↓推薦關注↓

2024年底，Anthropic釋出了 MCP協議。Anthropic就是釋出了Claude系列模型的公司（現在gpt基礎模型不更新還退步，claude真的很棒）

除去官方的各種美化和包裝，這到底是什麼？我大膽說一說：這其實是另一種形式的 Function Calling

一、簡單解釋 Function Calling

大模型可以看作在一個封閉的“盒子”裡，無法即時獲取外部資訊。為了讓大模型獲取外部資料，我們可以提供一些“方法”，例如：

方法：獲取天氣需要傳入的引數：經度、緯度返回結果：空氣質量、溫度、溼度...

在提問時，我們攜帶一個方法列表，裡面寫著各種方法。大模型決定呼叫某個方法時，會輸出方法名和引數；該方法在本地執行，並將結果返回給大模型。

二、快速開始

簡介

模型上下文協議 (MCP) 是一種開放協議，可實現 LLM 應用與外部資料來源和工具之間的無縫整合。

GitHub地址（https://github.com/modelcontextprotocol](https://github.com/modelcontextprotocol）

在此處我們還是跳開這些枯燥的理論，直接上手官方案例（有條件的小夥伴可以親自試試！）

我是Mac環境、Python語言（TS也支援）

（一）安裝包管理器 – uv

執行以下命令安裝 uv：

curl -LsSf https://astral.sh/uv/install.sh | sh

提示：安裝後需重啟終端。如果環境變數寫入失敗，手動修改 ~/.zshrc：

export PATH="$HOME/.local/bin:$PATH"

吐槽：官方居然選了個剛釋出不久的依賴管理工具 uv，坑點一堆。我後續探索下給換成poetry版本的吧

（二）初始化專案

以下是完整步驟：

# 建立專案uv init weathercd weather# 建立虛擬環境uv venvsource .venv/bin/activate# 安裝依賴uv add mcp httpx# 刪除示例檔案rm hello.py# 建立檔案mkdir -p src/weathertouch src/weather/__init__.pytouch src/weather/server.py

（三）編寫程式碼

1. 修改 `pyproject.toml`

在 pyproject.toml 尾部新增以下內容：

[build-system]requires = [ "hatchling",]build-backend = "hatchling.build"[project.scripts]weather = "weather:main"

2. 編寫 `init.py`

檔案路徑：src/weather/__init__.py

from . import serverimport asynciodefmain():"""Main entry point for the package."""    asyncio.run(server.main())# Optionally expose other important items at package level__all__ = ['main', 'server']

3. 編寫 `server.py`

檔案路徑：src/weather/server.py

from typing import Anyimport asyncioimport httpxfrom mcp.server.models import InitializationOptionsimport mcp.types as typesfrom mcp.server import NotificationOptions, Serverimport mcp.server.stdioNWS_API_BASE = "https://api.weather.gov"USER_AGENT = "weather-app/1.0"server = Server("weather")@server.list_tools()asyncdefhandle_list_tools() -> list[types.Tool]:return [        types.Tool(            name="get-alerts",            description="Get weather alerts for a state",            inputSchema={"type": "object","properties": {"state": {"type": "string","description": "Two-letter state code (e.g. CA, NY)",                    },                },"required": ["state"],            },        ),        types.Tool(            name="get-forecast",            description="Get weather forecast for a location",            inputSchema={"type": "object","properties": {"latitude": {"type": "number","description": "Latitude of the location",                    },"longitude": {"type": "number","description": "Longitude of the location",                    },                },"required": ["latitude", "longitude"],            },        ),    ]@server.call_tool()asyncdefhandle_call_tool(    name: str, arguments: dict | None) -> list[types.TextContent | types.ImageContent | types.EmbeddedResource]:ifnot arguments:raise ValueError("Missing arguments")if name == "get-alerts":return [            types.TextContent(                type="text",                text="氣溫38，溼度60%"            )        ]elif name == "get-forecast":return [types.TextContent(            type="text",            text="氣溫18，溼度10%"        )]else:raise ValueError(f"Unknown tool: {name}")asyncdefmain():asyncwith mcp.server.stdio.stdio_server() as (read_stream, write_stream):await server.run(            read_stream,            write_stream,            InitializationOptions(                server_name="weather",                server_version="0.1.0",                capabilities=server.get_capabilities(                    notification_options=NotificationOptions(),                    experimental_capabilities={},                ),            ),        )if __name__ == "__main__":    asyncio.run(main())

這裡我做了最佳化，第四章會講

（四）執行專案

專案編寫完成後，執行以下命令啟動服務：

uv run src/weather/server.py

三、使用 Claude for Desktop 測試

第二章我們就完成了程式碼部分，接下來就要看效果

我前面說：MCP 是 Function Calling 的另一種實現。因此需要一個大模型主動呼叫。這裡我們使用 Claude for Desktop，它可以作為測試客戶端（不是唯一的，你也可以用vscode搭建一個客戶端）

Claude for Desktop 下載連結（https://claude.ai/download）

修改配置檔案

將第二章寫的服務註冊到 Claude for Desktop：

vim ~/Library/Application Support/Claude/claude_desktop_config.json

新增如下內容：

{"mcpServers": {"weather": {"command": "uv", //缺少環境變數的話可以寫絕對路徑"args": ["--directory","/ABSOLUTE/PATH/TO/PARENT/FOLDER/weather",# 目錄記得改"run","weather"            ]        }    }}

儲存後，重啟 Claude for Desktop。

測試 MCP 工具

重新開啟 Claude 後，點選工具欄中的錘子圖示：

工具列表

基於可以看到我們實現的工具了：

輸入問題，即可看到 Claude 呼叫本地服務並返回答案：

四、原理解讀

（一）過程分析

我們向 Claude 提問；
Claude 分析可用工具並決定呼叫某個工具；
客戶端（Claude for Desktop）透過 MCP 協議呼叫工具；
結果返回給 Claude；
Claude 根據結果生成答案。

（二）程式碼核心

程式碼的核心功能集中在以下兩部分：

# 列出工具，供 LLM 選擇@server.list_tools()asyncdefhandle_list_tools() -> list[types.Tool]:# 執行方法，解析並處理 LLM 呼叫請求@server.call_tool()asyncdefhandle_call_tool(    name: str, arguments: dict | None) -> list[types.TextContent | types.ImageContent | types.EmbeddedResource]: