MCP 工具服务搭建实战指南

我至今仍记得那种挫败感：我们团队基于 LangGraph 和 MCP 构建的客服机器人，无法在多次用户交互之间保留上下文。它仿佛患上了“对话失忆症”，导致用户不得不一遍又一遍地重复自己说过的话。后来我们发现，问题源于缺少一个中心化的工具服务器，这使得机器人无法以可扩展的方式访问和利用外部工具。这段经历让我们意识到，构建一个健壮的 MCP server，将工具暴露给 AI 应用有多么重要。

本文将逐步介绍如何搭建 MCP server，重点讲解怎样向任何兼容 MCP 的 AI app 暴露一个工具。我们以一个简单的文本情感分析工具为例。我们希望客服机器人能够访问这个工具，从而判断用户的情绪，并作出相应的回应。

构建 MCP server 的第一步，是定义工具及其接口。MCP 提供了一组用于定义工具的 API 和协议，其中包括 Tool class 和 MCPTool interface。我们将使用它们创建情感分析工具。下面是一个用 Python 定义该工具的简化示例：

from MCP import Tool, MCPTool

class SentimentAnalysisTool(Tool, MCPTool):
    def __init__(self):
        super().__init__()
        self.name = "SentimentAnalysis"
        self.description = "Analyzes the sentiment of the input text"

    def execute(self, input_text):
        # Simplified sentiment analysis logic for demonstration
        if "love" in input_text or "great" in input_text:
            return "Positive"
        elif "hate" in input_text or "bad" in input_text:
            return "Negative"
        else:
            return "Neutral"

# Create an instance of our tool
sentiment_tool = SentimentAnalysisTool()

接下来，我们需要搭建一个 MCP server 来托管这个工具。MCP server 可以配置为通过多种接口暴露工具，其中包括 REST 和 gRPC。为了简单起见，我们使用一个基础的 REST server。这里将使用轻量级 Python Web framework Flask 来创建服务器。可以这样进行设置：

from flask import Flask, request, jsonify
from MCP import ToolServer

app = Flask(__name__)

# Create an MCP tool server
tool_server = ToolServer()

# Register our sentiment analysis tool with the server
tool_server.register_tool(sentiment_tool)

# Define a route for tool execution
@app.route('/tools/<tool_name>/execute', methods=['POST'])
def execute_tool(tool_name):
    tool = tool_server.get_tool(tool_name)
    if tool:
        input_text = request.json['input_text']
        result = tool.execute(input_text)
        return jsonify({'result': result})
    else:
        return jsonify({'error': 'Tool not found'}), 404

if __name__ == '__main__':
    app.run(debug=True)

MCP server 启动并运行后，我们的客服机器人，或者任何其他兼容 MCP 的 AI app，就可以访问情感分析工具了。只需向 /tools/SentimentAnalysis/execute endpoint 发送 POST request，并在 request body 中提供需要分析的文本。

构建 MCP server 时有一个很容易踩的坑：必须确保工具注册和服务器配置正确同步。如果工具是在服务器启动之后才注册的，那么在服务器重启之前，这些工具可能都无法访问。为避免这个问题，可以考虑实现一种动态工具注册机制，实时更新服务器的工具列表。

随着 agentic AI 探索之旅的继续，明天我们将研究 LangGraph 与 MCP 集成方面更高级的主题，进一步增强 AI 应用的能力。

如果需要采取进一步措施，你可以考虑屏蔽此人和／或举报滥用行为。