Click on "Deploy Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type @ followed by the MCP server name and your instructions, e.g., "@mcp-tool-server search for all Python files"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
一个从头手写的 MCP (Model Context Protocol) 工具服务器，包含 6 个实用工具。
配合 LangChain Agent 客户端，完整演示了 MCP 协议的核心工作流：
MCP Server (工具提供方) LangChain Agent (工具消费方)
───────────────────────── ───────────────────────────
定义工具 + 参数 Schema ←→ 自动发现工具 (tools/list)
等待工具调用 ←→ 调用工具 (tools/call)
返回执行结果 ←→ LLM 推理 → 最终回答Related MCP server: SampleMCP
my-mcp-server/
├── mcp_server.py # MCP Server: 6 个工具, 支持 HTTP/stdio 双模式
├── agent_client.py # LangChain Agent: 自动发现并调用 MCP 工具
├── pyproject.toml # 依赖清单
├── .env.example # 环境变量模板
└── README.md # 你正在看的文件pip install fastmcp langchain langchain-openai langchain-mcp-adapters python-dotenvcp .env.example .env
# 编辑 .env, 填入你的 OPENAI_API_KEY# 终端 1: HTTP 模式 (推荐，方便调试)
python mcp_server.py --transport http --port 8000# 终端 2: 交互模式
python agent_client.py
# 或者单次提问
python agent_client.py "帮我搜索当前目录下所有的 Python 文件"工具名 | 功能 | 示例 |
| 按文件名模式搜索本地文件 | "找所有 .py 文件" |
| 读取文本文件内容 | "读取 README.md" |
| 安全的数学表达式求值 | "计算 3+5*7" |
| JSON 格式化/美化 | "格式化这段 JSON" |
| 查询当前时间 (支持时区) | "现在几点了?" |
| 查看系统信息 | "我的系统是什么?" |
Agent 启动时调用，服务器返回所有可用工具的清单。每个工具包含：
name: 工具名 (如 calculate)
description: 功能描述 (LLM 读这个来决定要不要用)
inputSchema: 参数定义 (JSON Schema 格式，描述每个参数的类型、是否必填)
Agent 决定使用某个工具时调用，传入工具名和参数。服务器执行后返回结果。
传统做法:
# 每加一个工具都要改 Agent 代码
tools = [calculator_tool, search_tool, ...] # 硬编码MCP 做法:
# Agent 启动时自动发现工具，不用改代码
mcp_client = MultiServerMCPClient({"server": {"url": "..."}})
tools = await mcp_client.get_tools() # 自动发现!This server cannot be deployed
Nifty's MCP server — exposes tasks, projects, messages, and files as tools for AI agents.
MCP server for progressive tool usage at any scale (see https://klavis.ai)
MCP server for agentverse documentation, generated by doc2mcp.
The Remote MCP server acts as a standardized bridge between LLM applications (like Claude, ChatGPT, and Cursor) and external services, enabling AI agents to access external tools and resources. Its primary capability is providing a centralized search tool to discover other MCP servers and their respective tools. Unlike local implementations, it runs remotely with OAuth authentication and permission controls for security.
