- LLM端：大模型，比如我们用
deepseek，kimi聊天，这些就是大模型端。 - mcp服务器：和我们通常概念里面的服务器是一个意思，通常我们的服务器是运行在远端的，比如阿里云的云主机上面，不间断的对外提供服务。 mcp服务器对外是提供MCP协议相关的服务。
- mcp客户端：客户端充当一个大模型和mcp服务器之间的一个桥梁，客户端把所有自己知道的mcp服务器分类好整理好变成一个工具列表提交给大模型，大模型发现有自己不能完成的任务的时候，就会去这个工具列表里面查找，如果找到就会通知客户端去调用大模型指定的工具，客户端再把调用结果和用户输入重新提交给大模型，大模型处理后发给用户。
python版本>=3.12。
安装uv工具，uv是一个python的包管理工具。
安装node，用来运行调试工具。
创建项目：
#创建项目目录
mkdir mcp_demo
#导航到项目根目录
cd mcp_demo
#初始化项目目录
uv init
#或 下面两条命令和上面三条一样
uv init mcp_demo
cd mcp_demo
#创建虚拟环境并激活
uv venv
source .venv/bin/activate
#安装依赖
uv add "mcp[cli]" httpx openai创建一个文件server.py，我们把mcp服务器的代码都写在里面。
关键要点：
- 创建服务器实例：
mcp = FastMCP("weather") - 用装饰器创建tool工具：
@mcp.tool() - 最后在main里面运行起来：
mcp.run(transport='stdio')
为了方便例子里面使用的kimi的web_search功能来获取实时外部数据。
可以按需替换成自己方便获取实时数据的方式，比如调用付费的搜索api接口等。
先执行uv run server.py看下程序有没有问题。
然后我们用inspector来调试，运行下面的命令：
npx -y @modelcontextprotocol/inspector uv run server.py
浏览器打开http://127.0.0.1:6274。
左侧Transport Type选STDIO, 点击connect，连接成功会有个绿色的点提示。
右侧顶部切换到Tools => List Tools，然后下面就会列出web_search工具了。
点击web_search，最右侧出现输入框，输入我们的搜索的内容，点击Run Tool按钮就会执行我们写的工具了，结果会输出在按钮下方。
打印的日志会出现在下面的Server Notifications里面。
上面编写的web_search调试好没问题后，可以配置到vscode的Cline插件里面使用。
配置格式：
{
"mcpServers": {
"<server-id>": { // 自定义，仅做显示，如 "sqlite"、"brave-search"
/* 通用字段 */
"command": "", // 启动命令：npx / uvx / node / python 等
"args": [], // 传给启动命令的参数列表
"env": {}, // 环境变量，最常见的就是放各种 API_KEY
"transportType": "stdio", // 固定写 stdio / streamable_http
"timeout": 60, // 单次调用超时（秒），可省略，默认 60
"disabled": false, // true = 停用但不删除配置
"autoApprove": [] // 可自动批准的 tool 名称列表，省略则全部需手动确认
}
}
}配置：
使用：输入问题北京今天的天气？：
它提示我们需要使用web_search来获取实时数据，点击下面的approve按钮同意执行。
Cline最终把mcp server的响应和大模型的总结都输出来了。
上面是放在Cline里面运行，因为Cline里面已经包含了MCP客户端实现。
客户端的功能是把配置启用了的mcp server信息都收集起来，发送给大模型，大模型发现有自己不知道的信息的时候，就会通知客户端去调用mcp server去获取想要的信息。
调用哪个mcp服务器和参数都是大模型决定的，客户端只是执行的角色，相当于一个中间层，把mcp服务器和大模型连接了起来。
可用MCP Server发送给LLM的方法有两种：
- 实际使用的api里面有工具参数，按照实际使用的LLM的api格式来发送和处理响应，这种就是按照实际使用的LLM厂商的格式来，不同的LLM可能会有微小差异，接入不同的厂商可能需要适配。
- 通过role=system的消息发送，把可用的mcp工具列表，返回格式，调用结果的提交格式，问答结束的格式等放在发送给LLM的system消息里面，这种就是相当于自己和LLM约定了一个协议，比较个性化通用，和具体的厂商无关。
具体代码demo看client.py文件，里面有注释。
uv run ./client.py server.py
上图最下面虚线部分是一次对话的最终结果。
工具（tool）是用的比较多的MCP服务器功能，还有一些其他类型的功能可用。
简单的示例在server.py里面。
资源是指可以公开给LLM的数据和内容，可以是任意类型的数据。
比如：
- 文件内容
- 图像内容
- 日志文件
- 等等......
资源是用URI来标识的，比如：
- 本地文件：
file:///home/user/documents/report.pdf - 数据库：
postgres://database/customers/schema
URI里面的协议和路径由MCP服务器自己实现定义。
客户端需要使用资源的时候用URI发起read请求来读取资源的内容。
提示则是预定义的一些提示词，可以是动态的，也可以是静态的。
采样则是服务器通过客户端请求LLM补全内容。
客户端可以对请求和结果进行审核和修改。
这里的服务器指的是通常的应用服务器，比如聊天机器人，数据分析系统。
客户端可以是自定义的或者是MCP客户端。
客户端相当于是一个代理，应用系统不能直接访问LLM而是需要通过客户端来访问，客户端可以对请求和响应内容做控制，从而达到保护数据安全和隐私的作用,主要是可控的交互。
上面示例MCP客户端和服务器之间的通信是通过标准输入输出（stdio）来进行的，还有另一种传输方式HTTP（streamable_http）。
工作模式：
- 客户端到服务器：Http POST JSON-RPC消息
- 服务器响应：可以是简单的JSON数据或者SSE数据流
示例：
启动服务器：uv run server_stream.py，会提示监听在8000端口。
然后启动inspector调试：npx -y @modelcontextprotocol/inspector。
如果需要token访问，inspector会打印在控制台，直接复制控制台的链接访问即可。
客户端访问服务器默认的地址路径是/mcp，所以访问URL是http://localhost:8000/mcp。
自定义客户端连接：uv run client_stream.py