MCP服务器开发演示项目总结(llms.txt)

简介: 在 mcp 客户端中添加 mcp 服务器,接着会调用 add_a_b 功能,实现大模型对于该函数的调用,达成类似于 12+34 之类的计算,确保输出结果。

MCP 服务器演示项目总结
项目概述
本项目系一个 MCP(Model Control Protocol)服务器演示,具备简单的数学计算功能。项目涵盖两种相异实现方式的 MCP 服务器:

基于 FastAPI 的 MCP 服务器(sse-server.py),采用 sse 协议。
基于 FastMCP 的 MCP 服务器(server.py),运用 stdio 协议。
技术栈
Python 3.12 及以上版本。
FastAPI 。
fastapi-mcp (不低于 0.3.3 版本)。
mcp[cli] (不低于 1.6.0 版本)。
httpx (不低于 0.28.1 版本)。
uvicorn (用于运行 FastAPI 服务器)
环境初始化
当前环境基于 uv(python 虚拟环境管理)达成,烦请提前安装

uv init mcp-server-demo
cd mcp-server-demo
uv add mcp[cli]
uv add uvicorn https fastapi-mcp
服务器实现

  1. FastAPI MCP 服务器 (sse-server.py)
    此服务器借助 FastAPI 框架予以实现,提供加法计算功能,并通过 HTTP SSE 协议与客户端进行通信。

服务器代码 (sse-server.py):

from fastapi import FastAPI
from fastapi_mcp import FastApiMCP

app = FastAPI()

显式 add_a_b(工具将被命名为 "add_a_b")
@app.get("/add/{a}/{b}", operation_id="add_a_b")
async def add(a: int, b: int):
"""Add two numbers"""
return {"result":a + b}

mcp = FastApiMCP(app,
name="我的 MCP 服务器",
description="测试使用,目前只用来计算两个数的和",
)
mcp.mount()

使用 uvicorn 启动服务器
if name == "main":
import uvicorn
uvicorn.run(app, host="0.0.0.0", port=8000)

MCP服务运行在 localhost:8000/mcp
服务器运行:

..venv\Scripts\activate
python.\sse-server.py
运行成功后,终端将输出:

INFO: 已启动服务器进程 [29212]
INFO: 正等待应用程序启动。
INFO: 应用程序启动完毕。
INFO: Uvicorn 运行于 0.0.0.0:8000 (按下 CTRL+C 可退出)
INFO: 127.0.0.1:60502 - "GET /mcp HTTP/1.1" 200 成功
INFO: 127.0.0.1:60503 - "GET /mcp HTTP/1.1" 200 成功
在服务器运行的状况下,即可添加 mcp 配置,随后在富贵论坛APP客户端调用,其中配置文件如下:

sse-server.json
用于配置 MCP 客户端连接至 FastAPI MCP 服务器:

{
"mcpServers": {
"fastapi-mcp": {
"url": "localhost:8000/mcp"
}
}
}
注意:此服务器为服务器发送事件(sse),而非可流式传输的 HTTP(streamableHttp)

在 mcp 客户端中添加 mcp 服务器,接着会调用 add_a_b 功能,实现大模型对于该函数的调用,达成类似于 12+34 之类的计算,确保输出结果。

  1. FastMCP 服务器 (server.py)
    此服务器运用 FastMCP 库直接予以实现,提供加法功能,通过 stdio 协议与客户端进行通信,通常适用于本地集成。

服务器代码 (server.py):

server.py

from mcp.server.fastmcp import FastMCP

创建一个 MCP 服务器

mcp = FastMCP("Demo")

添加一个加法工具

@mcp.tool()
def add(a: int, b: int) -> int:
"""将两个数字相加"""
return a + b

当脚本直接被执行时,使用 stdio 传输运行服务器

if name == "main":
print("通过 stdio 启动 MCP 服务器...")
mcp.run(transport='stdio')
测试代码
..venv\Scripts\activate
uv run mcp dev server.py
运行之后,便可着手调试代码:

PS D:\path\to\mcp-server-demo> uv run mcp dev server.py
开启 MCP 检查器...
⚙️ 代理服务器在端口 6277 监听
MCP 检查器已启动并在 127.0.0.1:6274 运行
新的 SSE 连接
查询参数: [Object: null prototype] {
transportType: 'stdio',
command: 'uv',
args: 'run,--with,mcp,mcp,run,server.py',
env: '{"APPDATA":xxxxxx}'
}
Stdio 传输: 命令=D:\bin\uv.exe, 参数=run,--with,mcp,mcp,run,server.py
启动 stdio 传输
已连接 MCP 客户端至后端服务器传输
创建网页应用传输
创建网页应用传输
设置 MCP 代理
接收到会话 ID 为 8e1d5d5f-a341-4528-a6c4-1541a84d861f 的消息
打开浏览器,访问地址 127.0.0.1:6274 ,选择“Connect”,待连接成功后,即可开始调试。选择“Tools”/“List Tools”,会出现“add”,点击之后,在右边出现 add 对话框,在其中输入 a 和 b 的值,点击“Run Tool”,就能得到计算结果。

server.json
用于配置 MCP 客户端启动 FastMCP 服务器:

{
"mcpServers": {
"demo-server": {
"command": "uv",
"args": [
"--directory",
"D:/path/to/mcp-server-demo", ##请将此路径修改为您自身的路径
"run",
"server.py"
]
}
}
}
此配置文件填写至相关的 client 中即可,其中“–directory”参数指定了.venv 虚拟化环境及 server.py 所在的目录,配置无误即可连接成功。

