那时难决
0%

Model Context Protocol (MCP)与 AI 工具集成实践

Posted on Edited on In

【本文由 Claude 3.7 辅助编写】

Git 仓库

1. MCP 协议简介

Model Context Protocol (MCP) 是一个开放协议，旨在标准化应用程序如何为大型语言模型 (LLMs) 提供上下文。MCP 类似于 AI 应用中的 USB-C 接口，提供了一种标准化的方式，将 AI 模型连接到不同的数据源和工具。

为什么需要 MCP？

MCP 帮助用户在 LLMs 之上构建代理和复杂的工作流。LLMs 经常需要与数据和工具集成，MCP 提供了以下支持：

  • 预建集成：LLM 可以直接插入的预建集成列表。
  • 灵活性：在不同 LLM 提供商和供应商之间切换的灵活性。
  • 最佳实践：在基础设施内保护数据的最佳实践。

核心架构

MCP 采用客户端-服务器架构，主机应用程序可以连接到多个服务器：

  • MCP 主机：如 Claude Desktop、IDE 或 AI 工具，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。
  • MCP 服务器：通过标准化 Model Context Protocol 暴露特定功能的轻量级程序。
  • 本地数据源：MCP 服务器可以安全访问的计算机文件、数据库和服务。
  • 远程服务：MCP 服务器可以通过互联网连接的外部系统（如 API）。

2. 使用 fastmcp 框架实现 MCP Server

fastmcp 是一个用于快速构建 MCP 工具服务器的框架。让我们看看如何使用它实现一个简单的工具服务器：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
import { FastMCP } from "fastmcp";
import { z } from "zod";

// 创建MCP服务器实例
const server = new FastMCP({
  name: "My Server",
  version: "1.0.0",
});

// 添加一个数学计算工具
server.addTool({
  name: "add",
  description: "Add two numbers",
  parameters: z.object({
    a: z.number(),
    b: z.number(),
  }),
  execute: async (args) => {
    return String(args.a + args.b);
  },
});

// 添加一个系统状态查询工具
server.addTool({
  name: "system-battery",
  description: "Get the current system battery status",
  parameters: z.object({}),
  execute: async () => {
    const command = new Deno.Command(
      "C:\\Program Files\\PowerShell\\7\\pwsh.exe",
      {
        args: [
          "-c",
          "Get-WmiObject -Class Win32_Battery | Select-Object -Property EstimatedChargeRemaining | ConvertTo-Json",
        ],
      }
    );
    const output = await command.output();
    return new TextDecoder().decode(output.stdout);
  },
});

// 启动服务器
server.start({
  transportType: "stdio",
});

工具定义的关键要素

  1. 名称 (name): 工具的唯一标识符
  2. 描述 (description): 工具功能的简要说明
  3. 参数模式 (parameters): 使用 zod 定义的参数类型验证规则
  4. 执行逻辑 (execute): 实际执行工具功能的异步函数

FastMCP 使工具服务器的开发变得简单直观。通过定义工具名称、描述、参数模式和执行逻辑，开发者可以快速创建功能丰富的工具集合。服务器通过 stdio 传输方式启动，方便与客户端进行交互。

3. MCP Client 与 OpenAI 接口集成

接下来，我们来看看如何创建 MCP 客户端并将其与 OpenAI 接口集成：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
import { createOpenAI } from "@ai-sdk/openai";
import { Client } from "@modelcontextprotocol/sdk/client/index.js";
import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";
import { CoreMessage, Tool, generateText } from "ai";
import { z } from "zod";

// 创建与MCP服务器的通信通道
const transport = new StdioClientTransport({
  command: "deno",
  args: ["run", "-A", "server.ts"],
});

// 初始化MCP客户端
const client = new Client(
  {
    name: "example-client",
    version: "1.0.0",
  },
  {
    capabilities: {
      prompts: {},
      resources: {},
      tools: {},
    },
  }
);

// 连接到MCP服务器
await client.connect(transport);

// 获取服务器提供的工具描述
const { tools: tool_descs } = await client.listTools();
const tools: Record<string, Tool> = {};

