之前我们在《MCP(Model Context Protocol) 大模型智能体第一个开源标准协议》一文中，介绍了MCP的概念，虽然了解了其概念、架构、解决的问题，但还缺少具体的示例，来帮助进一步理解整套MCP框架如何落地。
今天我们基于claude的官方例子–获取天气预报【1】，来理解MCP落地的整条链路。
该案例是构建一个简单的MCP天气预报服务器，并将其连接到主机，即Claude for Desktop。从基本设置开始，然后逐步发展到更复杂的使用场景。
大模型虽然能力非常强，但其弊端就是内容是过时的，这里的过时不是说内容很旧，只是表达内容具有非实时性。比如没有获取天气预报和严重天气警报的能力。因此我们将使用MCP来解决这一问题。
构建一个服务器，该服务器提供两个工具：获取警报（get-alerts）和获取预报（get-forecast）。然后，将该服务器连接到MCP主机（在本例中为Claude for Desktop）。
首先我们配置下环境：
（1）安装uv
安装完成后，会提示：
downloading uv 0.6.9 aarch64-apple-darwin
no checksums to verify
installing to /Users/nicolas/.local/bin
uv
uvx
everything’s installed!
（2）安装所需的依赖包
（3）在server.py中构建相应的get-alerts和 get-forecast工具：
这段代码中，最核心的其实就是@server.list_tools() 以及 @server.call_tool() 这两个注解。
@server.list_tools() – 注册用于列出可用工具的处理器
@server.call_tool() – 注册用于执行工具调用的处理器
调用函数的逻辑也比较简单，匹配到对应的工具名称，然后抽取对应的输入参数，然后发起api的请求，对获得的结果进行处理：
（4）服务端与客户端交互
测试服务器与 Claude for Desktop。【2】也给出了构建MCP 客户端的教程。其中核心的逻辑如下：
启动客户端，需要打开 Claude for Desktop 应用配置文件：
如果该文件不存在，确保先创建出来，然后配置以下信息，以示例说明，我们uv init的是weather，所以这里mcpServers配置weather的服务，args中的路径设置为你weather的绝对路径。
保存文件，并重新启动 Claude for Desktop。可以看到Claude for Desktop 能够识别在天气服务器中暴露的两个工具。
然后在客户端询问天气，会提示调用get-forecast的tool：
工具是智能体框架的重要组成部分，允许大模型与外界互动并扩展其能力。即使没有MCP协议，也是可以实现LLM智能体，只不过存在几个弊端，当有许多不同的 API 时，启用工具使用变得很麻烦，因为任何工具都需要：手动构建prompt，每当其 API 发生变化时手动更claude code 教程新【3，4】。
如下图所示：
MCP其实解决了当存在大量工具时，能够自动发现，并自动构建prompt。
整体流程示例：
（1）以总结git项目最近5次提交为例，MCP 主机（与客户端一起）将首先调用 MCP 服务器，询问有哪些工具可用。
MCP 主机：像
Claude Desktop、IDE 或其他 AI 工具等程序，希望通过
MCP 访问数据。
MCP 客户端：与服务器保持
1:1 连接 的协议客户端。
（2）MPC 客户端接收到所列出的可用工具后，发给LLM，LLM 收到信息后，可能会选择使用某个工具。它通过主机向 MCP 服务器发送请求，然后接收结果，包括所使用的工具。
（3）LLM 收到工具处理结果（包括原始的query等信息），之后就可以向用户输出最终的答案。
总结起来，就一句话，MCP协议其实是让智能体更容易管理、发现、使用工具。
【1】For Server Developers – Model Context Protocol
【2】For Client Developers – Model Context Protocol
【3】AI Agent框架综述
【4】MCP工作原理
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/286002.html原文链接：https://javaforall.net
