MCP Client 开发实战指南（Python版）

原文链接

资料

MCP 官方文档

https://modelcontextprotocol.io/introduction

各个 clients 对 MCP 的支持情况

https://modelcontextprotocol.io/clients

MCP Python SDK：MCP Client 和 Server 官方 SDK

https://github.com/modelcontextprotocol/python-sdk

MCP Server 开发实战指南（Python版）

LangChain MCP

前言

MCP 客户端（MCP Clients）：在主机程序内部，与 MCP server 保持 1:1 的连接。比如支持配置 MCP 的客户端，底层都实现了 MCP Client，然后提供界面让用户配置 MCP Server，比如 Cursor、Claude、Cline、Codebuddy、AI 工具等等。

上面的流程图介绍了 MCP 跟 LLM 的完整交互过程，App 为支持调用 MCP Server 的客户端，比如 Cursor、Claude、Codebuddy 等，他们底层其实就是实现一个 MCP Client，有连接 MCP Server 和调用 Tool的能力。

接下来我会开发一个支持连接 MCP Server 的客户端，以及如何将 MCP Server Tools 提供给大模型，让模型调用 Tools，最终实现通过自然语言调用 MCP Server。

MCP Client Demo 开发

一、环境配置

• 开发语言：Python 3.13.2
• 操作系统：MacOS 或 Linux
• Python 项目管理工具：uv
• 框架：langchain

项目初始化

git clone https://github.com/zhengjianhong001/ai_agent_test
cd ai_agent_test
# 创建虚拟环境
uv venv && source .venv/bin/activate
# 安装相关依赖
uv pip install -r requirements.txt

创建 .evn 配置环境变量

# OpenAI 配置，也可以填写deepseek或元宝的
OPENAI_API_KEY=your_openai_api_key_here
OPENAI_MODEL=gpt-4o-mini
OPENAI_API_BASE=https://api.openai.com/v1

二、编写 Client 代码

通过本地的MCP Server Stdio调用

# Create server parameters for stdio connection
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from langchain_mcp_adapters.tools import load_mcp_tools
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, ToolMessage
import asyncio
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.agents import AgentExecutor, create_openai_tools_agent
from dotenv import load_dotenv
import os
# 加载环境变量
load_dotenv()

# 把工具列表发送给 LLM，根据 LLM 返回需要调用的工具，然后手动调用工具，并把工具结果发送给模型，模型返回最终结果

base_params = {
    "model": os.getenv("OPENAI_MODEL", ""),
    "temperature": 0.1,
    "streaming": True,
    "openai_api_key": os.getenv("OPENAI_API_KEY", ""),
    "openai_api_base": os.getenv("OPENAI_API_BASE", ""),
}
model = ChatOpenAI(**base_params)

server_params = StdioServerParameters(
    command="uvx",
    # Make sure to update to the full absolute path to your math_server.py file
    args=["mcp-server-tapd"],
    env={
        "TAPD_ACCESS_TOKEN": os.getenv("TAPD_ACCESS_TOKEN", ""),
        "TAPD_API_BASE_URL": os.getenv("TAPD_API_BASE_URL", ""),
        "TAPD_BASE_URL": os.getenv("TAPD_BASE_URL", ""),
        "CURRENT_USER_NICK": os.getenv("CURRENT_USER_NICK", ""),
        "BOT_URL": os.getenv("BOT_URL", "")
    }
)

async def run_agent():
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            # Initialize the connection
            await session.initialize()

            # Get tools
            tools = await load_mcp_tools(session)
            # 直接绑定工具到模型
            model_with_tools = model.bind_tools(tools)

              # 第一轮：调用模型
            messages = [HumanMessage(content="获取我参与的项目，只返回项目名称列表，不要返回其他内容")]
            result = await model_with_tools.ainvoke(messages)

            # 检查是否有工具调用
            if result.tool_calls:
                print("检测到工具调用，正在执行...")

                # 执行工具调用
                tool_results = []
                for tool_call in result.tool_calls:
                    tool_name = tool_call['name']
                    tool_args = tool_call['args']

                    # 找到对应的工具
                    for tool in tools:
                        if tool.name == tool_name:
                            print(f"执行工具: {tool_name}")
                            tool_result = await tool.ainvoke(tool_args)
                            tool_results.append(tool_result)
                            break

                # 第二轮：将工具结果发送给模型
                if tool_results:
                    # 添加工具结果到消息列表
                    new_messages = messages + [result] + [
                        ToolMessage(
                            content=str(tool_results[0]),  # 假设只有一个工具调用
                            tool_call_id=result.tool_calls[0]['id']
                        )
                    ]
                    print("将工具结果发送给模型...")
                    final_result = await model_with_tools.ainvoke(new_messages)
                    return final_result

            return result

# Run the async function
if __name__ == "__main__":
    result = asyncio.run(run_agent())
    print("AI 最终内容：", result.content)
    # print(result)

三、运行服务

python client.py

源码：

https://github.com/zhengjianhong001/ai_agent_test/tree/main/mcp