连接到 MCP 服务器
大模型能够通过 MCP 客户端连接至这些服务器,并使用 add 工具进行简易的加法计算。

注意事项
务必确保已安装所有依赖项(详见 pyproject.toml)
FastAPI MCP 服务器需通过 HTTP 进行访问
FastMCP 服务器采用 stdio 传输方式,适用于本地集成

注:此文档为llms.txt测试,用于大模型开发mcp服务器辅助使用,特此记录。

相关文章
|
10月前
|
人工智能 API
LLMs.txt:AI时代网站的"智能身份证"
当AI模型因HTML冗余代码浪费50%上下文窗口时,LLMs.txt正成为网站与AI对话的新语言。这个轻量级标准已被Anthropic、Cursor等企业采用,让AI理解内容效率提升3倍。
486 0
|
2月前
|
人工智能 IDE 测试技术
AI Agent下半场:比模型更卷的是Skill生态
2026年,大模型正从“技术壁垒”变为“基础设施”,竞争焦点转向Agent落地能力。MCP协议已成事实标准,月下载9700万次;Skill生态则将测试、开发等经验工程化封装,实现能力复用与可持续演进——真正的分水岭,不在模型,而在如何让AI把事干成。
|
4月前
|
数据采集 人工智能 自然语言处理
架构演进:从确定性工作流 (Workflow) 到自主智能体 (LLM Agent)
本文对比生成式AI中Workflow(确定性流程)与Agent(自主推理系统)的技术范式,以“智慧旅游规划”为案例,剖析二者在控制流、状态管理与不确定性处理上的本质差异,揭示其适用场景与融合实践路径。
913 2
|
1月前
|
XML 缓存 人工智能
Claude Code Prompt Cache 深度解析:工作原理、5 个失效陷阱与配置实战
本文深度解析Claude Code的Prompt Cache机制:揭示前缀匹配原理、5大隐性失效陷阱(如CLAUDE.md中途修改、动态时间戳、模型切换等),并提供实测有效的配置策略与避坑指南,助你将token成本降至原来的15%–20%。(239字)
1491 2
|
3月前
|
数据采集 人工智能 运维
Claude 1M Context 落地解析:企业级 LLM 应用的成本与架构优化
Claude 4.6上线1M上下文(GA),取消阶梯定价,RAG可简化为“长上下文直输”,提升召回率并降低成本。本文从云架构视角解析其在知识库、AIOps中的落地挑战,提出Auto-compaction优化与API网关(如147API)方案,并提示3月双倍配额窗口期。
636 2
|
6月前
|
人工智能 JSON API
从MCP到PTC Anthropic回归Code Execution路线,AiPy的范式被再次验证
Anthropic从MCP到Programmatic Tool Calling的演进,实则是对“上下文爆炸”问题的修正,仍属“上下文工程”范畴。而AiPy早于Claude Code提出Python-use范式,主张“Code is Agent”,通过代码直接交互环境,实现“万物互联、万物编程”。相较MCP/PTC依赖预定义工具,Python-use更具扩展性与灵活性,兼容API、包调用及本地执行,早在2024年8月即实现命令级代码执行,领先Skills两月。CodeAct理念与其高度一致,但本质仍是工具注册模式。Python-use范式直击Agent核心:大模型与环境数据的无限连接能力
|
5月前
|
数据采集 人工智能 物联网
什么是微调?大模型定制化的核心技术与实操指南
微调让大模型从“通用助手”变为“专属专家”。通过少量数据训练,LoRA等轻量化方法可在单卡上实现高效优化,广泛应用于医疗、金融、电商等领域。数据驱动、成本低廉、效果显著,微调正推动AI定制化落地,人人皆可拥有专属AI。
|
6月前
|
存储 机器学习/深度学习 人工智能
GEO 优化必备:RAG 技术全解析(基于知识密集型 NLP 经典论文)
2020 年论文提出的 RAG(检索增强生成),专治大模型 “幻觉、知识过时” 等落地痛点。它将 “检索外部知识” 与 “生成回答” 深度绑定,先精准抓取相关知识片段,再让模型基于证据生成内容。通过端到端联合训练,检索与生成协同优化,事实准确率显著提升,幻觉率大降。无需重训模型即可更新知识,还能追溯答案来源。如今成企业客服、医疗法律等领域刚需,推动大模型从 “通用” 走向 “可信实用”。这让我们做GEO优化就有了基础理论和方法。
GEO 优化必备:RAG 技术全解析(基于知识密集型 NLP 经典论文)
|
10月前
|
存储 NoSQL Shell
MongoDB 安装与启动指南
本文档为MongoDB安装与启动指南,涵盖Windows及Linux系统的安装步骤、配置文件设置、服务启动与连接方法,以及服务停止操作。内容包括MongoDB下载、目录创建、命令行及配置文件启动方式,同时提供Shell连接、图形化工具Compass使用说明,并详解Linux环境下生产部署与防火墙设置,确保服务安全启动与关闭。
1583 0
|
Web App开发 安全 iOS开发
macOS Sequoia 15.4.1 (24E263) 正式版 ISO、IPSW、PKG 下载
macOS Sequoia 15.4.1,2025 年 4 月 17 日,仅问题修复和安全更新。
1141 6
macOS Sequoia 15.4.1 (24E263) 正式版 ISO、IPSW、PKG 下载