MCP Server 开发与部署实战：让 AI 智能体拥有"双手"-阿里云开发者社区

摘要：MCP（Model Context Protocol）协议是 2026 年最热的 AI 技术趋势之一，它让大模型从"只会说"进化为"能做事"。阿里云百炼平台上线了业界首个全生命周期 MCP 服务，预置 20+ 云端服务和 50+ 本地服务。本文从 MCP 协议原理讲起，实战演示自定义 MCP Server 开发、函数计算 FC 部署、百炼 MCP 服务广场集成，以及与 Qwen3.7 智能体的联动，帮你构建真正能调用工具的 AI 应用。

1. 场景：为什么 AI 需要 MCP

去年我在做一个智能客服项目时，遇到一个让人抓狂的问题：Qwen 大模型能流利地回答用户问题，但无法查询订单状态、无法调用物流接口、无法操作数据库。大模型就像一个"只会说不会做"的顾问，关键时刻帮不上忙。

团队最初用 Function Call 解决，但很快发现每个 API 都要硬编码适配。10 个业务系统、20 个接口，意味着要写 200 个适配函数，维护成本直线上升。

1.1 Function Call 的局限性

传统 Function Call 的核心痛点：

硬编码绑定：每个 API 需要单独编写调用逻辑，模型和工具强耦合
跨平台适配成本高：同一工具在 Claude、Qwen、GPT 上要分别适配
工具无法复用：A 项目写的工具函数，B 项目几乎无法直接使用
缺乏统一标准：各厂商的 Function Call 格式各异，迁移成本极高

1.2 MCP 的核心价值

MCP 将 AI 模型与工具的关系从"硬编码依赖"转变为"协议驱动"。

就像 USB-C 统一了充电接口一样，MCP 统一了 AI 调用工具的接口。一个 MCP Server 写好之后，任何支持 MCP 协议的 AI 应用都能直接使用，无需二次开发。

根据阿里云官方数据，MCP 可将工具对接耗时从数天缩短至 5-10 分钟。

1.3 传统 Function Call vs MCP 架构对比

003-mcp-server-development-deployment-guide_diagram_1.png

左边是传统模式，每个工具都需要单独适配；右边是 MCP 模式，通过统一协议实现"即插即用"。

2. MCP 协议核心概念

理解 MCP 协议的架构，是开发 MCP Server 的前提。MCP 协议基于 JSON-RPC 2.0，采用三层架构设计。

2.1 三层架构：Host、Client、Server

MCP 协议定义了三个核心角色：

Host（宿主）：发起连接的 AI 应用，如百炼智能体、Claude Desktop
Client（客户端）：Host 内部的连接器，负责与 Server 建立和维护通信
Server（服务端）：提供工具、资源和提示词的服务进程

一个 Host 可以包含多个 Client，每个 Client 连接一个 Server。这种设计让 AI 应用能同时调用多个工具服务。

2.2 传输模式：STDIO vs SSE

MCP 支持两种传输模式，适用不同场景：

传输模式	适用场景	通信方式	部署位置
STDIO	本地开发、桌面应用	标准输入输出	本地进程
SSE	云端部署、远程调用	HTTP + Server-Sent Events	云服务器

注意：MCP 2026-07-28 规范已引入 Streamable HTTP 作为新的远程传输标准，但 SSE 仍被广泛支持。阿里云百炼和函数计算 FC 目前主要支持 SSE 协议。

2.3 核心能力：Tools、Resources、Prompts

MCP Server 可以提供三种核心能力：

Tools（工具）：AI 可执行的函数，如查询数据库、调用 API
Resources（资源）：AI 可读取的数据，如文件内容、数据库记录
Prompts（提示词）：预定义的交互模板，引导用户使用特定功能

