缘之空安卓版汉化
1435MB · 2025-12-24
首先我们需要了解MCP是什么？需要了解大模型LLM是什么？通过LLM能计算数学表达式嘛？例如： 3+4的结果吗？
官网解释大模型LLM （Large Language Model）中文名为大语言模型或大型语言型，是一种相较传统语言模型参数量更多、在更大规模语料上进行预训练的语言模型（产物）。所以LLM的特点：海量的数据、预训练的产物（数据缺乏实时性）、文本数据（缺少真逻辑）；所以后续相继出现了很多补充LLM大模型的工具和技术，例如：Function Calling 、 MCP 、 AI Agent等概览。
官网解释MCP（Model Context Protocol） 是一个开放协议，它为应用程序向 LLM 提供上下文的方式进行了标准化。你可以将 MCP 想象成 AI 应用程序的USB-C接口。USB-C : 为设备连接各种外设和配件提供了标准化的方式一样，MCP 为 AI 模型连接各种数据源和工具提供了标准化的接口安全，可以做到即插即用。
initialize 请求initialized 通知作为确认LLM不能完成的能力通过FastMcp快速创建 MCP Server服务，具体示例代码如下：
import axios from "axios";
import * as cheerio from 'cheerio';
import { FastMCP } from "fastmcp";
import { z } from "zod";
// 创建FastMCP服务器实例
const mcp = new FastMCP({
name: "示例MCP服务器",
version: "1.0.0",
logger: {
debug: (...args) => console.error('[DEBUG]', ...args),
info: (...args) => console.error('[INFO]', ...args),
warn: (...args) => console.error('[WARN]', ...args),
error: (...args) => console.error('[ERROR]', ...args),
log: (...args) => console.error('[LOG]', ...args)
}
});
通过addTools快速完成添加工具，例如实现一个通过MCP获取任意网页的内容，将我们远程网页的内容喂给LLM大模型，让大模型可以为我们做更多事情，具有上网能力。具体示例代码如下：
const get_article = async (link: string) => {
try {
console.log(`Fetching web content: ${link}`);
// 发送HTTP请求获取网页内容
const response = await axios.get(link, {
timeout: 10000, // 10秒超时
headers: {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
});
// 使用cheerio解析HTML
const $ = cheerio.load(response.data);
// 移除不需要的标签
$('script, style, nav, header, footer, aside, .advertisement, .ads').remove();
// 尝试提取主要内容
let content = '';
// 常见的文章内容选择器
const contentSelectors = [
'article',
'.article-content',
'.post-content',
'.entry-content',
'.content',
'main',
'.main-content',
'[role="main"]'
];
for (const selector of contentSelectors) {
const element = $(selector);
if (element.length > 0) {
content = element.text().trim();
if (content.length > 100) { // 如果内容足够长，就使用它
break;
}
}
}
// 如果没有找到特定的内容区域，使用body
if (!content || content.length < 100) {
content = $('body').text().trim();
}
// 清理文本内容
content = content
.replace(/s+/g, ' ') // 将多个空白字符替换为单个空格
.replace(/ns*n/g, 'n') // 移除多余的空行
.trim();
// 限制内容长度（避免过长）
if (content.length > 5000) {
content = content.substring(0, 5000) + '...';
}
console.log(`Successfully fetched content, length: ${content.length} characters`);
return content;
} catch (error) {
console.error(`Failed to fetch web content: ${error instanceof Error ? error.message : String(error)}`);
return `Failed to fetch web content: ${error instanceof Error ? error.message : String(error)}`;
}
}
mcp.addTool({
name: "get_article_by_link",
description: "获取网页内容",
parameters: z.object({
expression: z.string().describe("要获取的网页内容")
}),
execute: async ({ expression }) => {
try {
console.log(`Fetching web content: ${expression}`);
const result = await get_article(expression); // 注意：这里需要await
