在本教程中，您将学习如何构建一个连接到 MCP 服务器的 LLM 驱动的聊天机器人客户端。建议您先完成 服务器快速入门，以了解构建第一个服务器的基础知识。

您可以在此处找到本教程的完整代码。

系统要求

在开始之前，请确保您的系统满足以下要求：

  • Mac 或 Windows 计算机
  • 安装了最新版本的 Python
  • 安装了最新版本的 uv

设置您的环境

首先，使用 uv 创建一个新的 Python 项目：

# 创建项目目录
uv init mcp-client
cd mcp-client

# 创建虚拟环境
uv venv

# 激活虚拟环境
# 在 Windows 上：
.venv\Scripts\activate
# 在 Unix 或 MacOS 上：
source .venv/bin/activate

# 安装所需的包
uv add mcp anthropic python-dotenv

# 删除样板文件
rm hello.py

# 创建我们的主文件
touch client.py

设置您的 API 密钥

您需要从 Anthropic 控制台 获取一个 Anthropic API 密钥。

创建一个 .env 文件来存储它：

# 创建 .env 文件
touch .env

将您的密钥添加到 .env 文件中：

ANTHROPIC_API_KEY=<your key here>

将 .env 添加到您的 .gitignore 中：

echo ".env" >> .gitignore

确保您的 ANTHROPIC_API_KEY 保持安全！

创建客户端

基本客户端结构

首先，让我们设置导入并创建基本的客户端类：

import asyncio
from typing import Optional
from contextlib import AsyncExitStack

from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

from anthropic import Anthropic
from dotenv import load_dotenv

load_dotenv()  # 从 .env 加载环境变量

class MCPClient:
    def __init__(self):
        # 初始化会话和客户端对象
        self.session: Optional[ClientSession] = None
        self.exit_stack = AsyncExitStack()
        self.anthropic = Anthropic()
    # 方法将在这里添加

服务器连接管理

接下来，我们将实现连接到 MCP 服务器的方法：

async def connect_to_server(self, server_script_path: str):
    """连接到 MCP 服务器

    参数：
        server_script_path: 服务器脚本的路径（.py 或 .js）
    """
    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
    )

    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()

    # 列出可用工具
    response = await self.session.list_tools()
    tools = response.tools
    print("\n已连接到服务器，工具有：", [tool.name for tool in tools])

查询处理逻辑

现在让我们添加处理查询和处理工具调用的核心功能：

async def process_query(self, query: str) -> str:
    """使用 Claude 和可用工具处理查询"""
    messages = [
        {
            "role": "user",
            "content": query
        }
    ]

    response = await self.session.list_tools()
    available_tools = [{
        "name": tool.name,
        "description": tool.description,
        "input_schema": tool.inputSchema
    } for tool in response.tools]

    # 初始 Claude API 调用
    response = self.anthropic.messages.create(
        model="claude-3-5-sonnet-20241022",
        max_tokens=1000,
        messages=messages,
        tools=available_tools
    )

    # 处理响应并处理工具调用
    tool_results = []
    final_text = []

    assistant_message_content = []
    for content in response.content:
        if content.type == 'text':
            final_text.append(content.text)
            assistant_message_content.append(content)
        elif content.type == 'tool_use':
            tool_name = content.name
            tool_args = content.input

            # 执行工具调用
            result = await self.session.call_tool(tool_name, tool_args)
            tool_results.append({"call": tool_name, "result": result})
            final_text.append(f"[调用工具 {tool_name}，参数 {tool_args}]")

            assistant_message_content.append(content)
            messages.append({
                "role": "assistant",
                "content": assistant_message_content
            })
            messages.append({
                "role": "user",
                "content": [
                    {
                        "type": "tool_result",
                        "tool_use_id": content.id,
                        "content": result.content
                    }
                ]
            })

            # 从 Claude 获取下一个响应
            response = self.anthropic.messages.create(
                model="claude-3-5-sonnet-20241022",
                max_tokens=1000,
                messages=messages,
            )

            final_text.append(response.content[0].text)

    return "\n".join(final_text)

交互式聊天界面

现在我们将添加聊天循环和清理功能：

async def chat_loop(self):
    """运行交互式聊天循环"""
    print("\nMCP 客户端已启动！")
    print("输入您的查询或输入 'quit' 退出。")

    while True:
        try:
            query = input("\n查询：").strip()

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

            response = await self.process_query(query)
            print("\n" + response)

        except Exception as e:
            print(f"\n错误：{str(e)}")

async def cleanup(self):
    """清理资源"""
    await self.exit_stack.aclose()

