MCP 服务器实现

基于 Flask 的完整模型上下文协议 (MCP) 实现，用于通过外部工具增强大型语言模型功能。

概述

此存储库演示了如何构建一个处理模型上下文协议 (MCP) 的服务器。MCP 是一种通过直接在模型的文本输出中调用工具来扩展 LLM 功能的方法。与函数调用不同，MCP 将工具定义直接放置在上下文窗口中，并解析模型的自然语言响应以识别工具的使用情况。

特征

• 🔧完整的 MCP 实现：完整的解析、执行和响应处理

• 🌤️示例工具：带有参数验证的天气和计算器工具

• 🔄对话流：在多个交互中保持上下文

• 🧩基于正则表达式的解析：用于工具调用的灵活文本解析

• 🚀 Flask API ：用于聊天集成的 REST API 端点

项目结构

安装

1. 克隆存储库：

   git clone https://github.com/yourusername/mcp-server.git cd mcp-server

2. 创建虚拟环境：

   python -m venv venv source venv/bin/activate # On Windows: venv\Scripts\activate

3. 安装依赖项：

   pip install -r requirements.txt

4. 设置环境变量：

   # 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

用法

运行服务器

启动Flask开发服务器：

对于生产：

API 端点

• POST /chat ：使用 MCP 处理聊天消息

  curl -X POST http://localhost:5000/chat \ -H "Content-Type: application/json" \ -d '{ "messages": [ { "role": "user", "content": "What's the weather like in Boston?" } ] }'

独立示例

运行示例脚本来查看 MCP 的运行情况：

工作原理

1. 工具注册：工具及其参数和执行逻辑进行注册

2. 工具定义注入：将 XML 格式的工具描述添加到提示中

3. LLM 响应处理：正则表达式模式识别 LLM 文本输出中的工具调用

4. 工具执行：参数被解析并传递给适当的工具处理程序

5. 结果注入：工具执行结果被插入到响应中

MCP 与函数调用

对话示例

用户：波士顿的天气怎么样？

法学硕士：

处理后：

添加您自己的工具

1. 创建一个继承自Tool的新类

2. 定义参数和执行逻辑

3. 向 MCP 处理程序注册

例子：

MCP 配置和调用流程

1. 工具注册：

   • MCP 工具已向处理程序注册

   • 每个工具都提供其名称、描述和参数定义

2. 工具定义注入：

   • 工具定义已添加到系统消息中

   • 格式遵循 MCP 的 XML 结构

3. LLM 响应处理：

   • LLM 生成可能包含工具调用的响应

   • 模式匹配识别文本中的工具调用

   • 工具参数被解析并传递给工具执行方法

4. 工具执行：

   • 使用提供的参数执行工具

   • 结果被重新注入到对话中

5. 对话管理：

   • 已处理且包含工具结果的回复将添加到对话历史记录中

   • 未来的 LLM 请求将包括此历史作为背景

对话示例

以下是对话的示例：

用户：波士顿的天气怎么样？

系统：向 LLM 发送带有 MCP 工具定义的提示

LLM 回复：

MCP Handler ：解析响应，找到工具调用，并执行天气工具

工具执行结果：

已处理的响应（发送回用户）：

用户：你能计算 144 的平方根吗？

LLM 回复：

MCP Handler ：解析响应，执行计算器工具

工具执行结果：

已处理的响应（发送回用户）：

这演示了 MCP 工具使用的完整流程，从 LLM 的基于文本的调用到执行和响应处理。

执照

麻省理工学院

贡献

欢迎贡献代码！欢迎提交 Pull 请求。