DeepSeek-R1 调用 MCP 天气API服务教程：MCP 客户端与服务端入门

本文主要通过调用天气的mcp server查询天气这个例子来学习什么是mcp，以及怎么设计mcp。最终的效果：让deepseek-v3使用天气查询的工具来查询指定地方的天气情况

MCP技术介绍

MCP，即Model Context Protocol（模型上下文协议），是由Claude的母公司Anthropic在2024年底推出的一项创新技术协议。在它刚问世时，并未引起太多关注，反响较为平淡。然而，随着今年智能体Agent领域的迅猛发展，MCP逐渐进入大众视野并受到广泛关注。今年2月，Cursor宣布正式支持MCP功能，这无疑为MCP的推广按下了加速键，使其迅速走进了众多开发人员的视野。

从本质上讲，MCP是一种在智能体Agent开发过程中被广泛认可并遵循的规范。它就如同古代秦始皇推行的“书同文、车同轨”政策一样，通过建立统一的标准和规范，能够极大地提升各方在协作过程中的效率。当开发者们都遵循这一协议进行智能体Agent的开发时，沟通成本大幅降低，开发流程更加顺畅，进而显著提高了智能体Agent的整体开发效率。

截至目前，已经有上千种基于MCP的工具应运而生。在如此强大且不断壮大的MCP生态系统推动下，未来有望迎来一个全新的时代，即人人能够便捷地手工打造Manus的时代。

MCP解决的问题，就是让Agent开发中调用工具更加方便。因为Agent的关键，就是希望它除了聊天之外，能够使用外部工具。之前的function calling的思路，就是创建一个外部的function作为中介，一边传递大模型的请求，一边调用外部工具，最终让大模型能够间接的调用外部工具。

这个的思路很简单就不多介绍了，主要是function calling有什么问题?function calling最大的问题就在于它的工具量非常大，一个简单的外部函数往往就要上百行的代码，并且，为了让大模型认识这些外部函数，还需要为每个外部函数编写一个json schema格式的功能说明，此外还要精心设计一个提示词模板才能提高function calling响应的准确率。

所以MCP的目标，就是为了简化这一过程。先统一名称。把大模型的运行环境成为MCP Clinet，也就是MCP客户端，同时，把外部函数运行环境作为MCP Server，MCP服务端。

然后,统一客户端和服务端的运行规范.并且要求MCP客户端和服务端之间,也统一按照某个既定的提示词模板进行通信.

这样做目前最大的好处就在于MCP服务器的开发成为一个特定的模板,并且只要开发了一个MCP server之后,大家也就都能够直接进行使用.比如查询天气,网页爬取,查询本地SQL等等通用需求.

于是github中的MCP成堆出现,大模型能够使用的工具不断增多,

关于agent的入门学习理论，主要包含的四个模块及其作用方面.

环境构建

我看大模型使用的最多的环境是uv的虚拟环境,这里稍微讲一下他们之间的关系.conda是一个跨语言的包和环境的管理工具(不止有python环境),uv则是一个超快的,主要用于python生态,和pip poetry是一类的

这里我们选择uv来构建,也借着学习一下uv的安装和命令,首先是通过pip来安装uv,python的版本的话优先考虑py3.11的.

pip install uv

安装依赖库

uv pip install requests # 与pip install 类似,但是更快

创建虚拟环境.到这里才是真正使用uv创建虚拟环境:

uv venv myenv

这里不像conda,可以指定自己的python版本,这里默认就是使用当前python版本进行虚拟的.类似于运行了:python -m venv myenv.
然后就可以激活环境:

source myenv/bin/activate

windows中则是:

myenv\Scripts\activate     # Windows

然后在虚拟环境中都要通过uv开头的命令来运行文件,这样能够更加高效.

