MCP_3

# MCP 操作流程 ## 1. MCP系统概述 MCP (Model Context Protocol) 是一个用于构建能够与外部资源和工具交互的AI系统的框架。MCP_3项目实现了这一框架，包含以下核心组件： - **聊天机器人** (`mcp_chatbot.py`): 提供交互式界面，处理用户查询并调用MCP工具 - **研究服务器** (`server.py`): 提供论文搜索、天气查询等工具 - **服务器配置** (`server_config.json`): 定义MCP服务器的连接参数 ## 2. 组件间的交互流程 ### 2.1 系统启动流程 ``` 1. 用户启动聊天机器人: python mcp_chatbot.py 2. 聊天机器人读取server_config.json配置 3. 聊天机器人连接到所有配置的MCP服务器 4. 服务器启动并初始化其工具、资源和提示词 5. 聊天机器人获取并注册所有服务器提供的工具 6. 聊天机器人进入聊天循环，等待用户输入 ``` ### 2.2 工具调用流程 ``` 1. 用户输入查询（例如："搜索关于few-shot学习的论文"） 2. 聊天机器人将查询发送给AI模型 3. AI模型分析查询，确定需要调用的工具 4. 聊天机器人接收AI模型的响应，包含工具调用信息 5. 聊天机器人根据工具名称找到对应的服务器会话 6. 聊天机器人向服务器发送工具调用请求 7. 服务器执行工具并返回结果 8. 聊天机器人将工具结果发送给AI模型 9. AI模型基于工具结果生成最终响应 10. 聊天机器人将最终响应返回给用户 ``` ## 3. 服务器操作流程 ### 3.1 服务器启动 ```python # 创建FastMCP实例 mcp = FastMCP("research", port=8080) # 定义工具 @mcp.tool() def search_papers(topic: str, max_results: int = 5) -> List[str]: # 工具实现 pass # 定义资源 @mcp.resource("papers://folders") def get_available_folders() -> str: # 资源实现 pass # 定义提示词 @mcp.prompt() def generate_search_prompt(topic: str, num_papers: int = 5) -> str: # 提示词实现 pass # 运行服务器 if __name__ == "__main__": mcp.run(transport='sse') ``` ### 3.2 工具执行流程 1. 服务器接收工具调用请求 2. 根据工具名称找到对应的函数 3. 验证输入参数 4. 执行函数逻辑 5. 返回执行结果 ### 3.3 资源访问流程 1. 服务器接收资源访问请求 2. 根据资源URI找到对应的函数 3. 验证输入参数 4. 执行函数逻辑 5. 返回资源内容 ## 4. 客户端操作流程 ### 4.1 客户端初始化 ```python # 读取服务器配置 with open("MCP_3/server_config.json", "r") as file: data = json.load(file) # 连接到所有配置的服务器 servers = data.get("mcpServers", {}) for server_name, server_config in servers.items(): await self.connect_to_server(server_name, server_config) ``` ### 4.2 服务器连接流程 ```python async def connect_to_server(self, server_name: str, server_config: dict) -> None: # 创建服务器参数 server_params = StdioServerParameters(**server_config) # 创建stdio客户端 stdio_transport = await self.exit_stack.enter_async_context( stdio_client(server_params) ) read, write = stdio_transport # 创建会话 session = await self.exit_stack.enter_async_context( ClientSession(read, write) ) # 初始化会话 await session.initialize() # 列出可用工具 response = await session.list_tools() # 注册工具 for tool in tools: self.tool_to_session[tool.name] = session self.available_tools.append({ "type": "function", "function": { "name": tool.name, "description": tool.description, "parameters": tool.inputSchema }, }) ``` ### 4.3 用户查询处理流程 ```python async def process_query(self, query: str) -> str: # 初始化消息历史 messages = [{"role": "user", "content": query}] # 最大工具调用轮次 max_tool_rounds = 20 current_round = 0 while current_round < max_tool_rounds: current_round += 1 # 调用AI模型 response = self.openai_client.chat.completions.create( model=self.model, messages=messages, tools=self.available_tools, ) # 处理AI响应 message = response.choices[0].message finish_reason = response.choices[0].finish_reason # 如果没有工具调用，直接返回结果 if finish_reason != "tool_calls": return message.content # 处理工具调用 for tool_call in message.tool_calls: tool_id = tool_call.id tool_name = tool_call.function.name tool_args = json.loads(tool_call.function.arguments) # 执行工具 if tool_name in self.tool_to_session: session = self.tool_to_session[tool_name] tool_result = await session.call_tool(tool_name, tool_args) # 添加工具结果到消息历史 messages.append({ "role": "tool", "tool_call_id": tool_id, "content": str(tool_result.content) }) ``` ## 5. 典型使用场景 ### 5.1 搜索论文 ``` 用户: 搜索关于few-shot学习的论文 聊天机器人: 调用search_papers工具搜索论文 服务器: 在arxiv上搜索few-shot学习的论文，保存到papers/few-shot/papers_info.json 聊天机器人: 将搜索结果发送给AI模型 AI模型: 生成关于搜索结果的总结 聊天机器人: 将总结返回给用户 ``` ### 5.2 访问论文资源 ``` 用户: @folders 聊天机器人: 访问papers://folders资源 服务器: 返回所有论文主题列表 聊天机器人: 将主题列表显示给用户 用户: @few-shot 聊天机器人: 访问papers://few-shot资源 服务器: 返回few-shot主题的所有论文详细信息 聊天机器人: 将论文详细信息显示给用户 ``` ### 5.3 使用提示词 ``` 用户: /prompt generate_search_prompt topic=machine learning num_papers=3 聊天机器人: 调用generate_search_prompt提示词 服务器: 返回生成的提示词内容 聊天机器人: 使用该提示词调用AI模型 AI模型: 根据提示词生成搜索策略和指令 AI模型: 确定需要调用search_papers工具 聊天机器人: 调用search_papers工具搜索机器学习论文 服务器: 返回搜索到的论文ID列表 聊天机器人: 将搜索结果发送给AI模型 AI模型: 调用extract_info工具获取每篇论文的详细信息 聊天机器人: 调用extract_info工具获取论文详情 服务器: 返回每篇论文的详细信息 聊天机器人: 将论文详情发送给AI模型 AI模型: 根据所有论文信息生成综合分析 聊天机器人: 将综合分析结果显示给用户 ``` ## 6. 配置管理 服务器配置文件`server_config.json`定义了所有MCP服务器的连接参数： ```json { "mcpServers": { "filesystem": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", "MCP_3"] }, "research": { "command": "uv", "args": ["run", "MCP_3/server.py"] }, "fetch": { "command": "uvx", "args": ["mcp-server-fetch"] } } } ``` 可以通过修改此文件添加或删除MCP服务器。 ## 7. 错误处理 - **服务器连接错误**: 聊天机器人会捕获连接错误并显示错误信息 - **工具调用错误**: 聊天机器人会捕获工具调用错误并显示错误信息 - **资源访问错误**: 服务器会返回适当的错误信息 - **AI模型错误**: 聊天机器人会捕获AI模型错误并显示错误信息 ## 8. 最佳实践 1. **服务器设计**: - 为每个功能创建独立的工具 - 为工具提供清晰的文档字符串 - 使用适当的参数验证 2. **客户端设计**: - 实现适当的错误处理 - 限制工具调用的最大轮次 - 提供友好的用户界面 3. **配置管理**: - 使用JSON配置文件管理服务器连接 - 定期更新服务器配置 4. **性能优化**: - 使用异步编程提高性能 - 限制工具调用的超时时间 - 缓存频繁使用的结果