在大型语言模型（LLM）生态快速演进的今天，Model Context Protocol（MCP）作为连接 AI 能力与真实世界的标准化协议，正逐步成为智能体开发的事实标准。该协议通过定义 Resources（静态资源）、Prompts（提示词模板）和 Tools（可执行工具）三大核心能力，让开发者能够以模块化方式为 LLM 扩展文件系统访问、API 集成甚至物联网控制等交互能力。

然而当前 MCP Server 的开发部署仍存在显著痛点：开发者需要手动配置 Python/TypeScript SDK、处理依赖冲突，最终还需自行解决云端的 IaC 部署难题。这种碎片化体验使得从零构建 MCP Server 的成本过高。而通过 Serverless Devs CLI 工具，开发者能够一键拉起 MCP Server 项目，并在开发完成后一键部署到云端，显著缩短开发链路，提升 MCP Server 的开发效率。

本文将带你通过 Serverless Devs CLI 工具，开发并一键部署一个原生 SSE 的示例 MCP Server 到阿里云函数计算（FC），提供自带 LLM 的 Client ，可对部署好的 MCP Server 进行测试。

1. 什么是 Serverless Devs？

Serverless Devs^【1】 是一个开源开放的 Serverless 开发者平台，致力于为开发者提供强大的工具链体系。通过该平台，开发者可以一键体验多云 Serverless 产品，极速部署 Serverless 项目。Serverless Devs 于 2020 年 10 月 23 日正式开源，并于 2022年 进入 CNCF 沙箱，成为首个入选的 Serverless 工具项目，目前项目已经服务于成千上万的开发者和企业用户。

Serverless Devs 包含 CLI 工具，Registry 各类热门 AI 应用模版、实用 AI 工具以及 AI 工作流)，CICD 工具，并与函数计算 FC、FunctionAI 开发平台密切合作，为开发者提供更加便利的 Serverless+AI 服务。

2. 从零开发 MCP Server

2.1 本地初始化 MCP Server

初始化 MCP Server 项目到本地需要借助 Serverless Devs 工具。可依照此文档进行安装。安装并配置完成后，通过以下指令初始化一个 Hello World MCP Server 项目：

s init start-mcp-nodejs-hello-world

按照提示填入地域，函数名和配置好的 access，即可完成项目的初始化：

项目的目录结构如下：

.
├── build.yaml                  # 构建配置
├── code                        # 项目代码目录
│   ├── check_node_version.mjs  # 部署前检查脚本
│   ├── package-lock.json       
│   ├── package.json       
│   ├── src
│   │   └── index.ts            # 项目源码
│   ├── tsconfig.json
│   └── webpack.config.js
├── readme.md
└── s.yaml                      # 部署 YAML

2.2 开发 MCP Server

项目根目录下的 code 文件夹即是项目代码的目录，部署时只有这个文件夹里的内容会部署到函数计算 FC 上。打开 src/index.ts 文件，可以看到 CLI 已经帮你写好了一个简单的、可直接进行部署的Hello World MCP Server：

import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { z } from "zod";
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';


// Create a new server instance every time a new connection is made to ensure concurrency
const createServer = () => {
  // Create server instance
  const server = new McpServer({
    name: "my-mcp-server",
    version: "1.0.0",
  });
  
  // Implement your tools here
  server.tool(
    "hello_world",
    "Return string 'hello world!'",
    {
      // Define input parameters using zod. example: 
      // prefix: z.string().describe('prefix').optional(),
    },
    async () => {
      console.log("Hello World tool called");
      return {
        content: [{
          type: "text",
          text: 'hello world!',
        }]
      }
    },
  );
  return server;
}
// Create a new server instance
const server = createServer();
// Create a new stdio transport instance
const transport = new StdioServerTransport();
// Start the server
server.connect(transport).then(() => {
  console.log("Server started");
}).catch((err) => {
  console.error("Error starting server:", err);
});

这个 Server 包含一个名字为 hello_world 的工具，它只会返回一个字符串 'hello world!'，且不需要任何输入参数。你可以参考当前代码的实现自行修改工具，且 CLI 已经帮你配置好了 package.json，你可以按照你开发任意 Node.js 项目的方式来开发这个 Server。

