允许它轻松地通过管道连接到任何符合MCP的客户端（如Claude Desktop或MCP Inspector）。

相关 MCP