简化MCP客户端

这个项目提供了一个简化的MCP（Model Context Protocol）客户端实现，专注于核心功能，方便其他项目集成。

核心理念

正如你所说，一个MCP客户端最核心的就是两个方法：

• list_tools() - 获取服务器提供的工具列表及其功能描述
• call_tool() - 调用指定工具并获取结果

剩下的就是用户根据自己的需求来使用这些工具。

项目结构

├── simple_mcp_client.py          # 核心客户端类
├── fastmcp_server_streamhttp.py  # 示例MCP服务器
├── fastmcp_client_streamhttp_chatbot.py  # 完整聊天机器人示例
└── requirements.txt               # 依赖包

快速开始

1. 安装依赖

pip install -r requirements.txt

2. 进入环境mcp_env, Python版本3.10.18，启动MCP服务器

python fastmcp_server_streamhttp.py

服务器将在 http://127.0.0.1:8083/my-custom-path 启动

3. 使用简化客户端

from simple_mcp_client import SimpleMCPClient
import asyncio

async def main():
    # 创建客户端
    client = SimpleMCPClient("http://127.0.0.1:8083/my-custom-path")
    
    # 获取工具列表
    tools = await client.list_tools()
    print("可用工具:", [tool['name'] for tool in tools])
    
    # 调用工具
    result = await client.call_tool("get_current_time", {})
    print("当前时间:", result['result'])
    
    # 计算BMI
    result = await client.call_tool("calculate_bmi", {
        "weight_kg": 70, 
        "height_m": 1.75
    })
    print("BMI:", result['result'])

asyncio.run(main())

API 文档

SimpleMCPClient

__init__(server_url: str)

初始化客户端

• server_url: MCP服务器的URL地址

async list_tools() -> List[Dict[str, Any]]

获取服务器提供的所有工具列表

返回格式：

[
    {
        "name": "tool_name",
        "description": "工具描述",
        "parameters": {...}  # JSON Schema格式的参数定义
    }
]

async call_tool(tool_name: str, arguments: Dict[str, Any]) -> Dict[str, Any]

调用指定工具

参数：

• tool_name: 工具名称
• arguments: 工具参数字典

返回格式：

{
    "success": True/False,
    "result": "工具返回结果",
    "error": "错误信息（如果有）"
}

async get_openai_tools_format() -> List[Dict[str, Any]]

获取OpenAI格式的工具定义，用于与LLM集成

集成示例

基础集成

from simple_mcp_client import SimpleMCPClient

class MyApp:
    def __init__(self):
        self.mcp = SimpleMCPClient("http://127.0.0.1:8083/my-custom-path")
    
    async def init(self):
        self.tools = await self.mcp.list_tools()
    
    async def use_tool(self, name, params):
        return await self.mcp.call_tool(name, params)

与LLM集成

from openai import OpenAI
from simple_mcp_client import SimpleMCPClient

class LLMWithTools:
    def __init__(self):
        self.llm = OpenAI()
        self.mcp = SimpleMCPClient("http://127.0.0.1:8083/my-custom-path")
    
    async def chat(self, message):
        # 获取工具定义
        tools = await self.mcp.get_openai_tools_format()
        
        # 调用LLM
        response = self.llm.chat.completions.create(
            model="gpt-3.5-turbo",
            messages=[{"role": "user", "content": message}],
            tools=tools
        )
        
        # 处理工具调用
        if response.choices[0].message.tool_calls:
            for tool_call in response.choices[0].message.tool_calls:
                result = await self.mcp.call_tool(
                    tool_call.function.name,
                    json.loads(tool_call.function.arguments)
                )
                # 处理结果...

运行示例

1. 运行基础示例

python simple_mcp_client.py

2. 运行完整聊天机器人

python fastmcp_client_streamhttp_chatbot.py http://127.0.0.1:8083/my-custom-path

服务器提供的工具

当前示例服务器提供以下工具：

1. get_current_time - 获取当前时间
2. calculate_bmi - 计算BMI指数
   • 参数：weight_kg (float), height_m (float)
3. get_weather - 获取天气信息
   • 参数：city (str), date (str)

扩展使用

这个简化的客户端设计为通用组件，你可以：

1. 集成到现有项目 - 只需要导入 SimpleMCPClient 类
2. 自定义工具处理 - 根据 list_tools() 的结果实现自己的工具调用逻辑
3. 与任何LLM集成 - 使用 get_openai_tools_format() 获取标准格式的工具定义

available_tools = [
			{
				"type": "function",
				"function": {
					"name": tool.name,
					"description": tool.description,
					"input_schema": tool.inputSchema
				}
			}
			for tool in tool_list_response]

response = self.llm.chat.completions.create(
                model=self.model,
                messages=messages,
                tools=available_tools
            )

4. 构建专业应用 - 基于这两个核心方法构建复杂的应用逻辑

设计原则

• 简单性 - 只提供最核心的功能
• 通用性 - 不绑定特定的使用场景
• 可扩展性 - 易于在其他项目中集成和扩展
• 标准兼容 - 支持OpenAI工具格式等标准

这样的设计让你可以专注于业务逻辑，而不用关心MCP协议的底层细节。