核心概念：理解MCP协议
MCP（Model Context Protocol）全称是模型上下文协议。它被定义为AI大模型的标准化工具箱，充当AI与外部工具之间的中间层。MCP Server代替人类访问并操作外部工具，实现AI智能体与复杂工作流。
MCP Server本质上是一段 Node.js 或 Python 程序。大模型通过操作系统的 STDIO（标准输入输出通道）或 SSE 协议调用MCP Server。
准备工作：Python环境与SDK
我们以Python SDK为例，演示MCP Server的创建。第一步是安装 uv，一个高效的Python环境管理工具。
1. 安装 uv
访问 uv 官方安装指南 🔗，根据您的操作系统执行相应命令。
示例 (Windows Powershell):
irm https://astral.sh/uv/install.ps1 | iex安装完成后，可使用 uv python list 查看已安装的Python版本，或 uv python install 3.13 安装指定版本。
2. 创建 MCP 项目
- 新建项目文件夹，例如：
mcp_server。 - 进入该文件夹，初始化为Python工程：
uv init . -p 3.13 - 安装 MCP Python SDK：
uv add "mcp[cli]" - 使用 VS Code 等IDE打开项目，并安装Python相关插件。
初始化后，项目结构包含 .venv (虚拟环境)、pyproject.toml (项目信息) 和 main.py (基础代码样例)。
编写你的第一个 MCP Server
MCP Server 的编写核心是定义 工具 (tool) 和 资源 (resource)。
示例代码：一个简单的加法工具
# server.py
from mcp.server.fastmcp import FastMCP
# 创建一个MCP server实例
mcp = FastMCP("Demo")
# 添加一个加法工具
@mcp.tool()
def add(a: int, b: int) -> int:
"""Add two numbers"""
return a + b
# 添加一个动态问候资源
@mcp.resource("greeting://{name}")
def get_greeting(name: str) -> str:
"""Get a personalized greeting"""
return f"Hello, {name}!"
if __name__ == "__main__":
mcp.run(transport='stdio') # 默认使用STDIO协议
- `@mcp.tool()` 装饰器： 声明下方函数为MCP工具。大模型通过工具与外部系统交互，通常产生副作用（如写入文件、发送邮件）。
- `@mcp.resource()` 装饰器： 声明下方函数为MCP资源。资源通常为大模型提供只读数据，不产生副作用，类似于HTTP GET方法。
- 函数注释 `"""..."""`： 必填！使用自然语言描述函数功能，帮助AI大模型理解和调用。
- 类型修饰符 `(a: int, b: int) -> int`： 必填！明确参数和返回值的类型，有助于大模型精准传参。
- `mcp.run(transport='stdio')`： 启动MCP Server，并指定通信协议。
协议与客户端集成
STDIO 协议 (标准输入输出)
特点： 客户端将MCP Server程序下载到本地运行，AI客户端与MCP Server通过操作系统的标准输入输出通道进行交互。距离更近，通常用于本地开发和测试。
Cherry Studio 配置示例:
类型: stdio
命令: uv
参数: run main.py
SSE 协议 (Server-Sent Events)
特点： MCP Server程序单独部署在服务器上，AI客户端通过SSE协议进行远程调用。距离更远，适用于生产环境部署。
代码修改 (`main.py`):
if __name__ == "__main__":
mcp.run(transport='sse')Cherry Studio 配置示例:
类型: SSE
URL: http://[Server IP]:8000/sse
Streamable HTTP 协议
特点： 功能类似SSE，也是用于远程调用。
代码修改 (`main.py`):
if __name__ == "__main__":
mcp.run(transport='streamable-http')客户端配置类似SSE，URL末尾改为 `/mcp`。
MCP Server 发布上线：让你的工具触达全球
有两种主要方式将MCP Server发布到公网：
方法一：发布到 PyPI (Python Package Index)
将MCP Server打包成Python包并上传到PyPI，用户可使用 uvx 命令自动下载并本地执行。
- 创建包项目：
uv init . --package -p 3.13 - 修改 `__init__.py`： 将MCP Server代码移入，并确保 `mcp.run` 在 `main()` 函数中。
# server.py from mcp.server.fastmcp import FastMCP mcp = FastMCP("Demo") @mcp.tool() def add(a: int, b: int) -> int: """Add two numbers""" return a + b @mcp.resource("greeting://{name}") def get_greeting(name: str) -> str: """Get a personalized greeting""" return f"Hello, {name}!" def main() -> None: mcp.run(transport='stdio') - 打包项目：
uv build - 注册 PyPI 账号并生成 API TOKEN： 访问 pypi.org 🔗，注册并生成API TOKEN（在`Account settings` -> `API Tokens`）。
- 发布到 PyPI：
uv publish --token pypi-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx - 客户端使用 (Cherry Studio 快速创建):
类型: stdio 命令: uvx 参数: [你的包名]
方法二：部署到公网服务器 (SSE 协议)
将MCP Server程序部署到一台拥有公网IP的云服务器上，并暴露SSE地址供远程调用。
- 服务器准备： 在Ubuntu等Linux服务器上安装
uv。curl -sSf https://astral.sh/uv/install.sh | sh - 修改 `main.py` 启用远程访问：
if __name__ == "__main__": mcp.settings.host = "0.0.0.0" # 允许远程连接 mcp.run(transport='sse') - 传输代码： 将 `main.py` 和 `pyproject.toml` 传输到服务器目录。
- 服务器端启动：
uv venv # 配置虚拟环境 uv pip install . # 安装项目依赖 uv run main.py # 启动MCP Server - 客户端配置： 将类型设置为 `SSE`，URL指向 `http://[你的服务器公网IP]:8000/sse`。
总结与展望
本教程从零开始，详细介绍了如何使用Python SDK创建MCP Server，涵盖了本地开发与发布上线的四种核心场景：
通过掌握这些知识，你将能够为AI大模型构建和部署强大的外部工具，极大地扩展其功能边界。