其中 Tools 是最核心的能力，也是本文实战的重点。

2.4 MCP 协议交互流程

003-mcp-server-development-deployment-guide_diagram_2.png

整个流程中，大模型负责"决策"（调用哪个工具），MCP Server 负责"执行"（实际操作），两者通过标准协议解耦。

3. 百炼 MCP 服务广场体验

阿里云百炼平台上线了业界首个全生命周期 MCP 服务，无需管理资源、开发部署、工程运维，5 分钟即可搭建一个连接 MCP 服务的智能体。

3.1 预置服务概览

百炼 MCP 服务广场提供丰富的预置服务：

20+ 云端服务：高德地图、天气查询、网页解析、知识图谱记忆等
50+ 本地服务：文件系统、数据库操作、Git 管理等
持续扩展中：社区贡献的 MCP Server 不断接入

3.2 热门 MCP Server 体验

以高德地图 MCP Server 为例，在百炼控制台的操作流程：

Why：以下步骤展示如何在百炼平台零代码集成官方 MCP 服务，这是最快速的入门方式。

步骤一：登录百炼控制台，进入 MCP 服务广场

步骤二：搜索"高德地图"，点击开通服务

步骤三：填写高德开放平台获取的 API-KEY

步骤四：进入智能体管理，创建或选择一个智能体

步骤五：在智能体配置中，添加已开通的 MCP 服务

步骤六：发布智能体，开始对话测试

3.3 通过 Responses API 调用 MCP

Why：除了控制台操作，百炼还支持通过 API 方式调用 MCP 服务，适合需要编程集成的场景。

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 配置 MCP 工具
mcp_tool = {
   
    "type": "mcp",
    "server_protocol": "sse",
    "server_label": "WebParser",
    "server_description": "网页解析MCP服务，用于解析网页内容。",
    "server_url": "https://dashscope.aliyuncs.com/api/v1/mcps/WebParser/sse",
    "headers": {
   
        "Authorization": "Bearer " + os.getenv("DASHSCOPE_API_KEY")
    }
}

response = client.responses.create(
    model="qwen3.7-plus",
    input="https://help.aliyun.com/zh/model-studio/mcp 里支持哪些模型？",
    tools=[mcp_tool]
)

print(response.output_text)

百炼支持 Qwen3.7-Max、Qwen3.7-Plus、Qwen3.6-Plus 等系列模型调用 MCP 服务，最多可添加 10 个 MCP Server。

4. 自定义 MCP Server 开发实战

当预置 MCP Server 无法满足业务需求时，我们需要开发自定义 MCP Server。本节实战开发一个"代码审查"MCP Server。

4.1 环境准备

Why：FastMCP 是目前最流行的 Python MCP 开发框架，日下载量超过 400 万，用装饰器即可将 Python 函数转为 MCP 工具，极大降低开发门槛。

# 创建项目目录
mkdir code-review-mcp && cd code-review-mcp

# 创建虚拟环境
python3 -m venv venv
source venv/bin/activate

# 安装 MCP SDK（包含 FastMCP）
pip install "mcp[cli]"

4.2 开发代码审查 MCP Server

Why：以下代码实现了一个完整的 MCP Server，包含工具定义、SSE 传输和错误处理。每个 Tool 都有清晰的描述，帮助大模型准确判断何时调用。

# server.py
"""代码审查 MCP Server - 提供静态代码分析和审查建议"""
import re
import json
from mcp.server.fastmcp import FastMCP

# 创建 MCP Server 实例
mcp = FastMCP(
    "CodeReview",
    host="0.0.0.0",
    port=8080
)


@mcp.tool()
def check_code_style(code: str, language: str = "python") -> str:
    """检查代码风格问题，返回发现的问题列表。

    Args:
        code: 待检查的源代码字符串
        language: 编程语言，支持 python/java/javascript
    """
    issues = []

    # 检查行长度
    for i, line in enumerate(code.split("\n"), 1):
        if len(line) > 120:
            issues.append(f"第{i}行: 行长度超过120字符 ({len(line)}字符)")

