教你手把手写一个MCP 服务应用，太好玩了！

看再多MCP教程，都不如直接上手写一个。

Deepseek等模型训练经验告诉我们：

“干中学” 效率最高。

本文推荐一些常用AI编程工具，然后一步步教你写一个 MCP 服务器。

最后，再推荐一些好用的 MCP 应用市场。

MCP 是未来让 AI Agent变得更简单易用的关键，趋势已非常明显，值得持续跟进学习。

工欲善其事必先利器

Claude Sonnet 3.5问世后，带动用这个模型的 AI编程工具大火。

下面是常见的 AI 辅助编程工具，付费的有Cursor、Windsurf，免费的可选Trae（字节出品）。

喜欢自定义和DIY的，推荐Visual Studio Code + Cline，再配置各种免费薅的 API key。

比如 Gemini 或者火山方舟Deepseek V3，一定可以达到可用程度。

关于如何免费获取API key，之前写有教程：

https://mp.weixin.qq.com/s/YiWFmq1j4xGlplM8cV1p3g?payreadticket=HCIiJXFQDeQJ0qTKy26ny_9jDnXERx2o8HevkvLovUT2pcQ9YiwPI3HPOqibfueux6fGYzA

手把手创建第一个MCP Server

有编程工具，接下来，手把手教完成第一个MCP server

第一步：打开系统终端或安装第三方工具

强推Warp，AI时代的 Terminal，有LLM加持，真的好用，且全平台支持（Linux、Windows、Mac）。

虽然要求注册账号登录有点怪，但也能理解。

官网下载： https://www.warp.dev/

第二步：创建MCP项目

终端中输入命令： mkdir mcp-demo ，敲回车

命令作用：创建一个文件夹，叫 mcp-demo

输入: cd mcp-demo 进入文件夹

输入: touch main.py 创建一个叫main.py的文件。

然后输入 python -m venv myenv 创建一个叫“myenv”的虚拟环境，避免Python库版本冲突。

激活虚拟环境

macOS/Linux下输入：⁠source myenv/bin/activate
Windows 输入：⁠myenv\Scripts\activate

第三步：安装SDK，输入代码

安装MCP的Python SDK，命令：pip install mcp

其他安装方法和介绍见： https://github.com/modelcontextprotocol/python-sdk

接着，用任意代码编辑器打开 main.py，输入以下内容：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import httpx
from mcp.server.fastmcp import FastMCP

# 创建MCP服务器
mcp = FastMCP("Demo")

# 简单加法工具
@mcp.tool()
def add(a: int, b: int) -> int:
    """两数相加"""
    return a + b

# 直接运行时的入口点
if __name__ == "__main__":
    print("服务已启动")

创建一个最简单的MCP服务器，只提供一个工具：两个数字的加法。

使用 MCP 服务器

Cursor 为例

首选项->Cursor Settings，打开如下图，点击“Add new MCP server”

Name：随便起名 Command： mcp run /创建文件的完整目录/mcp-test/main.py

过一会，MCP服务器会启动，指示器会变绿色。

Cursor右侧对话，输入 add 6,89，调用MCP中的add完成计算。

Cline 为例

打开Cline插件，按图示顺序点击

打开MCP servers ->installed->Configure MCP Servers

编辑配置文件，添加一条：

"mcp-test": {
      "command": "mcp-test",
      "args": [
        "run",
        "/创建文件的完整目录/mcp-test/main.py"
      ],
      "disabled": false,
      "autoApprove": [
        "add"
      ]
    }

持续迭代MCP功能

如果觉得上面的例子太简单。

你可以在这个main.py 代码基础上迭代，给MCP增加更多Tool，甚至还可以看官方文档，增加Resource或Prompt调用。

举个例子，再增加一个叫call_llm的工具，让它调用火山方舟的Deepseek V3回答问题。

迭代后代码如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import httpx
from mcp.server.fastmcp import FastMCP

# 创建MCP服务器
mcp = FastMCP("Demo")

# 简单加法工具
@mcp.tool()
def add(a: int, b: int) -> int:
    """两数相加"""
    return a + b

# LLM API调用工具
@mcp.tool()
def call_llm(prompt: str, system_prompt: str = "你是人工智能助手.") -> str:
    """调用LLM API获取回答"""
    # API配置
    url = "https://ark.cn-beijing.volces.com/api/v3/chat/completions"
    headers = {
        "Content-Type": "application/json",
        "Authorization": "Bearer API key"
    }
    data = {
        "model": "ep-20250222222029-sx6sd",
        "messages": [
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": prompt}
        ]
    }
    
    try:
        # 发送请求
        response = httpx.post(url, headers=headers, json=data, timeout=30.0)
        response.raise_for_status()
        result = response.json()
        
        # 提取回答
        if "choices" in result and len(result["choices"]) > 0:
            return "回答：" + result["choices"][0]["message"]["content"]
        else:
            return "回答：未获得有效回答"
    except Exception as e:
        return f"回答：发生错误: {str(e)}"

# 直接运行时的入口点
if __name__ == "__main__":
    print("服务已启动")

输入Tool名称，发给AI： call_llm “李白是谁”，输出如下：