构建 MCP 服务器：通往智能 AI 集成的指南

随着大语言模型 (LLM) 技术的飞速发展，模型上下文协议 (MCP) 正迅速成为连接 LLM 与其他系统的事实标准。本文将深入探讨 MCP 服务器的构建，引导开发者了解其核心架构、关键组件以及实际应用，助力你打造更智能、更安全的 AI 集成方案。我们将以一个实用的代码示例为基础，剖析 工具 (Tools)、资源 (Resources) 和 提示 (Prompts) 这三大支柱，并探讨 MCP 服务器 在 AI 时代的关键作用。

MCP 服务器架构：连接 AI 与世界的桥梁

MCP 服务器 充当 AI 应用与各种数据源之间的桥梁，通过标准化的接口，避免了传统方法中大量定制化连接的复杂性。其核心架构可分为以下几个关键层级：

通信层 (Communication Layer)： 负责处理客户端与服务器之间的通信，目前主流的实现方式是 JSON-RPC。在开发阶段，Stdio 是一种便捷的选择，但在生产环境中，HTTP 协议通常更可靠和高效。选择合适的传输协议对服务器的可扩展性和部署至关重要。
请求处理层 (Request Handlers)： 处理基本的 MCP 操作，例如工具列表的获取、工具的调用、资源的读取以及提示的获取。
上下文存储层 (Context Stores)： 用于存储会话数据，确保 AI 应用能够记住之前的交互信息，提供更连贯的用户体验。
缓存层 (Caching Layer)： 用于缓存常用的数据和计算结果，提高系统的响应速度和吞吐量。

这种模块化的设计使得 MCP 服务器 能够快速扩展，轻松应对各种应用场景。例如，在一个电商平台的 AI 客服系统中，MCP 服务器 可以通过 HTTP 协议与客户端应用通信，利用上下文存储层记住用户的购物历史和偏好，并利用缓存层快速检索商品信息。

MCP 的三大支柱：工具、资源与提示

MCP 服务器 的核心在于其三大支柱：工具 (Tools)、资源 (Resources) 和 提示 (Prompts)。理解并熟练运用这三大支柱是构建强大 MCP 服务器 的关键。

工具 (Tools)：AI 的执行之手

工具 (Tools) 代表 AI 系统的“手”，使模型能够控制现实世界的任务执行。与传统的 API 接口不同，MCP 工具 由 AI 根据上下文和需求智能地调用，从而创造更自然的交互模式。

在示例代码中，src/tools/handlers.py 定义了两个简单的工具：calculate_user_statistics 和 update_user_status。这两个工具可以用于计算用户统计信息和更新用户状态。

@server.list_tools()
def list_available_tools():
    """Lists all available tools."""
    return ["calculate_user_statistics", "update_user_status"]

@server.call_tool()
def calculate_user_statistics(user_id: str):
    """Calculates statistics for a given user."""
    # 实现计算用户统计信息的逻辑
    pass

@server.call_tool()
def update_user_status(user_id: str, status: str):
    """Updates the status of a given user."""
    # 实现更新用户状态的逻辑
    pass

@server.list_tools() 装饰器将 list_available_tools 函数注册为工具发现请求的处理程序。当客户端或 AI 模型想要知道有哪些工具可用时，它会向服务器发送一个 “list tools” 请求。@server.call_tool() 装饰器将 calculate_user_statistics 和 update_user_status 函数注册为实际工具调用请求的处理程序。当客户端或 AI 模型想要执行一个工具时，它会发送一个 “call tool” 请求，其中包含工具名称和参数。

设想一个智能家居场景，AI 助手可以根据用户的指令控制家电设备。例如，用户可以说：“把客厅的灯打开”。AI 助手可以通过 MCP 服务器 调用 turn_on_light 工具，实现对灯的控制。

资源 (Resources)：AI 的知识宝库

资源 (Resources) 充当 MCP 服务器 的“记忆库”，提供对数据的应用程序控制访问，从而丰富 AI 交互。这些只读数据源为通用 AI 响应转化为知情、相关的见解提供了上下文基础。

在示例代码中，src/ressources/handlers.py 定义了两个资源：User Database 和 System Information。User Database 包含内存用户数据库，提供用户记录，而 System Information 包含当前系统状态和服务器元数据。

AVAILABLE_RESOURCES = [
    types.Resource(
        uri=AnyUrl("memory://users"),
        name="User Database",
        description="In-memory user database with sample user records",
        mimeType="application/json"
    ),
    types.Resource(
        uri=AnyUrl("memory://system-info"),
        name="System Information",
        description="Current system status and server metadata",
        mimeType="application/json"
    )
]

@server.list_resources()
def list_available_resources():
    """Lists all available resources."""
    return AVAILABLE_RESOURCES

@server.read_resource()
def read_resource(uri: AnyUrl):
    """Reads a resource from the given URI."""
    if uri == "memory://users":
        # 从内存中读取用户数据
        return {"users": [{"id": "1", "name": "Alice"}, {"id": "2", "name": "Bob"}]}
    elif uri == "memory://system-info":
        # 从内存中读取系统信息
        return {"version": "1.0", "status": "healthy"}
    else:
        raise ValueError(f"Unknown resource URI: {uri}")

