引言：为什么MCP协议值得关注？

2024年底，Anthropic推出了Model Context Protocol（MCP），这是一个开放标准，旨在解决大语言模型与外部工具、数据源之间的连接问题。如果说Function Calling是"给AI一双巧手"，那么MCP就是"给AI一套标准化的工具箱接口"。

在MCP出现之前，每接入一个新工具，都需要单独编写适配代码，维护成本极高。MCP的核心理念很简单：一次开发，到处使用——开发者只需按照MCP规范实现一个工具服务器，任何支持MCP的AI客户端都能直接调用。

本文将带你从零开始，5步打造一个完整的MCP工具服务器，让你真正理解MCP的工作原理。

一、MCP协议架构解析

MCP采用经典的客户端-服务器（Client-Server）架构，核心组件如下：

• MCP Host（宿主）：发起连接的应用程序，如Claude Desktop、Cursor等AI客户端
• MCP Client（客户端）：在Host内部运行，与Server保持1:1连接
• MCP Server（服务器）：提供工具、资源、提示词等能力的轻量级服务
• 传输层：支持stdio（标准输入输出）和SSE（Server-Sent Events）两种通信方式

MCP定义了四大核心能力原语：

原语	说明	示例
Tools	可被LLM调用的函数	查询天气、执行代码
Resources	可被LLM读取的数据	文件内容、数据库记录
Prompts	预定义的提示模板	代码审查模板
Sampling	Server向Host请求LLM推理	多步骤任务中的中间推理

理解了架构，我们开始动手实践！

二、第1步：环境准备与项目初始化

MCP Server的官方SDK支持TypeScript和Python，本文以Python为例（更易上手）。

首先安装MCP Python SDK：

# 创建项目目录
mkdir mcp-weather-server && cd mcp-weather-server

# 创建虚拟环境
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# 安装MCP SDK
pip install mcp

项目结构如下：

mcp-weather-server/
├── venv/
├── weather_server.py    # 主服务器文件
├── requirements.txt     # 依赖列表
└── README.md

在requirements.txt中添加：

mcp>=1.0.0
httpx>=0.27.0

就这么简单，不需要复杂的框架和依赖。

三、第2步：编写MCP Server核心代码

接下来编写核心的服务器代码。我们将创建一个天气查询工具服务器，提供两个工具：

• get_current_weather：查询指定城市的当前天气
• get_weather_forecast：获取未来3天的天气预报

from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent
import httpx
import json

# 创建Server实例
app = Server("weather-server")

# 免费天气API（使用wttr.in，无需API Key）
WEATHER_API = "https://wttr.in"

@app.list_tools()
async def list_tools() -> list[Tool]:
    """注册可用工具列表"""
    return [
        Tool(
            name="get_current_weather",
            description="获取指定城市的当前天气信息，支持中文城市名",
            inputSchema={
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，如'北京'、'Shanghai'"
                    }
                },
                "required": ["city"]
            }
        ),
        Tool(
            name="get_weather_forecast",
            description="获取指定城市未来3天的天气预报",
            inputSchema={
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称"
                    }
                },
                "required": ["city"]
            }
        )
    ]

关键点解析：

五、第4步：启动服务器与配置客户端

添加入口函数，启动stdio传输：

async def main():
    """启动MCP服务器"""
    async with stdio_server() as (read_stream, write_stream):
        await app.run(
            read_stream,
            write_stream,
            app.create_initialization_options()
        )

if __name__ == "__main__":
    import asyncio
    asyncio.run(main())

启动方式很简单：

python weather_server.py

但通常我们不需要手动启动，而是在AI客户端中配置。以Claude Desktop为例，编辑配置文件：

{
  "mcpServers": {
    "weather": {
      "command": "python",
      "args": ["C:/path/to/weather_server.py"],
      "env": {}
    }
  }
}

配置文件位置：

重启Claude Desktop后，在对话中你就可以直接问"北京今天天气怎么样"，AI会自动调用你的MCP工具服务器获取实时天气数据。

• @app.list_tools()装饰器注册工具列表，当客户端连接时自动获取
• inputSchema使用JSON Schema定义参数，LLM据此生成正确的调用参数
• description非常重要——LLM靠它判断何时调用这个工具，写得越精准越好

