当我们在用大模型写代码、生成文案、总结知识的时候，你有没有想过：这些模型是怎么“记住”我们想要的上下文的？答案之一，就是最近火出圈的 MCP（Model Context Protocol）协议。
这是一种由 Anthropic 牵头提出的新型“上下文接入协议”，让大模型能像插件一样，接入各种外部信息源——比如 GitHub 项目、Notion 文档、网页内容、数据库记录等等。通过MCP，我们可以将分散在多个平台的数据，实时、安全地“喂”给 LLM，让它不仅能说会道，更能“知情识趣”。
无论你是 AI 初学者、框架控，还是企业开发者，只要你想让大模型“读得懂你自己的数据”，这篇文章就是你的高能指南。
一起来看看，如何用 MCP + Python/TS 框架，开启 AI 应用开发的“外挂模式”。
将 MCP 视为LLMs的第三次进化。
在第一次进化中，我们拥有LLMs，它们能够准确回答用户提示，前提是它们能在训练数据中找到查询。在这个阶段，它们无法对训练数据之外的提示做出有意义的回应，因为它们无法访问外部工具。
在LLMs的第二次进化中，我们为它们提供了额外的上下文（工具），这些工具不易于操作。然而，它们能够帮助LLMs准确预测和回答用户意图。
第三次进化仍然包括LLMs和工具，但我们实施了一个适当的架构，以使它们能够访问外部应用程序，并确保它们易于维护。
在构建 AI 服务时，您的数据可能存储在云端，用于企业环境中回答客户支持票务的 AI 助手应用程序。MCP 是 Anthropic 的一个开源协议，您可以使用它将您的企业数据连接到 AI 系统。
在LLMs和代理的背景下，MCP 帮助他们提供超出内置知识的有意义响应。例如，要求 ChatGPT 向特定的 Slack 频道发送消息、检查您的日历上的可用性，并今天与团队成员安排会议。您会对 ChatGPT 的响应感到失望，因为它无法访问这些应用程序。MCP 的实施有助于这些助手输出有用的结果。
在下图中，我们结合了用于代理系统的工具，并通过 MCP 服务器访问它们，以提供更一致的用户体验。MCP 方法使得通过中央位置管理和保护这些工具变得更加容易。
Anthropic 对 MCP 的规范有两种服务器形式，用于向代理和 AI 项目添加工具。这些 MCP 服务器连接类型包括以下内容。
- Server-Sent Events (SSE)
服务器发送事件（SSE）：通过 HTTP 连接到远程服务。 - STDIO
标准输入输出（STDIO）：允许执行本地命令并通过标准输入输出进行通信。
有多个开源的托管 MCP 工具库，用于增强LLMs和代理以确保它们生成的响应的可靠性。这些托管 MCP 工具库被称为注册库，提供了经过精选的服务集合。您可以使用它们的工具将您的 AI 应用程序连接到以下注册库。您还可以使用不同的服务器类型，例如 uvx ，它由无需安装的 Python 工具组成。还有 Docker 选项用于运行 MCP 工具，以及基于 npx 的服务器，该服务器需要安装 Node.js。
OpenTools 为 MCP 工具提供生成式 API。您可以访问数百个现成的 MCP 工具，以实现您的 AI 项目。使用 OpenTools API，开发者可以扩展LLMs的网页搜索功能，获取实时位置数据，以及进行网页抓取。该 API 支持 Curl、Python 和 TypeScript。访问 OpenTools 快速入门指南以使用 API。
from openai import OpenAI
client = OpenAI(
base_url="https://api.opentools.com",
api_key="<OPENTOOLS_API_KEY>"
)
completion = client.chat.completions.create(
model="anthropic/claude-3.7-sonnet",
messages=[
{ "role": "user", "content": "Compare specs of top 5 EVs on caranddriver.com" }
],
tools=[{ "type": "mcp", "ref": "firecrawl" }]
)
虽然 MCP 已经成为一个热门词汇，并且最近所有开发者社区都在讨论它，但要知道哪些 MCP 客户端框架用于与 AI 应用和代理集成并不容易。我们进行了研究，并找到了以下领先的 MCP 客户端平台，用于 Python 和 TypeScript 基于代理的工作流程和 AI 助手。
1. 使用 OpenAI 代理 SDK 构建 Git MCP 代理
当使用 OpenAI Agents SDK 构建代理时，您可以使用 SDK 的 MCPServerStdio 和 MCPServerSse 类连接到这些社区构建的 MCP 服务器。以下 MCP 代理实现访问您的本地 Git 仓库的根目录，并响应用户对仓库的查询。
import asyncio
import shutil
import streamlit as st
from agents import Agent, Runner, trace
from agents.mcp import MCPServer, MCPServerStdio
asyncdefquery_git_repo(mcp_server: MCPServer, directory_path: str, query: str):
agent = Agent(
name="Assistant",
instructions=f"Answer questions about the localgit repository at {directory_path}, use that for repo_path",
mcp_servers=[mcp_server],
)
with st.spinner(f"Running query: {query}"):
result = await Runner.run(starting_agent=agent, input=query)
return result.final_output
asyncdefrun_streamlit_app():
st.title("Local Git Repo Explorer")
st.write("This app allows you to query information about a local git repository.")
directory_path = st.text_input("Enter the path to the git repository:")
if directory_path:
# Common queries as buttons
col1, col2 = st.columns(2)
with col1:
if st.button("Most frequent contributor"):
query = "Who's the most frequent contributor?"
run_query(directory_path, query)
with col2:
if st.button("Last change summary"):
query = "Summarize the last change in the repository."