@server.list_resources() 装饰器将 list_available_resources 函数注册为资源列表请求的处理程序。@server.read_resource() 装饰器将 read_resource 函数注册为资源读取请求的处理程序。

假设一个医疗 AI 助手，可以通过 MCP 服务器 访问患者的病历资源。当医生询问患者的过敏史时，AI 助手可以读取 Patient Medical History 资源，提供准确的患者信息。通过利用资源，AI 助手能够提供更个性化和有价值的服务。

提示 (Prompts)：AI 的引导之灯

提示 (Prompts) 用作可重用的模板，引导 AI 交互朝向特定结果。它们代表用户控制的元素，通过客户端界面呈现，为常见任务和工作流程提供结构化方法。

在示例代码中，src/prompts/handlers.py 定义了两个提示：analyze-user-data 和 generate-report。

@server.list_prompts()
def list_available_prompts():
    """Lists all available prompts."""
    return ["analyze-user-data", "generate-report"]

@server.get_prompt()
def get_prompt(prompt_name: str, **kwargs):
    """Gets a prompt with the given name and arguments."""
    if prompt_name == "analyze-user-data":
        return f"Analyze the following user data: {kwargs['user_data']}"
    elif prompt_name == "generate-report":
        return f"Generate a report based on the following data: {kwargs['data']}"
    else:
        raise ValueError(f"Unknown prompt name: {prompt_name}")

@server.list_prompts() 装饰器将 list_available_prompts 函数注册为提示列表请求的处理程序。@server.get_prompt() 装饰器将 get_prompt 函数注册为提示获取请求的处理程序。

想象一个内容创作平台，用户可以使用 AI 助手生成文章。用户可以通过 MCP 服务器 选择 generate-article 提示，并提供文章主题、关键词等参数。AI 助手将根据这些参数生成一篇符合要求的文章。提示的使用可以有效控制 AI 的输出，使其更符合用户的需求。

实战演练：运行 Demo 服务器

为了更好地理解 MCP 服务器 的构建，我们可以运行示例代码中的 Demo 服务器。以下是运行 Demo 服务器的步骤：

设置环境:
- 克隆服务器代码库：git clone git@github.com:abducodez/mcp-server-demo.git
- 安装依赖项：cd mcp-server-demo && uv venv && source .venv/bin/activate && uv sync
添加服务器到 Claude Desktop (或任何支持 MCP 的客户端):
- 找到 Claude Desktop 的配置文件 (例如 ~/Library/Application\ Support/Claude/claude_desktop_config.json)。
- 在 mcpServers 设置中添加以下配置 (替换 /ABSOLUTE/PATH/TO/PARENT/FOLDER/demo 为你的实际路径):
```
{
  "mcpServers": {
    "demo": {
      "command": "uv",
      "args": [
        "--directory",
        "/ABSOLUTE/PATH/TO/PARENT/FOLDER/demo",
        "run",
        "demo.py"
      ]
    }
  }
}
```
与服务器交互:

现在你就可以在 Claude Desktop 中与 Demo 服务器交互，体验工具、资源和提示的使用。

MCP 服务器的未来：智能化与安全性的融合

随着技术不断进步，MCP 服务器 的发展方向不仅仅是连接系统，更重要的是构建智能、安全且可扩展的服务器。

智能化: 未来的 MCP 服务器 将更加智能，能够自动识别用户需求，并根据上下文选择合适的工具、资源和提示。
安全性: 随着 AI 应用的普及，安全性变得越来越重要。未来的 MCP 服务器 将采用更严格的安全措施，保护用户数据和系统安全。
可扩展性: 为了应对不断增长的 AI 应用需求，未来的 MCP 服务器 将需要具备更高的可扩展性，能够轻松处理大量的并发请求。

例如，在金融领域，未来的 MCP 服务器 可以通过集成身份验证工具和欺诈检测资源，确保交易的安全性。同时，通过分析用户的交易历史和偏好，MCP 服务器 可以利用个性化提示为用户推荐更合适的投资方案。

结语：拥抱 MCP，迎接 AI 驱动的未来

从早期孤立的 AI 模型到真正有用的、上下文感知的助手，这条道路的核心是精心设计的 MCP 服务器。这不仅仅是跟上最新趋势，更是确保创新保持可访问、开放，并基于人们可以信任的坚实工程基础之上。

构建 MCP 服务器 不仅仅是技术挑战，更是一项具有深远意义的战略决策。通过投资于 MCP 服务器 的架构和分析实践，企业能够更好地适应 AI 时代的变革，并在竞争中脱颖而出。 模型上下文协议 不仅仅是一种技术，更是一种理念，它将引领我们走向一个更加智能、高效的未来。抓住 MCP 服务器 带来的机遇，让我们共同拥抱 AI 驱动的未来！

构建 MCP 服务器：通往智能 AI 集成的指南