// 将MCP工具转换为OpenAI可用的Tool格式
for (const tool_desc of tool_descs) {
  const parameters: Record<string, z.ZodType> = {};
  for (const [name, { type }] of Object.entries(
    tool_desc.inputSchema.properties
  ) as [string, { type: string }][]) {
    parameters[name] = type === "number" ? z.number() : z.string();
  }

  tools[tool_desc.name] = {
    description: tool_desc.description,
    parameters: z.object(parameters),
    execute: async (args) => {
      const result = await client.callTool({
        name: tool_desc.name,
        arguments: args,
      });
      console.log(`Tool ${tool_desc.name} executed with result:`, result);
      return result.content[0].text;
    },
  };
}

// 初始化OpenAI客户端
const openai = createOpenAI({
  apiKey: process.env.OPENAI_API_KEY,
  baseURL: process.env.OPENAI_BASE_URL,
});

// 处理用户查询
async function main() {
  const model = openai(process.env.OPENAI_MODEL!);
  const messages: CoreMessage[] = [
    { role: "user", content: "系统还有多少电？" },
  ];

  // 使用模型生成文本，可能触发工具调用
  const response = await generateText({
    model,
    tools,
    messages,
  });

  // 处理工具调用和结果
  if (response.toolCalls.length > 0) {
    // ... 处理工具调用和结果的代码 ...

    // 基于工具结果生成最终响应
    const { text } = await generateText({
      model,
      tools,
      messages,
    });
    console.log(text);
  }
}

main();

集成过程的关键步骤

  1. 创建传输通道：通过 StdioClientTransport 连接到 MCP 服务器
  2. 初始化客户端：创建 MCP 客户端并连接
  3. 工具映射：将 MCP 工具转换为 OpenAI 可用的 Tool 格式
  4. 模型调用：使用 OpenAI 模型处理用户查询
  5. 工具调用处理：管理模型生成的工具调用和结果
  6. 响应生成：基于工具执行结果生成最终响应

通过这种集成方式，OpenAI 模型可以无缝调用 MCP 服务器提供的工具，实现强大的功能扩展。

4. MCP 协议的未来展望

随着 AI 技术的快速发展，MCP 协议在未来有着广阔的应用前景：

工具生态系统扩展

未来可能会出现专门的 MCP 工具市场，开发者可以分享和使用各种预构建的工具，加速 AI 应用开发。从代码分析工具、数据处理工具到专业领域工具（如金融分析、医疗诊断等），将形成丰富的工具生态系统。

多模态工具支持

MCP 协议可以扩展到支持多模态工具，使模型能够处理和生成图像、音频和视频内容。例如，通过 MCP 协议连接图像生成工具、视频编辑工具等。

安全性增强

未来 MCP 协议可以引入更强大的安全机制，如权限控制、资源限制和调用审计，确保 AI 系统使用工具时的安全性和可控性。

高效工具调用优化

优化工具调用路径和参数传递方式，减少不必要的往返通信，提高工具调用效率。可能会出现智能工具路由和缓存机制，进一步提升性能。

统一标准化

随着更多组织和项目采用 MCP 协议，可能会形成统一的工具描述标准，使不同平台和模型之间的工具更容易共享和互操作。这将大大减少重复开发工作，推动整个行业向前发展。

AI 代理协作系统

未来 MCP 可能成为 AI 代理之间协作的基础设施，使多个 AI 系统能够共享工具和能力，协同解决复杂问题。

结论

MCP 协议为 AI 模型与工具集成提供了一种灵活、标准化的方式。通过 fastmcp 框架，开发者可以轻松构建功能强大的工具服务器；通过 MCP 客户端与 OpenAI 接口集成，可以实现模型与工具的无缝交互。随着 AI 技术的不断发展，MCP 协议有望在工具生态系统、多模态支持、安全性和效率方面取得更多突破，为 AI 应用开发提供更加强大的支持。

通过实际实践 MCP 协议，开发者可以构建更加智能、灵活的 AI 应用，满足各种复杂场景的需求。

扫码加入技术交流群🖱️
QR code