大模型（LLM）正以前所未有的速度发展，它们的能力已经渗透到各个领域。如何更好地利用这些强大的模型，让它们能够访问外部信息和工具，成为了一个重要的研究方向。MCP (Model Context Protocol) 作为一种开放标准，正为大模型与外部工具的交互提供了一种高效、便捷的解决方案。本文将深入探讨如何利用 STDIO (标准输入/输出) 传输方式，快速构建一个 MCP 服务器，无需复杂的配置和部署，即可让你的大模型拥有强大的外部能力。
什么是 MCP？以及为何如此重要？
MCP (Model Context Protocol) 是一种专门为大模型设计的通信协议。它允许像 Claude 或 GPT-4 这样的 LLM 通过结构化的 API 调用外部工具。想象一下，你可以创建一个工具，让语言模型像调用函数一样使用它来进行搜索、数学计算、数据库查询，或者任何你能想到的功能。
MCP 的重要性体现在以下几个方面：
- 扩展大模型能力： 大模型本身虽然知识储备丰富，但在处理实时信息、特定领域数据以及执行复杂计算等方面存在局限性。MCP 允许大模型访问外部工具，弥补这些不足，从而大幅提升其解决问题的能力。
- 可组合性与灵活性： 通过 MCP，开发者可以构建各种各样的工具，并将它们组合起来，形成强大的工作流。例如，可以将一个搜索工具与一个数学计算工具结合，让大模型先搜索相关信息，然后进行数据分析。
- 标准化接口： MCP 提供了一套标准的接口规范，使得不同的工具可以无缝地与大模型进行交互。这降低了开发成本，并提高了系统的可维护性。
- 安全性和控制： 通过 MCP，开发者可以精确控制大模型可以访问哪些工具，以及每个工具的使用权限。这有助于保障数据的安全性和模型的稳定性。
举个例子，假设你想让大模型帮你分析某个股票的走势。如果没有 MCP，你可能需要将股票数据手动输入到模型中，并编写复杂的代码进行分析。而有了 MCP，你可以构建一个股票数据查询工具，让大模型通过 MCP 协议直接调用该工具获取实时数据，并进行分析。
STDIO：极简的 MCP 工具构建方式
在众多 MCP 传输方式中，STDIO (标准输入/输出) 无疑是最简单、最直接的一种。它允许你通过标准输入/输出来构建 MCP 兼容的工具，这意味着：
- 无需服务器： 工具直接在本地运行，无需搭建额外的服务器。
- 无需网络配置： 工具通过标准输入/输出进行通信，无需进行复杂的网络配置。
- 跨平台兼容： 只要你的机器支持标准输入/输出，就可以运行该工具。
- 易于集成： STDIO 可以无缝地与 LangChain、LangGraph 等流行的 LLM 开发框架集成。
与传统的 HTTP 方式相比，STDIO 方式更加轻量级，更加易于上手，特别适合用于快速原型开发和本地调试。
使用 Python 和 Tavily API 构建一个 STDIO MCP 服务器
接下来，我们将通过一个具体的例子，演示如何使用 Python 和 Tavily API 构建一个 STDIO MCP 服务器。这个服务器的功能是利用 Tavily API 进行网络搜索，并将搜索结果返回给大模型。
1. 准备工作
首先，你需要安装以下依赖：
pip install fastmcp requests langchain langgraph
然后，你需要获取一个 Tavily API Key，并将其设置为环境变量：
export TAVILY_API_KEY="your_real_api_key"
你可以在 Tavily 官网免费注册一个 API Key。
2. 创建 MCP 服务器
使用 FastMCP 创建一个简单的 MCP 服务器：
from mcp.server import FastMCP
mcp = FastMCP("tavily-search-server")
这段代码创建了一个名为 “tavily-search-server” 的 MCP 服务器实例。
3. 添加 Tavily Web 搜索工具
定义一个函数 tavily_search，该函数调用 Tavily API 进行网络搜索，并将搜索结果返回：
import os
import requests
TAVILY_API_KEY = os.getenv("TAVILY_API_KEY")
@mcp.tool()
def tavily_search(query: str) -> str:
"""Use Tavily API to search the web and return the top result."""
url = "https://api.tavily.com/search"
headers = {"Authorization": f"Bearer {TAVILY_API_KEY}"}
payload = {"query": query, "max_results": 1}
response = requests.post(url, headers=headers, json=payload)
response.raise_for_status()
results = response.json()
return results["results"][0]["content"] if results.get("results") else "No results found."
