MCPサーバーの実装

外部ツールを使用して大規模言語モデル機能を強化するための Model Context Protocol (MCP) の完全な Flask ベースの実装。

概要

このリポジトリは、モデルのテキスト出力内で直接ツールを呼び出すことでLLM機能を拡張する手法であるモデルコンテキストプロトコル（MCP）を処理するサーバーの構築方法を示します。関数呼び出しとは異なり、MCPはツール定義をコンテキストウィンドウに直接配置し、モデルの自然言語応答を解析してツールの使用状況を識別します。

特徴

🔧完全なMCP実装：完全な解析、実行、および応答処理
🌤️サンプルツール: パラメータ検証機能を備えた天気予報および計算ツール
🔄会話フロー：複数のやり取りにわたってコンテキストを維持する
🧩正規表現ベースの解析：ツール呼び出しのための柔軟なテキスト解析
🚀 Flask API : チャット統合のための REST API エンドポイント

プロジェクト構造

mcp_server/
├── app.py                  # Main Flask application
├── mcp_handler.py          # MCP parsing and execution
├── mcp_example.py          # Standalone MCP example
├── requirements.txt        # Dependencies
├── tools/                  # Tool implementations
│   ├── __init__.py
│   ├── weather.py          # Weather API tool
│   └── calculator.py       # Calculator tool
└── README.md               # This file

インストール

リポジトリをクローンします。
git clone https://github.com/yourusername/mcp-server.git cd mcp-server
仮想環境を作成します。
python -m venv venv source venv/bin/activate # On Windows: venv\Scripts\activate
依存関係をインストールします:
pip install -r requirements.txt
環境変数を設定します。
# Create a .env file with: LLM_API_KEY=your_llm_api_key_here WEATHER_API_KEY=your_weather_api_key_here FLASK_APP=app.py FLASK_ENV=development

使用法

サーバーの実行

Flask 開発サーバーを起動します。

flask run

生産の場合:

gunicorn app:app

APIエンドポイント

POST /chat : MCP でチャットメッセージを処理する
curl -X POST http://localhost:5000/chat \ -H "Content-Type: application/json" \ -d '{ "messages": [ { "role": "user", "content": "What's the weather like in Boston?" } ] }'

スタンドアロンの例

サンプルスクリプトを実行して、MCP の動作を確認します。

python mcp_example.py

仕組み

ツール登録: ツールはパラメータと実行ロジックとともに登録されます
ツール定義の挿入: XML形式のツールの説明がプロンプトに追加されます
LLM 応答処理: 正規表現パターンは LLM のテキスト出力内のツール呼び出しを識別します。
ツール実行: パラメータが解析され、適切なツールハンドラに渡されます。
結果の挿入: ツールの実行結果がレスポンスに挿入されます

MCPと関数呼び出し

特徴	MCP	関数呼び出し
定義場所	プロンプトテキスト	APIパラメータ内
呼び出し形式	自然言語	構造化JSON
実装	テキスト解析	API統合
可視性	応答で表示される	隠れている可能性があります
プラットフォームサポート	テキストベースのLLM	APIサポートが必要

会話例

ユーザー: ボストンの天気はどうですか?

法学修士：

I'll check the weather for you.

get_weather(location="Boston, MA", unit="fahrenheit")

処理後:

I'll check the weather for you.

get_weather(location="Boston, MA", unit="fahrenheit")

Result from get_weather:
{
  "location": "Boston, MA",
  "temperature": 72,
  "unit": "fahrenheit",
  "conditions": "Partly Cloudy",
  "humidity": 68,
  "wind_speed": 5.8
}

独自のツールを追加する

Toolから継承した新しいクラスを作成する
パラメータと実行ロジックを定義する
MCPハンドラーに登録する

例：

class MyTool(Tool):
    def __init__(self):
        parameters = [
            {
                "name": "param1",
                "type": "string",
                "description": "Description of param1",
                "required": True
            }
        ]
        
        super().__init__(
            name="my_tool",
            description="Description of my tool",
            parameters=parameters
        )
    
    def execute(self, param1):
        # Tool logic here
        return {"result": "Processed " + param1}

MCP の構成と呼び出しフロー

ツール登録:
- MCPツールはハンドラーに登録されます
- 各ツールは、名前、説明、パラメータ定義を提供します。
ツール定義の注入:
- ツール定義がシステムメッセージに追加されます
- MCPのフォーマットはXML構造に従います
LLM応答処理:
- LLMはツールの呼び出しを含む可能性のある応答を生成します
- パターンマッチングはテキスト内のツール呼び出しを識別します
- ツールパラメータは解析され、ツール実行メソッドに渡されます
ツールの実行:
- ツールは指定されたパラメータで実行されます
- 結果が会話に反映される
会話管理:
- ツールの結果を含む処理済みの応答は会話履歴に追加されます
- 今後のLLMリクエストには、コンテキストのためにこの履歴が含まれます。

会話例

会話の例は次のようになります。

ユーザー: ボストンの天気はどうですか?

システム: MCPツール定義を含むプロンプトをLLMに送信します

LLMの回答:

I'll check the weather for you.

get_weather(location="Boston, MA", unit="fahrenheit")

MCPハンドラ:応答を解析し、ツール呼び出しを見つけて、天気ツールを実行します。

ツール実行結果:

Result from get_weather:
{
  "location": "Boston, MA",
  "temperature": 72,
  "unit": "fahrenheit",
  "conditions": "Partly Cloudy",
  "humidity": 68,
  "wind_speed": 5.8
}

処理された応答（ユーザーに返送されます）:

I'll check the weather for you.

get_weather(location="Boston, MA", unit="fahrenheit")

Result from get_weather:
{
  "location": "Boston, MA",
  "temperature": 72,
  "unit": "fahrenheit",
  "conditions": "Partly Cloudy",
  "humidity": 68,
  "wind_speed": 5.8
}

ユーザー: 144 の平方根を計算できますか?

LLMの回答:

I can calculate that for you.

calculator(expression="sqrt(144)")

MCP ハンドラ:応答を解析し、計算ツールを実行します

ツール実行結果:

Result from calculator:
{
  "expression": "sqrt(144)",
  "result": 12.0
}

処理された応答（ユーザーに返送されます）:

I can calculate that for you.

calculator(expression="sqrt(144)")

Result from calculator:
{
  "expression": "sqrt(144)",
  "result": 12.0
}

The square root of 144 is 12.

これは、LLM のテキストベースの呼び出しから実行および応答処理までの、MCP ツールの使用の完全なフローを示しています。

ライセンス

マサチューセッツ工科大学

貢献

貢献を歓迎します！お気軽にプルリクエストを送信してください。

MCP Server

Integrations