主入口点

最后，我们将添加主执行逻辑：

async def main():
    if len(sys.argv) < 2:
        print("用法：python client.py <服务器脚本路径>")
        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())

您可以在此处找到完整的 client.py 文件。

关键组件解释

1. 客户端初始化

  • MCPClient 类通过会话管理和 API 客户端初始化
  • 使用 AsyncExitStack 进行适当的资源管理
  • 配置 Anthropic 客户端以进行 Claude 交互

2. 服务器连接

  • 支持 Python 和 Node.js 服务器
  • 验证服务器脚本类型
  • 设置适当的通信通道
  • 初始化会话并列出可用工具

3. 查询处理

  • 维护对话上下文
  • 处理 Claude 的响应和工具调用
  • 管理 Claude 和工具之间的消息流
  • 将结果组合成连贯的响应

4. 交互界面

  • 提供简单的命令行界面
  • 处理用户输入并显示响应
  • 包含基本错误处理
  • 允许优雅退出

5. 资源管理

  • 适当清理资源
  • 处理连接问题的错误
  • 优雅的关闭程序

常见自定义点

  1. 工具处理

    • 修改 process_query() 以处理特定工具类型
    • 为工具调用添加自定义错误处理
    • 实现工具特定的响应格式化

  2. 响应处理

    • 自定义工具结果的格式化
    • 添加响应过滤或转换
    • 实现自定义日志记录

  3. 用户界面

    • 添加 GUI 或 Web 界面
    • 实现丰富的控制台输出
    • 添加命令历史记录或自动完成功能

运行客户端

要使用任何 MCP 服务器运行您的客户端：

uv run client.py path/to/server.py # python server
uv run client.py path/to/build/index.js # node server

如果您正在继续服务器快速入门中的天气教程，您的命令可能如下所示：python client.py .../weather/src/weather/server.py

客户端将：

  1. 连接到指定的服务器
  2. 列出可用工具
  3. 启动一个交互式聊天会话，您可以：
    • 输入查询
    • 查看工具执行
    • 获取来自 Claude 的响应

以下是连接到服务器快速入门中的天气服务器时的示例：

工作原理

当您提交查询时：

  1. 客户端从服务器获取可用工具列表
  2. 您的查询与工具描述一起发送到 Claude
  3. Claude 决定使用哪些工具（如果有）
  4. 客户端通过服务器执行任何请求的工具调用
  5. 结果发送回 Claude
  6. Claude 提供自然语言响应
  7. 响应显示给您

最佳实践

  1. 错误处理

    • 始终在 try-catch 块中包装工具调用
    • 提供有意义的错误消息
    • 优雅地处理连接问题

  2. 资源管理

    • 使用 AsyncExitStack 进行适当清理
    • 完成后关闭连接
    • 处理服务器断开连接

  3. 安全性

    • 在 .env 中安全存储 API 密钥
    • 验证服务器响应
    • 谨慎处理工具权限

故障排除

服务器路径问题

  • 仔细检查服务器脚本的路径是否正确
  • 如果相对路径不起作用，请使用绝对路径
  • 对于 Windows 用户，请确保在路径中使用正斜杠（/）或转义的反斜杠（\）
  • 验证服务器文件具有正确的扩展名（Python 为 .py，Node.js 为 .js）

正确路径使用示例：

# 相对路径
uv run client.py ./server/weather.py

# 绝对路径
uv run client.py /Users/username/projects/mcp-server/weather.py

# Windows 路径（任一格式均可）
uv run client.py C:/projects/mcp-server/weather.py
uv run client.py C:\projects\mcp-server\weather.py

响应时间

  • 第一个响应可能需要长达 30 秒才能返回
  • 这是正常的，发生在：
    • 服务器初始化期间
    • Claude 处理查询时
    • 工具正在执行时
  • 后续响应通常更快
  • 在此初始等待期间不要中断进程

常见错误消息

如果您看到：

  • FileNotFoundError：检查您的服务器路径
  • Connection refused：确保服务器正在运行并且路径正确
  • Tool execution failed：验证工具所需的环境变量是否已设置
  • Timeout error：考虑增加客户端配置中的超时时间

​
下一步

示例服务器

查看我们的官方 MCP 服务器和实现库

客户端

查看支持 MCP 集成的客户端列表

使用 LLM 构建 MCP

了解如何使用 LLM（如 Claude）加速您的 MCP 开发

核心架构

了解 MCP 如何连接客户端、服务器和 LLM

​
更新和修正

此列表由社区维护。如果您发现任何不准确之处或想要更新有关您的应用程序中 MCP 支持的信息，请提交拉取请求或在我们的文档仓库中提出问题。