@mcp.tool() 装饰器将该函数注册为 MCP 工具。当大模型通过 MCP 协议调用该工具时，tavily_search 函数将被执行。该函数接受一个字符串类型的参数 query，表示搜索关键词，并返回一个字符串类型的搜索结果。函数内部调用 Tavily API 进行搜索，并将返回的 JSON 数据解析后，提取第一个结果的内容。
4. 启动服务器
添加一个简单的入口点来启动服务器：
if __name__ == "__main__":
print("✅ MCP server has started")
mcp.run()
将以上代码保存为 tavily_server.py 文件。
5. 与 LangGraph ReAct Agent 集成
现在，我们将使用 LangGraph ReAct Agent 来调用我们刚刚创建的 MCP 服务器。首先，你需要安装 langchain_mcp_adapters 包：
pip install langchain_mcp_adapters
然后，创建一个 Python 文件，例如 agent.py，并添加以下代码：
import asyncio
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from langchain_mcp_adapters.tools import load_mcp_tools
from langgraph.prebuilt import create_react_agent
from langchain.chat_models import ChatOpenAI
async def run_agent():
server_params = StdioServerParameters(
command=["python", "tavily_server.py"]
)
async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:
await session.initialize()
tools = await load_mcp_tools(session)
agent_executor = create_react_agent(
llm=ChatOpenAI(model="gpt-4"),
tools=tools,
max_iterations=5,
)
result = await agent_executor.ainvoke({
"input": "What's the latest news about AI policy in Europe?"
})
print(result["output"])
if __name__ == "__main__":
asyncio.run(run_agent())
这段代码首先创建了一个 StdioServerParameters 对象，指定了 MCP 服务器的启动命令。然后，使用 stdio_client 创建一个 STDIO 客户端，并使用 ClientSession 与服务器建立连接。load_mcp_tools 函数从 MCP 服务器加载工具，并将它们传递给 LangGraph ReAct Agent。最后，Agent 使用 Tavily 搜索工具来回答问题 “What’s the latest news about AI policy in Europe?”。
6. 运行 Agent
运行 agent.py 文件：
python agent.py
你会看到 Agent 通过 MCP 服务器调用 Tavily API 进行搜索，并返回搜索结果。
通过这个例子，我们成功地构建了一个基于 STDIO 的 MCP 服务器，并将其与 LangGraph ReAct Agent 集成。整个过程非常简单，无需复杂的配置和部署。
STDIO MCP 的优势与局限性
优势：
- 简单易用： 无需服务器，无需网络配置，易于上手。
- 轻量级： 资源占用少，适合本地调试和快速原型开发。
- 跨平台： 只要支持标准输入/输出，就可以运行。
- 集成方便： 可以与 LangChain、LangGraph 等 LLM 开发框架无缝集成。
局限性：
- 单客户端： STDIO 模式只能支持一个客户端连接。
- 不适合生产环境： STDIO 模式不适合在高并发、高可用性的生产环境中使用。
从 STDIO 到 HTTP：扩展 MCP 服务器的能力
虽然 STDIO 模式非常适合本地开发，但在实际应用中，我们往往需要构建一个可以远程访问、支持多个客户端的 MCP 服务器。这时，我们可以使用 HTTP 协议来实现 MCP 服务器。
HTTP 模式的 MCP 服务器可以部署在云端，通过网络提供服务。它支持多个客户端同时连接，并且可以实现流式响应，从而提高性能和用户体验。
例如，我们可以使用 FastAPI 构建一个 HTTP MCP 服务器，并使用 Server-Sent Events (SSE) 实现流式响应。具体实现细节可以参考后续的文章。
结论
MCP (Model Context Protocol) 为大模型与外部工具的交互提供了一种标准化的解决方案。通过 STDIO 传输方式，我们可以快速构建 MCP 服务器，无需复杂的配置和部署。这使得开发者可以更加专注于工具本身的开发，而不是底层的通信细节。
然而，STDIO 模式也存在一些局限性，例如只能支持单客户端连接。在实际应用中，我们可以根据具体需求选择合适的传输方式，例如 HTTP。
总而言之，MCP 为大模型带来了无限的可能性。通过与外部工具的结合，大模型可以更好地解决实际问题，并为各行各业带来变革。随着 MCP 标准的不断完善和普及，相信未来会有越来越多的开发者加入到 MCP 的生态中，共同推动大模型技术的发展。