基于MCP的轻量级AI工具调用系统

基于 MCP 协议构建可插拔的 AI 工具调用系统：以天气查询为例

本文将带你从零实现一个基于 Model Context Protocol (MCP) 的轻量级 AI 工具调用系统，展示如何让大模型安全、标准化地访问本地或远程数据源，并通过百炼（DashScope）的 Qwen 大模型完成自然语言交互。

什么是 MCP？

MCP（Model Context Protocol）是一种新兴的标准化协议，用于连接大语言模型（LLM）与外部工具服务。其核心思想是：

• 将真实世界的功能（如查询天气、读取数据库）封装为“工具”（Tool）
• 通过统一协议（如 stdio）暴露给 LLM 客户端
• LLM 仅需理解工具的元信息（名称、参数、描述），无需关心底层实现

MCP 架构包含三个关键角色：

角色	说明
MCP 主机（Host）	如 Claude Desktop、IDE 插件等，发起对工具的请求
MCP 客户端（Client）	负责与 LLM 和 MCP 服务器通信，协调工具调用流程
MCP 服务器（Server）	轻量级程序，封装具体业务逻辑（如调用 API），通过 stdio 与客户端交互

✅ 优势：工具服务与大模型解耦，更换模型（Claude → Qwen）或工具（天气 → 股票）无需修改对方代码。

实战：构建一个天气查询工具

我们将实现一个简单的天气查询系统，用户输入“旧金山明天会下雨吗？”，系统自动调用天气 API 并返回自然语言回答。

(服务器和客户端均在本地实现)

第一步：开发 MCP 服务器（weather.py）

环境准备

# 为我们的项目创建一个新目录
uv init weather
cd weather

# 创建虚拟环境并激活它
uv venv

#由于windows的安全机制，阻止未经签名的脚本运行
#可以先临时绕过策略
# Windows 用户需先执行：
#Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser
#再

.venv\Scripts\activate

# 安装依赖
uv add "mcp[cli]" httpx

MCP 服务器的核心是使用 FastMCP 框架，将函数注册为工具：

代码看：p111223/my-mcp-example-resource: 基于MCP协议的AI工具调用系统 - 天气查询示例中的weather.py

该服务器通过 标准输入输出（stdio） 与客户端通信，启动后等待 MCP 协议消息。

💡 重点：weather.py 完全不依赖任何大模型，它只是一个“工具提供者”。

注意：由于调用的是美国国家气象局官方 API（api.weather.gov），该服务主要提供美国本土、领地和近海的天气预报数据。

第二步：开发 MCP 客户端（client.py）

客户端负责：

1. 启动 MCP 服务器子进程（如 python weather.py）
2. 获取可用工具列表
3. 将工具元信息传给大模型
4. 执行模型指示的工具调用
5. 将结果反馈给模型生成最终回答

我们使用 阿里云百炼（DashScope）的 Qwen 模型，因其兼容 OpenAI API，便于集成。

环境准备

uv init mcp-client
cd mcp-client
uv venv
# Windows 用户需先执行：
# Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser
.venv\Scripts\activate
uv add mcp openai python-dotenv

创建 .env 文件：

DASHSCOPE_API_KEY=your_api_key_here

# 把.env添加到.gitignore中（powershell可以执行）
echo ".env" >> .gitignore

客户端代码

代码看p111223/my-mcp-example-resource: 基于MCP协议的AI工具调用系统 - 天气查询示例的client.py

🔍 关键细节：MCP 返回的 result 可能是复杂对象，需安全提取文本内容（见完整代码中的 _extract_content 逻辑）。

第三步：运行系统

# 启动客户端并连接 weather.py
uv run python client.py [.../weather.py(服务器路径)]

结果示例：

核心机制解析

整个系统的工作流如下：

1. 用户输入自然语言 → 客户端接收
2. 客户端向 MCP 服务器请求工具列表
3. 将工具元信息（JSON Schema）传给大模型
4. 大模型决定是否调用工具，并生成参数
5. 客户端通过 MCP 协议调用服务器
6. 服务器执行真实逻辑（如 HTTP 请求）并返回结果
7. 客户端将结果喂回大模型，生成最终自然语言回答

之前在HK2025那里碰到mcp调用的题，这里测一些

发现，

{  "jsonrpc": "2.0",  "id": 2,  "method": "tools/list",  "params": {}}
——用之前的payload直接传


返回
{
  "jsonrpc": "2.0",
  "id": 2,
  "result": [
    {
      "name": "get_alerts",
      "description": "Get weather alerts for a US state.",
      "parameters": {
        "type": "object",
        "properties": {
          "state": {
            "title": "State",
            "type": "string"
          }
        },
        "required": ["state"]
      }
    },
    {
      "name": "get_forecast",
      "description": "Get weather forecast for a location.",
      "parameters": {
        "type": "object",
        "properties": {
          "latitude": {
            "title": "Latitude",
            "type": "number"
          },
          "longitude": {
            "title": "Longitude",
            "type": "number"
          }
        },
        "required": ["latitude", "longitude"]
      }
    }
  ]
}

——直接返回了我代码中的参数信息了。

{  "jsonrpc": "2.0",  "id": 5,  "method": "prompts/list",  "params": {}}

由于我没有prompts/list的方法，所以，就没有返回内容了

{  "jsonrpc": "2.0",  "id": 10,  "method": "resources/templates/list",  "params": {}}
——也不行

{  "jsonrpc": "2.0",  "id": 10,  "method": "tools/call",  "params": { "name": "get_forecast", "arguments": { "latitude": 37.7, "longitude": -122.4 } }
——可以，call调用

——这里是利用了mcp协议：

这些是MCP 协议中标准的“列出所有可用工具”请求。
任何符合 MCP 规范的服务端在收到这个请求后，必须返回它所支持的所有工具的元数据（metadata）

MCP 使用 JSON-RPC 2.0 作为底层通信协议

格式：

{
  "jsonrpc": "2.0",     // 必须是 "2.0"
  "id": <number|string>,// 唯一标识符，用于匹配请求与响应（不能为 null）
  "method": "<string>", // 要调用的方法名（如 "tools/list"、"tools/call"）
  "params": { ... }     // 参数对象（可以是 {}、数组或对象，依方法而定）
}

方法名	用途	params 示例
initialize	初始化连接	{ "clientCapabilities": {} }
tools/list	获取可用工具列表	{}
tools/call	调用某个工具	{ "name": "get_forecast", "arguments": { "latitude": 37.7, "longitude": -122.4 } }

在写复杂工具时，不要暴露太多信息，且不要暴露到公网上

文章参考客户端开发 – MCP 中文站（Model Context Protocol 中文）