AI编程必看：从0到1写一个 MCP服务

1- AI 编程必看：从 0 到 1 写一个 MCP 服务

1.1- 什么是 MCP？

MCP（Model Context Protocol）是一种开放标准协议，旨在让 AI 模型与外部工具和资源进行交互。它允许 AI 模型调用各种工具、访问数据和执行操作，极大地扩展了 AI 的能力范围。

通过 MCP，开发者可以创建自定义工具和服务，让 AI 模型能够：

调用 API 和执行代码
访问和处理数据
控制外部系统和服务
执行特定领域的任务

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。

1.2- 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：

API Key 获取教程

1.2.1- Cursor

https://www.cursor.com/

Cursor 是一款基于 VSCode 的 AI 编程工具，内置 Claude 模型，支持代码生成、解释和重构，对 MCP 有很好的支持。

1.2.2- Windsurf

https://codeium.com/windsurf

Windsurf 是 Codeium 推出的 AI 编程工具，提供强大的代码补全和生成功能，同样支持 MCP 协议。

1.2.3- Trae

https://www.trae.ai/

Trae 是字节跳动推出的免费 AI 编程助手，支持多种编程语言，内置 MCP 支持，适合初学者使用。

1.2.4- Visual Code + Cline

https://cline.bot/

Cline 是 VSCode 的插件，可以连接多种 AI 模型，支持 MCP 协议，适合喜欢自定义的开发者。

1.3- 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

1.3.1- 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/

1.3.2- 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

1.3.3- 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")
    mcp.run()  # 注意：这里需要添加mcp.run()来启动服务器

注意：上面代码中的 if __name__ == "__main__": 部分需要添加 mcp.run() 来启动服务器，否则服务不会运行。

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。

1.3.4- 第四步：运行 MCP 服务器

在终端中，确保你已激活虚拟环境，然后运行：

python main.py

如果一切正常，你应该会看到类似这样的输出：

服务已启动
INFO:     Started server process [12345]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)

这表明你的 MCP 服务器已经在本地端口 8000 上运行了。

1.4- 使用 MCP 服务器

1.4.1- 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-demo/main.py

注意：请将路径中的 /创建文件的完整目录/ 替换为你实际的文件路径。在 Windows 系统中，路径应使用反斜杠，例如 C:\Users\YourName\mcp-demo\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 6,88，调用 MCP 中的 add 完成计算。

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

注意：同样需要替换实际的文件路径，Windows 系统使用反斜杠并需要转义，例如：C:\\Users\\YourName\\mcp-demo\\main.py

保存配置后，Cline 会自动连接到你的 MCP 服务器。你可以在聊天窗口中输入 add 6,88 来测试。

1.4.3- 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 YOUR_API_KEY"  # 替换为你的实际API密钥
    }
    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")
    mcp.run()  # 启动MCP服务器

输入 Tool 名称，发给 AI： call_llm " 李白是谁 "，输出如下：