MCP入门

MCP（ Model Context Protocol ， 模型上下文协议 ）是由 Anthropic 提出并于 2024 年 11 月开源的一种通信协议，旨在解决大型语言模型（LLM）与外部数据源及工具之间无缝集成的需求

它通过标准化 AI 系统与数据源的交互方式，帮助模型获取更丰富的上下文信息，从而生成更准确、更相关的响应

• 上下文共享：应用程序可以通过 MCP 向模型提供所需的 上下文信息 （如文件内容、数据库记录等）， 增强 模型的 理解能力
• 工具暴露：MCP 允许应用程序将 功能 （如文件读写、API 调用）暴露给模型，模型可以 调用 这些 工具 完成复杂任务
• 可组合的工作流：开发者可以利用 MCP 集成 多个服务和组件，构建灵活、可扩展的 AI 工作流
• 安全性：通过本地服务器运行，MCP 避免将敏感数据上传至第三方平台，确保数据隐私

MCP 采用客户端-服务器架构：

• MCP 客户端（Client）：通常是 AI 应用程序（如 Claude Desktop 或其他 LLM 工具），负责发起请求并与服务器通信
• MCP 服务器（Server）：轻量级程序，负责暴露特定的数据源或工具功能，并通过标准化协议与客户端交互

通信格式：基于 JSON-RPC 2.0 ，支持请求、响应和通知三种消息类型，确保通信的标准化和一致性

1. 本地实现一个文件资源服务，创建 mcp_server.py 文件:

   import json
   import sys
   
   # 处理客户端请求
   def handle_request(request):
       method = request.get("method")
       params = request.get("params", {})
       request_id = request.get("id")
   
       if method == "initialize":
           return {
               "jsonrpc": "2.0",
               "result": {"version": "1.0", "capabilities": ["resources", "tools"]},
               "id": request_id
           }
       elif method == "read_resource":
           uri = params.get("uri")
           with open(uri.replace("file:///", ""), "r") as f:
               content = f.read()
           return {"jsonrpc": "2.0", "result": content, "id": request_id}
       elif method == "call_tool":
           tool_name = params.get("name")
           if tool_name == "echo":
               return {"jsonrpc": "2.0", "result": params.get("message"), "id": request_id}
       else:
           return {"jsonrpc": "2.0", "error": {"code": -32601, "message": "Method not found"}, "id": request_id}
   
   # 主循环：通过 Stdio 通信
   def main():
       while True:
           # 从 stdin 读取请求
           raw_input = sys.stdin.readline().strip()
           if not raw_input:
               break
           request = json.loads(raw_input)
   
           # 处理请求并返回响应
           response = handle_request(request)
           sys.stdout.write(json.dumps(response) + "\n")
           sys.stdout.flush()
   
   if __name__ == "__main__":
       main()
   

2. 在相同的目录下创建 test.txt 文件

   Hello, this is a test file!
   

3. 启动一个终端调用：

   $ echo '{"jsonrpc": "2.0", "method": "read_resource", "params": {"uri": "file:////path/to/test.txt"}, "id": 2}' | python mcp_server.py
   
   {"jsonrpc": "2.0", "result": "Hello, this is a test file!", "id": 2}
   

   这里看到服务返回了文件的内容
   

• GitHub：在 GitHub 上查找 MCP servers：
  • https://github.com/modelcontextprotocol/servers
  • https://github.com/punkpeye/awesome-mcp-servers
• 网站：通过下面的网站查找 MCP servers：
  • https://mcpservers.org
  • https://mcp.so
  • https://glama.ai/mcp/servers
  • https://www.pulsemcp.com/
• UI自动化相关的 MCP servers
  • playwright: https://github.com/executeautomation/mcp-playwright
  • browserbase: https://github.com/browserbase/mcp-server-browserbase
  • puppeteer https://github.com/modelcontextprotocol/servers/tree/HEAD/src/puppeteer%0D

以 Playwright 项目为例子，在项目里添加 playwright-mcp-server：

git clone https://github.com/AutoTestClass/playwright-mind
cd playwright-mind
npm install -g @executeautomation/playwright-mcp-server # <--添加--