    # 检查 Python 命名规范
    if language == "python":
        for i, line in enumerate(code.split("\n"), 1):
            if re.match(r"^\s*def\s+[A-Z]", line):
                issues.append(f"第{i}行: 函数名应使用蛇形命名法(snake_case)")

    # 检查 TODO/FIXME 标记
    for i, line in enumerate(code.split("\n"), 1):
        if re.search(r"(TODO|FIXME|HACK|XXX)", line, re.IGNORECASE):
            issues.append(f"第{i}行: 发现待处理标记 - {line.strip()}")

    if not issues:
        return json.dumps({
   "result": "pass", "message": "代码风格检查通过"}, ensure_ascii=False)

    return json.dumps({
   
        "result": "warning",
        "issue_count": len(issues),
        "issues": issues
    }, ensure_ascii=False)


@mcp.tool()
def count_code_metrics(code: str) -> str:
    """统计代码度量指标，包括行数、函数数、注释率等。

    Args:
        code: 待统计的源代码字符串
    """
    lines = code.split("\n")
    total_lines = len(lines)
    blank_lines = sum(1 for line in lines if not line.strip())
    comment_lines = sum(1 for line in lines if line.strip().startswith("#"))
    code_lines = total_lines - blank_lines - comment_lines
    function_count = len(re.findall(r"^\s*def\s+\w+", code, re.MULTILINE))

    comment_ratio = round(comment_lines / max(code_lines, 1) * 100, 1)

    return json.dumps({
   
        "total_lines": total_lines,
        "code_lines": code_lines,
        "comment_lines": comment_lines,
        "blank_lines": blank_lines,
        "function_count": function_count,
        "comment_ratio": f"{comment_ratio}%"
    }, ensure_ascii=False)


@mcp.tool()
def detect_security_risks(code: str) -> str:
    """检测代码中的安全风险，如SQL注入、硬编码密码等。

    Args:
        code: 待检测的源代码字符串
    """
    risks = []

    # 检测 SQL 注入风险
    if re.search(r"execute\s*\(\s*[\"'].*%s", code) or re.search(
        r"f\".*SELECT.*FROM", code, re.IGNORECASE
    ):
        risks.append({
   
            "level": "HIGH",
            "type": "SQL注入风险",
            "description": "检测到可能的SQL拼接，建议使用参数化查询"
        })

    # 检测硬编码密码
    if re.search(r"(password|passwd|pwd|secret)\s*=\s*[\"'][^\"']+[\"']", code, re.IGNORECASE):
        risks.append({
   
            "level": "HIGH",
            "type": "硬编码密码",
            "description": "检测到硬编码的密码或密钥，建议使用环境变量"
        })

    # 检测 eval 使用
    if re.search(r"\beval\s*\(", code):
        risks.append({
   
            "level": "HIGH",
            "type": "危险函数eval",
            "description": "使用eval()存在代码注入风险，建议使用ast.literal_eval"
        })

    # 检测异常捕获过宽
    if re.search(r"except\s*:", code) or re.search(r"except\s+Exception\s*:", code):
        risks.append({
   
            "level": "MEDIUM",
            "type": "异常捕获过宽",
            "description": "捕获所有异常可能隐藏真实问题，建议捕获具体异常类型"
        })

    if not risks:
        return json.dumps({
   "result": "safe", "message": "未检测到明显安全风险"}, ensure_ascii=False)

    return json.dumps({
   
        "result": "risk",
        "risk_count": len(risks),
        "risks": risks
    }, ensure_ascii=False)


if __name__ == "__main__":
    # 以 SSE 模式启动，适配云端部署
    mcp.run(transport="sse")