上面主要是uv的一些基础内容,接下来我们正式建立mcp client和mcp server
创建mcp客户端:
我用的是自己在win上安装的py3.8

uv init mcp-client

cd mcp-client

然后创建虚拟环境并进入:

uv venv

.venv\Scripts\activate

接下来安装一些依赖库:

uv add mcp openai python-dotenv

报错了:

因为mcp 包要求 Python 版本大于等于 3.10，这就导致依赖解析失败。所以我们推荐的还是py3.11的版本.

那怎么通过uv创建不同的python环境呢?

uv没有这样的功能.所以说我们还是需要一个conda,创建一个py3.11的版本,然后重新直线上述过程.还挺无语的,但是要想要uv的快速原型功能也只好这样了…

conda create -n mcp_server python=3.11

conda activate mcp_server

然后重新uv:

uv init mcp-client

cd mcp-client

uv venv

.venv\Scripts\activate

uv add mcp openai python-dotenv

python双重环境…
安装完毕之后:

创建客户端client.py,是调用大模型的核心部分:

import asyncio

import os

from openai import OpenAI

from dotenv import load_dotenv

from contextlib import AsyncExitStack



# 加载 .env 文件，确保 API Key 受到保护

load_dotenv()



class MCPClient:

    def __init__(self):



        """初始化 MCP 客户端"""

        self.exit_stack = AsyncExitStack()

        self.openai_api_key = os.getenv("OPENAI_API_KEY")  # 读取 OpenAI API Key

        self.base_url = os.getenv("BASE_URL")  # 读取 BASE YRL

        self.model = os.getenv("MODEL")  # 读取 model



        if not self.openai_api_key:

            raise ValueError("❌ 未找到 OpenAI API Key，请在 .env 文件中设置 OPENAI_API_KEY")



        self.client = OpenAI(api_key=self.openai_api_key, base_url=self.base_url) 



    async def process_query(self, query: str) -> str:

        """调用 OpenAI API 处理用户查询"""

        messages = [{"role": "system", "content": "你是一个智能助手，帮助用户回答问题。"},

                    {"role": "user", "content": query}]



        try:

            # 调用 OpenAI API

            response = await asyncio.get_event_loop().run_in_executor(

                None,

                lambda: self.client.chat.completions.create(

                    model=self.model,

                    messages=messages,

                    stream=False

                )

            )

            return response.choices[0].message.content

        except Exception as e:

            return f"⚠️ 调用 OpenAI API 时出错: {str(e)}"



    async def chat_loop(self):

        """运行交互式聊天循环"""

        print("\n🤖 MCP 客户端已启动！输入 'quit' 退出")



        while True:

            try:

                query = input("\n你: ").strip()

                if query.lower() == 'quit':

                    break



                response = await self.process_query(query)  # 发送用户输入到 OpenAI API

                print(f"\n🤖 OpenAI: {response}")



            except Exception as e:

                print(f"\n⚠️ 发生错误: {str(e)}")



    async def cleanup(self):

        """清理资源"""

        await self.exit_stack.aclose()



async def main():

    client = MCPClient()

    try:

        await client.chat_loop()

    finally:

        await client.cleanup()



if __name__ == "__main__":

    asyncio.run(main())

然后在文件夹中新建.env文件,写入对应的api-key:
我测试过了,deepseek官网的api才支持后续的工具的使用,或者是昂贵的openai和claude,这里就不考虑了

BASE_URL=https://api.deepseek.com

MODEL=deepseek-chat

OPENAI_API_KEY="sk-xxx"

运行:

uv run client.py

然后是服务端的核心部分,我们以天气调用的工具为例:
首先你需要一个openweather的API来查询天气:https://openweathermap.org/api

注册一个账号之后去生成一个API即可

服务端的依赖项安装:

uv add mcp httpx

新建一个server.py:

import json

import httpx

from typing import Any

from mcp.server.fastmcp import FastMCP



# 初始化 MCP 服务器

mcp = FastMCP("WeatherServer")



# OpenWeather API 配置

OPENWEATHER_API_BASE = "https://api.openweathermap.org/data/2.5/weather"