  四、第3步：实现工具执行逻辑

  工具列表注册好了，接下来实现实际的执行逻辑：

  @app.call_tool()
  async def call_tool(name: str, arguments: dict) -> list[TextContent]:
      """处理工具调用请求"""
      city = arguments.get("city", "Beijing")
      
      if name == "get_current_weather":
          result = await fetch_weather(city, forecast=False)
      elif name == "get_weather_forecast":
          result = await fetch_weather(city, forecast=True)
      else:
          result = f"未知工具: {name}"
      
      return [TextContent(type="text", text=result)]
  
  
  async def fetch_weather(city: str, forecast: bool = False) -> str:
      """调用天气API获取数据"""
      params = {"format": "j1"}  # JSON格式
      url = f"{WEATHER_API}/{city}"
      
      try:
          async with httpx.AsyncClient(timeout=10) as client:
              resp = await client.get(url, params=params)
              resp.raise_for_status()
              data = resp.json()
          
          if not forecast:
              # 当前天气
              current = data["current_condition"][0]
              return (
                  f"🏙️ {city} 当前天气\n"
                  f"🌡️ 温度: {current['temp_C']}°C "
                  f"(体感 {current['FeelsLikeC']}°C)\n"
                  f"💧 湿度: {current['humidity']}%\n"
                  f"🌬️ 风速: {current['windspeedKmph']} km/h\n"
                  f"☁️ 天气: {current['weatherDesc'][0]['value']}"
              )
          else:
              # 3天预报
              lines = [f"📅 {city} 未来3天天气预报"]
              for day in data["weather"][:3]:
                  lines.append(
                      f"  {day['date']}: "
                      f"{day['mintempC']}°C ~ {day['maxtempC']}°C, "
                      f"{day['hourly'][4]['weatherDesc'][0]['value']}"
                  )
              return "\n".join(lines)
              
      except httpx.HTTPError as e:
          return f"❌ 获取天气失败: {str(e)}"

  注意事项：

• @app.call_tool()接收工具名和参数，返回TextContent列表
• 返回内容尽量结构化且人类可读，因为LLM会基于这些内容回答用户
• 做好异常处理，网络请求随时可能失败
• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• Windows: %APPDATA%\Claude\claude_desktop_config.json

六、第5步：调试技巧与最佳实践

开发MCP Server时，调试是个痛点——因为它通过stdio通信，不能直接print。以下是几个实用技巧：

技巧1：使用MCP Inspector调试

npx @modelcontextprotocol/inspector python weather_server.py

这会启动一个Web界面，让你可视化地测试每个工具、查看请求响应。

技巧2：日志写入文件

import logging

logging.basicConfig(
    filename="/tmp/mcp-weather.log",
    level=logging.DEBUG,
    format="%(asctime)s - %(name)s - %(levelname)s - %(message)s"
)

# 在关键位置添加日志
@app.call_tool()
async def call_tool(name, arguments):
    logging.info(f"Tool called: {name}, args: {arguments}")
    # ...

技巧3：错误码规范

MCP定义了标准错误码，建议遵循：

from mcp.types import McpError

# 参数错误
raise McpError(
    code=-32602,  # Invalid params
    message=f"Missing required parameter: city"
)

# 内部错误
raise McpError(
    code=-32603,  # Internal error
    message=f"Weather API unavailable: {str(e)}"
)

最佳实践总结：

description要精确——这是LLM理解工具的关键，模糊的描述会导致误调用 参数校验要严格——在call_tool中验证必填参数，避免LLM幻觉导致的异常 返回要结构化——使用换行、emoji、编号让返回内容清晰可读 超时要合理——外部API调用务必设置timeout，避免Server卡死 单一职责——一个Server专注于一个领域，不要把所有工具塞进一个服务

总结：MCP正在重塑AI工具生态

通过这5步，我们完成了一个完整的MCP工具服务器开发。回顾核心流程：

MCP的意义远不止于技术层面。它正在建立AI工具的"USB标准"——就像USB协议统一了设备连接一样，MCP统一了AI与外部世界的交互方式。截至2026年初，已有超过2000个MCP Server发布在各类平台上，覆盖数据库、文件系统、API集成、开发工具等领域。

未来，每个开发者都可能成为"MCP工具提供者"，为AI生态贡献可被任何LLM调用的能力。这是一个值得投入的方向。

本文代码已开源，欢迎Star ⭐

如果你觉得有帮助，欢迎点赞收藏，有问题欢迎评论区交流！

• 安装SDK，初始化项目
• 使用@app.list_tools()注册工具元信息
• 使用@app.call_tool()实现执行逻辑
• 配置客户端，自动发现和调用
• 善用Inspector和日志进行调试