4.3 本地测试

Why：使用 MCP Inspector 工具可以在浏览器中可视化测试 MCP Server，验证工具定义和返回结果是否正确。

# 方式一：使用 MCP Inspector 测试（推荐）
mcp dev server.py

# 方式二：直接启动 SSE 服务
python server.py
# 输出: Uvicorn running on http://0.0.0.0:8080

启动后，访问 Inspector 界面可以查看注册的工具列表、输入参数测试、查看返回结果。

4.4 关键开发要点

开发 MCP Server 时，有几个关键点需要注意：

工具描述要精准：docstring 是大模型判断是否调用该工具的依据，描述越清晰，调用准确率越高
参数类型要明确：使用 Python 类型注解，FastMCP 会自动生成 JSON Schema
返回值要结构化：建议返回 JSON 字符串，方便大模型解析
错误处理要完善：工具内部异常不要抛出，应返回友好的错误信息

5. 函数计算 FC 部署 MCP Server

开发完 MCP Server 后，需要部署到云端才能被远程 AI 应用调用。阿里云函数计算 FC 是部署 MCP Server 的最佳选择。

5.1 为什么选择函数计算

函数计算 FC 部署 MCP Server 的优势：

弹性扩缩容：流量高峰自动扩容，空闲缩至零，按实际调用计费
零改造上云：FC 提供 MCP Runtime，STDIO 模式的 Server 无需修改即可转为 SSE 远端服务
3AZ 高可用：默认跨可用区部署，单 AZ 故障自动切换
安全隔离：基于 MicroVM 的轻量级安全虚拟化，防止进程逃逸攻击
临时凭证：支持执行角色动态获取临时 Token，无需硬编码 AK/SK

5.2 代码打包

Why：函数计算部署需要将代码和依赖一起打包，确保运行时环境完整。

# 安装依赖到项目目录
pip install "mcp[cli]" -t .

# 打包代码和依赖
zip -r code-review-mcp.zip .

5.3 创建 FC 函数

登录函数计算 Function AI 控制台，按以下步骤操作：

步骤一：创建空白项目，选择 MCP 场景

步骤二：新建服务，选择"MCP 服务"

步骤三：配置 MCP 服务参数

Why：以下配置确保 MCP Server 以 SSE 协议对外暴露，并开启鉴权保障安全。

配置项	说明	推荐值
传输类型	SSE 协议或 STDIO	SSE 协议
SSE 路径	SSE 端点路径	/sse
监听端口	进程监听端口	8080
开启鉴权	Bearer Token 鉴权	建议开启
运行环境	Python 运行时	Python 3.10
启动命令	服务启动命令	python3 server.py
选择仓库	代码上传方式	代码包上传

步骤四：资源配置

Why：MCP SSE 依赖 session 会话机制，建议开启极速模式并预置快照，避免冷启动和会话丢失。

配置项	推荐值	原因
实例规格	1 vCPU / 2 GB	MCP Server 通常计算量不大
弹性策略	极速模式	SSE 长连接需要亲和性调度
预置快照数	1	确保至少一个热实例
实例限额	1（起步）	根据流量逐步调整

步骤五：点击"预览&部署"

5.4 部署验证

Why：部署后需要验证 MCP Server 是否正常工作，包括 SSE 连接和工具调用。

# 获取 FC 生成的 SSE 端点地址
# 格式示例: https://xxxxx.cn-beijing.fc.aliyuncs.com/sse

# 测试 SSE 连接
curl -N https://xxxxx.cn-beijing.fc.aliyuncs.com/sse

# 测试工具列表（通过 MCP 协议）
curl -X POST https://xxxxx.cn-beijing.fc.aliyuncs.com/sse \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_TOKEN" \
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/list","params":{}}'

部署成功后，FC 控制台会显示 SSE 连接地址和生成的 Schema，可直接在控制台测试工具效果。

6. 与 Qwen3.7 智能体联动

MCP Server 部署完成后，下一步是将它集成到百炼智能体中，实现端到端的工具调用。

6.1 在百炼智能体中集成自定义 MCP Server

步骤一：进入百炼 MCP 管理，点击"创建 MCP 服务"