run_query(directory_path, query)
# Custom query
custom_query = st.text_input("Or enter your own query:")
if st.button("Run Custom Query") and custom_query:
run_query(directory_path, custom_query)
defrun_query(directory_path, query):
ifnot shutil.which("uvx"):
st.error("uvx is not installed. Please install it with `pip install uvx`.")
return
asyncdefexecute_query():
asyncwith MCPServerStdio(
cache_tools_list=True,
params={
"command": "python",
"args": [
"-m",
"mcp_server_git",
"--repository",
directory_path
]
},
) as server:
with trace(workflow_name="MCP Git Query"):
result = await query_git_repo(server, directory_path, query)
st.markdown("### Result")
st.write(result)
asyncio.run(execute_query())
if __name__ == "__main__":
st.set_page_config(
page_title="Local Git Repo Explorer",
page_icon="📊",
layout="centered"
)
# Change from async to synchronous implementation
# Since Streamlit doesn't work well with asyncio in the main thread
# Define a synchronous version of our app
defmain_streamlit_app():
st.title("Local Git Repo Explorer")
st.write("This app allows you to query information about a Git repository.")
directory_path = st.text_input("Enter the path to the git repository:")
if directory_path:
# Common queries as buttons
col1, col2 = st.columns(2)
with col1:
if st.button("Most frequent contributor"):
query = "Who's the most frequent contributor?"
run_query(directory_path, query)
with col2:
if st.button("Last change summary"):
query = "Summarize the last change in the repository."
run_query(directory_path, query)
# Custom query
custom_query = st.text_input("Or enter your own query:")
if st.button("Run Custom Query") and custom_query:
run_query(directory_path, custom_query)
# Run the synchronous app
main_streamlit_app()
上述代码将 Streamlit 与 OpenAI MCP 代理集成，允许您使用 Git MCP 服务器与本地 Git 仓库进行聊天。要运行此示例，您应该安装以下内容。
2. 使用 Praison AI 构建 MCP AI 代理
创建一个 Python 文件，例如，streamlit_praison_airbnb_mcp_agent.py，并在其中填写以下代码。
import streamlit as st
from praisonaiagents import Agent, MCP
st.title("🏠 Airbnb Booking Assistant")
# Create the agent
@st.cache_resource
defget_agent():
return Agent(
instructions="""You help book apartments on Airbnb.""",
llm="gpt-4o-mini",
tools=MCP("npx -y @openbnb/mcp-server-airbnb --ignore-robots-txt")
)
# Initialize chat history
if"messages"notin st.session_state:
st.session_state.messages = []
# Display chat history
for message in st.session_state.messages:
with st.chat_message(message["role"]):
st.markdown(message["content"])
# User input form
with st.form("booking_form"):
st.subheader("Enter your booking details")
destination = st.text_input("Destination:", "Paris")
col1, col2 = st.columns(2)
with col1:
check_in = st.date_input("Check-in date")
with col2:
check_out = st.date_input("Check-out date")
adults = st.number_input("Number of adults:", min_value=1, max_value=10, value=2)
submitted = st.form_submit_button("Search for accommodations")
if submitted:
search_agent = get_agent()
# Format the query
query = f"I want to book an apartment in {destination} from {check_in.strftime('%m/%d/%Y')} to {check_out.strftime('%m/%d/%Y')} for {adults} adults"
# Add user message to chat history
st.session_state.messages.append({"role": "user", "content": query})
# Display user message
with st.chat_message("user"):
st.markdown(query)
# Get response from the agent
with st.chat_message("assistant"):
with st.spinner("Searching for accommodations..."):
response = search_agent.start(query)
st.markdown(response)
# Add assistant response to chat history
st.session_state.messages.append({"role": "assistant", "content": response})
# Allow for follow-up questions
if st.session_state.messages:
prompt = st.chat_input("Ask a follow-up question about the accommodations")
if prompt:
search_agent = get_agent()
# Add user message to chat history
st.session_state.messages.append({"role": "user", "content": prompt})
# Display user message
with st.chat_message("user"):
st.markdown(prompt)
# Get response from the agent
with st.chat_message("assistant"):
with st.spinner("Thinking..."):
response = search_agent.start(prompt)
st.markdown(response)
# Add assistant response to chat history
st.session_state.messages.append({"role": "assistant", "content": response})
LangChain 支持 MCP 的工具调用。这种支持允许您设置 Python 函数以访问不同的 MCP 服务器，并在 AI 项目中检索工具以执行任务。下面的示例代码连接到安全的 MCP 文件系统服务器，使LLM能够准确回答您提供的任何文件的任何问题。
本教程向您介绍 MCP，并解释了为什么它在开发者社区中变得流行。我们强调了 MCP 与 Cursor 和 Windsurf 等集成开发环境（IDE）的集成。除此之外，我们还将在七个不同的 Python 和 TypeScript 框架中实现 MCP，用于构建基于 LLM 的应用程序、人工智能助手和代理。
MCP 的强大之处也伴随着以下挑战。当您在项目中寻找 MCP 工具时，可能会发现很难检查或验证其质量，以及确定其适用于您的 AI 项目的具体应用。这是因为其工具搜索和发现尚未标准化。此外，由于其服务器提供商的不同架构，其配置无法提供一致的用户体验。
目前，MCP 生态系统正在讨论标准化 MCP 的各个方面。未来可能会有一种标准方式来安装基于 MCP 的应用程序，就像我们在 Python 中安装包一样。PulseMCP 也试图使浏览和发现 MCP 更容易。
参考：https://medium.com/@amosgyamfi/the-top-7-mcp-supported-ai-frameworks-a8e5030c87ab
（文：AI技术研习社）