return {
content: [
{
type: "text",
text: `Web content from ${expression}:nn${result}`
}
]
};
} catch (error) {
return {
content: [
{
type: "text",
text: `Error fetching web content: ${error instanceof Error ? error.message : 'Unknown error'}`
}
],
isError: true
};
}
}
});
// 添加计算工具
mcp.addTool({
name: "calculate",
description: "执行数学计算",
parameters: z.object({
expression: z.string().describe("要计算的数学表达式")
}),
execute: async ({ expression }) => {
try {
// 简单的数学计算（仅支持基本运算）
const result = eval(expression);
return {
content: [
{
type: "text",
text: `计算结果: ${expression} = ${result}`
}
]
};
} catch (error) {
return {
content: [
{
type: "text",
text: `计算错误: ${error instanceof Error ? error.message : '未知错误'}`
}
],
isError: true
};
}
}
});
通过addResource快速完成添加资源等能力，例如实现获取系统信息或让 LLM可以读取本地文件，将本地文件喂给 LLM大模型，让大模型具有本地文件推断能力。具体示例代码如下：
// 添加系统信息资源
mcp.addResource({
uri: "system://info",
name: "系统信息",
description: "当前系统的信息",
mimeType: "application/json",
load: async () => {
const os = await import('os');
return {
uri: "system://info",
mimeType: "application/json",
text: JSON.stringify({
platform: os.platform(),
arch: os.arch(),
nodeVersion: process.version,
uptime: os.uptime(),
totalMemory: os.totalmem(),
freeMemory: os.freemem(),
cpus: os.cpus().length
}, null, 2)
};
}
});
通过addPrompt快速完成定义大模型Prompt的能力，让 LLM可以选择 MCP提供的Prompt角色切换。具体示例代码如下：
// 修复后的prompt定义
mcp.addPrompt({
name: "analyze-code",
description: "分析代码以获得潜在改进",
arguments: [
{
name: "language",
description: "编程语言",
required: true
},
{
name: "code",
description: "要分析的代码",
required: true
}
],
load: async ({ language, code }) => {
// 返回prompt内容，不是prompt对象
return {
messages: [
{
role: "user",
content: {
type: "text",
text: `请分析以下${language}代码，并提供改进建议：nn```${language}n${code}n```nn请从以下几个方面分析：n1. 代码质量和可读性n2. 性能优化建议n3. 最佳实践建议n4. 潜在的安全问题n5. 代码结构改进建议`
}
}
]
};
}
});
MCP Inspector是一个交互式开发者工具，用于测试和调试 MCP 服务器。
npx @modelcontextprotocol/inspector <command> <arg1> <arg2>
// 案例
npx -y @modelcontextprotocol/inspector npx server-postgres postgres://127.0.0.1/testdb
运行启动后，会在那浏览器打开一个本地服务连接http://localhost:6274/，如下图：
http://localhost:6274/本地服务的页面，可以通过 页面 common 和 args配置启动服务的命令。例如
yarn --cwd "D:\code\个人项目\mcp\gpt-demo" mcp 指定目录下执行 yarn mcp 启动服务
在Claude Desktop、IDE、Cursor等开发者工具中配置类似的服务，也可以完成MCP服务的集成。具体配置实例如下：
const mcpConfig = new MCPConfiguration({
servers: {
deepWiki: {
type: "sse",
url: "https://mcp.deepwiki.com/sse",
timeout: 25000,
},
"mcp-test": {
"type": "stdio",
"command": "yarn",
"args": [
"--cwd",
"D:\code\个人项目\mcp\gpt-demo",
"mcp"
]
}
});
通过切换tab到tools可以看到我们开发的 tools 工具函数，选择对应调试的函数进行调试：
通过上面的配置看我们 MCP服务在 Claude Desktop、IDE、Cursor这些开发者工具中Agent 价值配置后结构，如下图示例（包含外部deepwiki MCP Server 和我们开发的 MCP Server）：
通过Agent 进行测试我们开发的MCP Server可以看到调用了calculate这个工具函数，具体执行步骤示例如下：
通过这篇文章我们可以快速完成 MCP的概念和基础知识的了解，也可以通过实例代码5分钟内完成MCP Server的开发。方便我们在研发后续的场景中尝试提效研发效率：