步骤二：选择"使用脚本部署"或"http"方式

如果 MCP Server 已部署在 FC 上，选择 http 方式
填入 FC 生成的 SSE 端点地址和鉴权 Token

步骤三：配置服务名称和描述

Why：服务描述会传递给大模型，帮助模型理解何时应该调用该工具。描述越精准，调用准确率越高。

服务名称: 代码审查助手
描述: 提供代码风格检查、度量统计和安全风险检测能力。当用户需要代码审查、代码质量分析或安全扫描时调用此服务。

步骤四：在智能体配置中添加该 MCP 服务

6.2 端到端测试

Why：以下代码演示通过百炼 Responses API 调用自定义 MCP Server，验证完整链路是否通畅。

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 配置自定义 MCP Server
mcp_tool = {
   
    "type": "mcp",
    "server_protocol": "sse",
    "server_label": "CodeReview",
    "server_description": "代码审查MCP服务，提供代码风格检查、度量统计和安全风险检测。",
    "server_url": "https://your-fc-endpoint.cn-beijing.fc.aliyuncs.com/sse",
    "headers": {
   
        "Authorization": "Bearer " + os.getenv("MCP_SERVER_TOKEN")
    }
}

# 测试：让智能体审查代码
test_code = """
def GetUser(id):
    password = "hardcoded_secret_123"
    sql = f"SELECT * FROM users WHERE id = {id}"
    result = eval(sql)
    return result
"""

response = client.responses.create(
    model="qwen3.7-plus",
    input=f"请审查以下代码的安全性和质量：\n```python\n{test_code}\n```",
    tools=[mcp_tool]
)

print(response.output_text)

预期输出中，智能体会自动调用 detect_security_risks 和 check_code_style 工具，发现硬编码密码、SQL 注入风险和命名规范问题，并给出修复建议。

6.3 调用链路全景

完整的调用链路如下：

用户提问 → 百炼智能体（Qwen3.7）→ 判断需要调用工具 → MCP Client 发起 tools/list → 获取工具列表 → 选择合适工具 → MCP Client 发起 tools/call → FC 上的 MCP Server 执行 → 返回结果 → 大模型生成回复

7. 避坑指南

在 MCP Server 开发和部署过程中，我踩过不少坑，这里分享五个最常见的。

坑1：STDIO vs SSE 模式选择

问题：本地开发用 STDIO 没问题，部署到云端后无法连接。

原因：STDIO 通过标准输入输出通信，只能在同一进程内使用。云端部署必须使用 SSE 或 Streamable HTTP。

解决方案：

本地开发和测试：使用 STDIO 模式（mcp.run(transport="stdio")）
云端部署：使用 SSE 模式（mcp.run(transport="sse")）
函数计算 FC 的 MCP Runtime 可以自动将 STDIO 转为 SSE，无需改代码

坑2：MCP Server 冷启动延迟

问题：首次调用 MCP Server 响应时间长达 3-5 秒，影响用户体验。

原因：函数计算的基础模式下，实例从零启动需要加载 Python 运行时和依赖包。

解决方案：

开启函数计算的极速模式，预置 1 个快照
设置实例限额 ≥ 1，保持至少一个热实例
优化依赖包大小，移除不必要的库
使用 Provisioned Concurrency 预热实例

坑3：工具描述影响调用准确率

问题：大模型经常调用错误的工具，或者该调用时不调用。

原因：工具的 docstring 描述不够清晰，大模型无法准确判断何时应该调用。

解决方案：

# ❌ 模糊描述——大模型不知道何时该用
@mcp.tool()
def check(code: str) -> str:
    """检查代码"""
    pass

# ✅ 精准描述——大模型能准确判断调用时机
@mcp.tool()
def detect_security_risks(code: str) -> str:
    """检测代码中的安全风险，如SQL注入、硬编码密码、eval使用等。
    当用户要求安全扫描、安全审查、漏洞检测时调用此工具。"""
    pass