API_KEY = "xxx"# 请替换为你自己的 OpenWeather API Key

USER_AGENT = "weather-app/1.0"



async def fetch_weather(city: str) -> dict[str, Any] | None:

    """

    从 OpenWeather API 获取天气信息。

    :param city: 城市名称（需使用英文，如 Beijing）

    :return: 天气数据字典；若出错返回包含 error 信息的字典

    """

    params = {

        "q": city,

        "appid": API_KEY,

        "units": "metric",

        "lang": "zh_cn"

    }

    headers = {"User-Agent": USER_AGENT}



    async with httpx.AsyncClient() as client:

        try:

            response = await client.get(OPENWEATHER_API_BASE, params=params, headers=headers, timeout=30.0)

            response.raise_for_status()

            return response.json()  # 返回字典类型

        except httpx.HTTPStatusError as e:

            return {"error": f"HTTP 错误: {e.response.status_code}"}

        except Exception as e:

            return {"error": f"请求失败: {str(e)}"}



def format_weather(data: dict[str, Any] | str) -> str:

    """

    将天气数据格式化为易读文本。

    :param data: 天气数据（可以是字典或 JSON 字符串）

    :return: 格式化后的天气信息字符串

    """

    # 如果传入的是字符串，则先转换为字典

    if isinstance(data, str):

        try:

            data = json.loads(data)

        except Exception as e:

            return f"无法解析天气数据: {e}"



    # 如果数据中包含错误信息，直接返回错误提示

    if"error"in data:

        return f"⚠️ {data['error']}"



    # 提取数据时做容错处理

    city = data.get("name", "未知")

    country = data.get("sys", {}).get("country", "未知")

    temp = data.get("main", {}).get("temp", "N/A")

    humidity = data.get("main", {}).get("humidity", "N/A")

    wind_speed = data.get("wind", {}).get("speed", "N/A")

    # weather 可能为空列表，因此用 [0] 前先提供默认字典

    weather_list = data.get("weather", [{}])

    description = weather_list[0].get("description", "未知")



    return (

        f"🌍 {city}, {country}\n"

        f"🌡 温度: {temp}°C\n"

        f"💧 湿度: {humidity}%\n"

        f"🌬 风速: {wind_speed} m/s\n"

        f"🌤 天气: {description}\n"

    )



@mcp.tool()

async def query_weather(city: str) -> str:

    """

    输入指定城市的英文名称，返回今日天气查询结果。

    :param city: 城市名称（需使用英文）

    :return: 格式化后的天气信息

    """

    data = await fetch_weather(city)

    return format_weather(data)



if __name__ == "__main__":

    # 以标准 I/O 方式运行 MCP 服务器

    mcp.run(transport='stdio')

新的客户端部分client_new.py:

import asyncio

import os

import json

from typing import Optional

from contextlib import AsyncExitStack



from openai import OpenAI  

from dotenv import load_dotenv



from mcp import ClientSession, StdioServerParameters

from mcp.client.stdio import stdio_client



# 加载 .env 文件，确保 API Key 受到保护

load_dotenv()



class MCPClient:

    def __init__(self):

        """初始化 MCP 客户端"""

        self.exit_stack = AsyncExitStack()

        self.openai_api_key = os.getenv("OPENAI_API_KEY")  # 读取 OpenAI API Key

        self.base_url = os.getenv("BASE_URL")  # 读取 BASE YRL

        self.model = os.getenv("MODEL")  # 读取 model

        if not self.openai_api_key:

            raise ValueError("❌ 未找到 OpenAI API Key，请在 .env 文件中设置 OPENAI_API_KEY")

        self.client = OpenAI(api_key=self.openai_api_key, base_url=self.base_url) # 创建OpenAI client

        self.session: Optional[ClientSession] = None

        self.exit_stack = AsyncExitStack()        



    async def connect_to_server(self, server_script_path: str):