3. 部署 MCP Server 到 Function AI

完成 Server 的开发后，你可以通过 Serverless Devs CLI 工具一键将你的 MCP Server 部署到函数计算。Serverless Devs 是通过 s.yaml 部署代码的，其需要包含所有部署需要的信息，包括实例规格、代码目录、触发器配置等等，而 CLI 已经帮你写好了，因此你不需要在意这些。

在部署之前，还需要对代码进行打包。在这里我们使用 webpack 进行打包，配置已经帮你写好了，因此你只需在 code 目录下执行以下指令：

注意：需要本地 node 版本为 20 或以上。

npm install # 如果你之前没有执行
npm run build

若 code 目录下出现了 dist 文件夹并包含以下文件，则说明构建成功：

此时，你已经准备好将这个 Server 部署到 Function AI 了！回到项目根目录，执行以下指令：

s deploy -y

若看到以下信息，则说明部署成功。部署成功后，Serverless Devs 会打印部署成功的函数的配置信息：

✔ [nodejs-stdio-hello-world] completed (37.35s)

🚀  Result for [deploy] of [start-mcp-server-nodejs]
====================
serviceName:               xxxxx
......配置信息

其中，functionName 就是部署好的函数的名称，你可以登录阿里云函数计算控制台^【3】查看。你还可以在配置信息中找到 system_url 字段，这个就是你的 MCP Server 的 URL，可以用于测试和集成到你自己的系统。

4. 测试 MCP Server

你可以本地启动一个官方 inspector^【4】 测试部署好的 MCP，只需执行：

npx @modelcontextprotocol/inspector node build/index.js

或者，你也可以启动一个我们基于官方项目修改的，内置好了 LLM 的 inspector：

npx @serverless-devs/inspector node build/index.js

Transport Type 选择 SSE，复制之前部署获取到的 system_url，在尾部添加 /sse，然后粘贴到 URL 输入框。点击 Connect，再切到 Tools，点击 List Tools，即可看到部署好的 Server 的工具信息，并能进行调试。

若你使用的是我们的包含大模型的 inspector，还可以切到 LLM，选择大模型，填入你的 API Key，测试大模型使用你的工具的效果：

需要先点击 List Tools，否则大模型无法使用工具

5. 三种方式接入客户端

5.1 方式一：官方 Client

所有部署到 Function AI 的 MCP Server 都遵循 SSE 协议。对于已经支持 SSE 的官方 Client （例如Cursor），接入配置如下：

{
  "mcpServers": {
    "server-name": {
      "url": "<部署好的system_url>/sse",
      "env": { // 如果有的话
        "key": "value"
      }
    }
  }
}

对于暂未支持 SSE 的 Client，可以参考一些开源社区代理解决方案，例如：

• mcp-proxy^【5】
  
• supergateway^【6】

5.2 方式二：其他本地 Client

对于非官方的 Client，接入 MCP Server 需要使用官方的提供的 sdk 进行连接。具体开发方式可参考官方文档^【7】。一个示例 Node Client 如下：

import { Client } from "@modelcontextprotocol/sdk/client/index.js";
import { SSEClientTransport } from "@modelcontextprotocol/sdk/client/sse.js";

const client = new Client({
  name: "example-client",
  version: "1.0.0"
}, {
  capabilities: {}
});

const transport = new SSEClientTransport(
  new URL("<部署好的system_url>/sse")
);
await client.connect(transport);

5.3 方式三：在 FC 部署一个 Client

如果你需要一个远端的 Client，你也可以在函数计算 FC 应用中心部署 inspector 到函数计算。你可以通过这个链接^【8】一键部署。部署完成后，点击访问域名即可进入 inspector 界面。

5.4 结语

至此，你已经成功初始化，开发并部署了一个属于你自己的 SSE MCP Server！除了文章中示范的基于 Node 的 MCP Server Hello World 项目，Serverless Devs 还提供了基于 Python，Java 的 Hello World 项目，以及大量可以一键部署的开源 Server，包括高德地图、百度地图、Github 等等，详情可以查看这个代码仓库^【9】。

欢迎您加入 Serverless 开发者技术学习群 钉钉群，群号：33947367 与我们交流。

^{【1】Serverless Devs}

^{【2】Serverless Devs 快速入门文档}

^{【3】阿里云函数计算控制台}

^{【4】官方 inspector}

^{【5】mcp-proxy}

^{【6】supergateway}

^{【7】MCP 官方文档}

^{【8】函数计算 FC 应用中心}

^{【9】mcp-servers}