关键原则：描述中包含触发场景（何时调用）和功能说明（做什么）。

坑4：SSE 长连接与函数计算超时冲突

问题：SSE 连接建立后，一段时间无请求就断开，导致后续调用失败。

原因：函数计算默认执行超时为 60 秒，SSE 长连接可能超过此限制。

解决方案：

在 FC 控制台将函数超时时间调整为 300 秒或更长
开启极速模式，利用亲和性调度保持会话
客户端实现自动重连机制
MCP 2026-07-28 规范的无状态化设计从根本上解决了此问题

坑5：MCP 安全——工具注入攻击防范

问题：恶意 MCP Server 可能通过工具描述诱导大模型执行危险操作。

原因：MCP 协议允许 Server 自定义工具描述和行为，缺乏沙箱隔离的 Server 可能被利用。

解决方案：

只使用来源可信的 MCP Server，核实源代码
开启函数计算的 Bearer Token 鉴权
使用 FC 的临时凭证机制，避免硬编码 AK/SK
为 MCP Server 配置最小权限的执行角色
对工具返回结果做敏感信息过滤

8. 总结与下一步

MCP 核心价值回顾

本文从 MCP 协议原理到实战部署，完整覆盖了 MCP Server 开发的全流程：

MCP 协议：统一了 AI 调用工具的接口，从"硬编码"到"即插即用"
百炼 MCP 服务广场：20+ 云端服务 + 50+ 本地服务，5 分钟搭建智能体
自定义开发：FastMCP 框架让开发 MCP Server 像写普通函数一样简单
函数计算部署：零改造上云，弹性扩缩容，按调用计费
智能体联动：Qwen3.7 + MCP，让 AI 从"只会说"进化为"能做事"

技术选型建议

场景	推荐方案
快速验证	百炼 MCP 服务广场 + 官方预置服务
定制化需求	FastMCP 开发 + 函数计算 FC 部署
企业级生产	FC 极速模式 + MSE Nacos 注册中心 + 鉴权
多服务编排	百炼工作流 + 多个 MCP Server

系列预告

本文是 AI Agent 开发系列的第一篇，后续文章将深入探讨：

AI Agent 框架实战：Qwen-Agent + MCP 构建多步推理智能体
MCP 网关设计：大规模 MCP Server 的注册、发现与治理
Streamable HTTP 实战：MCP 新一代传输协议的迁移指南

MCP 正在重新定义 AI 应用的开发范式。掌握 MCP Server 开发，就是掌握了让 AI "动手做事"的关键能力。

MCP Server 开发与部署实战：让 AI 智能体拥有"双手"

1. 场景：为什么 AI 需要 MCP

1.1 Function Call 的局限性

1.2 MCP 的核心价值

1.3 传统 Function Call vs MCP 架构对比

2. MCP 协议核心概念

2.1 三层架构：Host、Client、Server

2.2 传输模式：STDIO vs SSE

2.3 核心能力：Tools、Resources、Prompts

2.4 MCP 协议交互流程

3. 百炼 MCP 服务广场体验

3.1 预置服务概览

3.2 热门 MCP Server 体验

3.3 通过 Responses API 调用 MCP

4. 自定义 MCP Server 开发实战

4.1 环境准备

4.2 开发代码审查 MCP Server

4.3 本地测试

4.4 关键开发要点

5. 函数计算 FC 部署 MCP Server

5.1 为什么选择函数计算

5.2 代码打包

5.3 创建 FC 函数

5.4 部署验证

6. 与 Qwen3.7 智能体联动

6.1 在百炼智能体中集成自定义 MCP Server

6.2 端到端测试

6.3 调用链路全景

7. 避坑指南

坑1：STDIO vs SSE 模式选择

坑2：MCP Server 冷启动延迟

坑3：工具描述影响调用准确率

坑4：SSE 长连接与函数计算超时冲突

坑5：MCP 安全——工具注入攻击防范

8. 总结与下一步

MCP 核心价值回顾

技术选型建议

系列预告

阿里云百炼

热门文章

最新文章

相关电子书