        """连接到 MCP 服务器并列出可用工具"""

        is_python = server_script_path.endswith('.py')

        is_js = server_script_path.endswith('.js')

        if not (is_python or is_js):

            raise ValueError("服务器脚本必须是 .py 或 .js 文件")



        command = "python"if is_python else"node"

        server_params = StdioServerParameters(

            command=command,

            args=[server_script_path],

            env=None

        )



        # 启动 MCP 服务器并建立通信

        stdio_transport = await self.exit_stack.enter_async_context(stdio_client(server_params))

        self.stdio, self.write = stdio_transport

        self.session = await self.exit_stack.enter_async_context(ClientSession(self.stdio, self.write))



        await self.session.initialize()



        # 列出 MCP 服务器上的工具

        response = await self.session.list_tools()

        tools = response.tools

        print("\n已连接到服务器，支持以下工具:", [tool.name for tool in tools])     



    async def process_query(self, query: str) -> str:

        """

        使用大模型处理查询并调用可用的 MCP 工具 (Function Calling)

        """

        print(11111)

        messages = [{"role": "user", "content": query}]

        print(2222)

        response = await self.session.list_tools()

        print(33333)

        available_tools = [{

            "type": "function",

            "function": {

                "name": tool.name,

                "description": tool.description,

                "input_schema": tool.inputSchema

            }

        } for tool in response.tools]

        print(available_tools)

        print(44)

        response = self.client.chat.completions.create(

            model=self.model,            

            messages=messages,

            tools=available_tools     

        )

        print(5555)



        # 处理返回的内容

        content = response.choices[0]

        if content.finish_reason == "tool_calls":

            # 如何是需要使用工具，就解析工具

            tool_call = content.message.tool_calls[0]

            tool_name = tool_call.function.name

            tool_args = json.loads(tool_call.function.arguments)



            # 执行工具

            result = await self.session.call_tool(tool_name, tool_args)

            print(f"\n\n[Calling tool {tool_name} with args {tool_args}]\n\n")



            # 将模型返回的调用哪个工具数据和工具执行完成后的数据都存入messages中

            messages.append(content.message.model_dump())

            messages.append({

                "role": "tool",

                "content": result.content[0].text,

                "tool_call_id": tool_call.id,

            })



            # 将上面的结果再返回给大模型用于生产最终的结果

            response = self.client.chat.completions.create(

                model=self.model,

                messages=messages,

            )

            return response.choices[0].message.content



        return content.message.content



    # async def process_query(self, query: str) -> str:

    #     """调用 OpenAI API 处理用户查询"""

    #     messages = [{"role": "system", "content": "你是一个智能助手，帮助用户回答问题。"},

    #                 {"role": "user", "content": query}]



    #     try:

    #         # 调用 OpenAI API

    #         response = await asyncio.get_event_loop().run_in_executor(

    #             None,

    #             lambda: self.client.chat.completions.create(

    #                 model=self.model,

    #                 messages=messages

    #             )

    #         )

    #         return response.choices[0].message.content

    #     except Exception as e:

    #         return f"⚠️ 调用 OpenAI API 时出错: {str(e)}"



    async def chat_loop(self):

        """运行交互式聊天循环"""

        print("\n🤖 MCP 客户端已启动！输入 'quit' 退出")



        while True:

            try:

                query = input("\n你: ").strip()

                if query.lower() == 'quit':

                    break



                print("chat ing")



                response = await self.process_query(query)  # 发送用户输入到 OpenAI API

                print(f"\n🤖 OpenAI: {response}")



            except Exception as e:

                print(f"\n⚠️ 发生错误: {str(e)}")



    async def cleanup(self):

        """清理资源"""

        await self.exit_stack.aclose()



async def main():

    if len(sys.argv) < 2:

        print("Usage: python client.py <path_to_server_script>")

        sys.exit(1)



    client = MCPClient()

    try:

        await client.connect_to_server(sys.argv[1])

        await client.chat_loop()

    finally:

        await client.cleanup()



if __name__ == "__main__":

    import sys

    asyncio.run(main())