从零搭建 MCP Server：让 AI 助手调用你的本地工具

说实话，今年 AI 圈最火的概念之一就是 MCP。如果你还没搞懂它是啥，或者想动手搭一个但不知道从哪下手，这篇文章就是为你准备的。

什么是 MCP？一句话说清楚

MCP（Model Context Protocol）是 Anthropic 推的一个开放协议，说白了就是给 AI 模型开了个"后门"，让它能跟外部工具对话。想象一下，以前你问 ChatGPT"帮我查一下本地文件"，它只能摊手说"我做不到"。有了 MCP，它可以直接调用你的文件系统、数据库、甚至控制你的浏览器。

核心概念：三个角色

MCP 架构里就三个角色，好记得很：

• Host：宿主程序，比如 Claude Desktop、Cursor 这些
• Client：和 Server 建立一对一连接的客户端
• Server：你的工具，暴露给 AI 调用的接口

动手：从零搭建一个天气查询 MCP Server

接下来咱们实战，用 Python 搭一个简单的 MCP Server，让 AI 能查天气。

环境准备

# 安装 mcp 库
pip install mcp httpx

# 创建项目目录
mkdir my-mcp-server && cd my-mcp-server

写 Server 代码

from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent
import httpx
import json

# 初始化 Server
server = Server("weather-server")

# 注册工具
@server.list_tools()
async def list_tools() -> list[Tool]:
    return [
        Tool(
            name="get_weather",
            description="查询指定城市的当前天气",
            inputSchema={
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名，如 北京、上海"}
                },
                "required": ["city"]
            }
        )
    ]

# 实现工具逻辑
@server.call_tool()
async def call_tool(name: str, arguments: dict) -> list[TextContent]:
    if name == "get_weather":
        city = arguments["city"]
        # 这里用 wttr.in 的公开 API
        async with httpx.AsyncClient() as client:
            resp = await client.get(f"https://wttr.in/{city}?format=%C+%t")
            return [TextContent(type="text", text=f"{city} 天气：{resp.text}")]
    raise ValueError(f"Unknown tool: {name}")

if __name__ == "__main__":
    import asyncio
    asyncio.run(stdio_server(server))

配置 Claude Desktop 连接

在 Claude Desktop 的配置文件中添加：

{
  "mcpServers": {
    "weather-server": {
      "command": "python",
      "args": ["path/to/weather_server.py"]
    }
  }
}

配置完重启 Claude Desktop，就能看到你的 MCP 工具了！

进阶：用 MCP 连接数据库

上面只是开胃菜，真正的威力在于连接数据库、文件系统这些"重型"工具。

@server.list_tools()
async def list_tools() -> list[Tool]:
    return [
        Tool(
            name="query_database",
            description="执行 SQL 查询，返回结果",
            inputSchema={
                "type": "object",
                "properties": {
                    "sql": {"type": "string", "description": "SQL 查询语句"}
                },
                "required": ["sql"]
            }
        )
    ]

@server.call_tool()
async def call_tool(name: str, arguments: dict) -> list[TextContent]:
    if name == "query_database":
        import sqlite3
        conn = sqlite3.connect("mydb.db")
        cursor = conn.cursor()
        cursor.execute(arguments["sql"])
        results = cursor.fetchall()
        conn.close()
        return [TextContent(type="text", text=json.dumps(results, ensure_ascii=False))]
    raise ValueError(f"Unknown tool: {name}")

常见问题 Q&A

Q：MCP 和 Function Calling 有啥区别？
A：Function Calling 是各家模型自己搞的私有协议，MCP 是开放标准。用了 MCP，你的工具能在所有支持 MCP 的客户端上跑，不用改代码。

Q：MCP Server 一定要用 Python 吗？
A：不，官方 SDK 支持 Python、TypeScript、Java、Go。选你熟悉的语言就行。

Q：安全方面怎么考虑？
A：MCP Server 跑在本地，权限由你控制。建议不要暴露敏感操作，或者加上鉴权逻辑。

总结

MCP 说白了就是一个"让 AI 用工具"的标准化接口。花一两个小时搭一个 MCP Server，你就能让 AI 真正帮你干活了，而不是只会在那聊天。

下一步可以试试：搭一个文件搜索 MCP Server、一个代码执行 MCP Server、或者一个浏览器控制 MCP Server。玩起来你就知道 MCP 有多香了。

如果你喜欢这篇文章，点个赞收藏一下，以后还有更多 AI 实战教程！