Documentation Index Fetch the complete documentation index at: https://docs.mcpcn.org/llms.txt
Use this file to discover all available pages before exploring further.
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: 将您的密钥添加到 .env 文件中: ANTHROPIC_API_KEY =< your key her e >
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 ( " \n MCP 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 常见自定义点
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
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
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:
连接到指定的服务器
列出可用工具
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:
客户端从服务器获取可用工具列表
您的查询与工具描述一起发送到 Claude
Claude 决定使用哪些工具(如果有)
客户端通过服务器执行任何请求的工具调用
结果发送回 Claude
Claude 提供自然语言响应
响应显示给您
最佳实践
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
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
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: \p rojects \m cp-server \w eather.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
这是一个基于 Spring AI MCP 自动配置和启动启动器的快速入门演示。
要了解如何手动创建同步和异步 MCP 客户端,请查阅 Java SDK 客户端 文档 此示例演示如何构建一个交互式聊天机器人,将 Spring AI 的模型上下文协议(MCP)与 Brave Search MCP 服务器 结合使用。该应用程序创建了一个由 Anthropic 的 Claude AI 模型驱动的对话界面,可以通过 Brave Search 执行互联网搜索,实现与实时网络数据的自然语言交互。
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:
Java 17 或更高版本
Maven 3.6+
npx 包管理器
Anthropic API 密钥(Claude)
Brave Search API 密钥
设置您的环境
安装 npx(Node Package eXecute):
首先,确保安装 npm
然后运行:
克隆仓库:
git clone https://github.com/spring-projects/spring-ai-examples.git
cd model-context-protocol/brave-chatbot
设置您的 API 密钥:
export ANTHROPIC_API_KEY = 'your-anthropic-api-key-here'
export BRAVE_API_KEY = 'your-brave-api-key-here'
构建应用程序:
使用 Maven 运行应用程序:
确保您的 ANTHROPIC_API_KEY 和 BRAVE_API_KEY 密钥保持安全!
工作原理 该应用程序通过多个组件将 Spring AI 与 Brave Search MCP 服务器集成: MCP 客户端配置
在 pom.xml 中的必需依赖项:
< dependency >
< groupId > org.springframework.ai </ groupId >
< artifactId > spring-ai-mcp-client-spring-boot-starter </ artifactId >
</ dependency >
< dependency >
< groupId > org.springframework.ai </ groupId >
< artifactId > spring-ai-anthropic-spring-boot-starter </ artifactId >
</ dependency >
应用程序属性(application.yml):
spring :
ai :
mcp :
client :
enabled : true
name : brave-search-client
version : 1.0.0
type : SYNC
request-timeout : 20s
stdio :
root-change-notification : true
servers-configuration : classpath:/mcp-servers-config.json
anthropic :
api-key : ${ANTHROPIC_API_KEY}
这会激活 spring-ai-mcp-client-spring-boot-starter,以根据提供的服务器配置创建一个或多个 McpClient。
MCP 服务器配置(mcp-servers-config.json):
{
"mcpServers" : {
"brave-search" : {
"command" : "npx" ,
"args" : [
"-y" ,
"@modelcontextprotocol/server-brave-search"
],
"env" : {
"BRAVE_API_KEY" : "<PUT YOUR BRAVE API KEY>"
}
}
}
}
聊天实现 该聊天机器人使用 Spring AI 的 ChatClient 实现,集成了 MCP 工具: var chatClient = chatClientBuilder
. defaultSystem ( "You are useful assistant, expert in AI and Java." )
. defaultTools (( Object []) mcpToolAdapter . toolCallbacks ())
. defaultAdvisors ( new MessageChatMemoryAdvisor ( new InMemoryChatMemory ()))
. build ();
主要功能:
使用 Claude AI 模型进行自然语言理解
通过 MCP 集成 Brave Search 实现实时网络搜索功能
使用 InMemoryChatMemory 维护会话记忆
作为交互式命令行应用程序运行
构建和运行 ./mvnw clean install
java -jar ./target/ai-mcp-brave-chatbot-0.0.1-SNAPSHOT.jar
或 该应用程序将启动一个交互式聊天会话,您可以在其中提问。当需要从互联网上查找信息以回答您的查询时,聊天机器人将使用 Brave Search。 聊天机器人可以:
使用其内置知识回答问题
在需要时使用 Brave Search 进行网络搜索
记住对话中的先前消息的上下文
从多个来源组合信息以提供全面的答案
高级配置 MCP 客户端支持其他配置选项:
通过 McpSyncClientCustomizer 或 McpAsyncClientCustomizer 自定义客户端
支持多种传输类型的多个客户端:STDIO 和 SSE(服务器发送事件)
与 Spring AI 的工具执行框架集成
自动客户端初始化和生命周期管理
对于基于 WebFlux 的应用程序,您可以改用 WebFlux 启动器: < dependency >
< groupId > org.springframework.ai </ groupId >
< artifactId > spring-ai-mcp-client-webflux-spring-boot-starter </ artifactId >
</ dependency >
这提供了类似的功能,但使用基于 WebFlux 的 SSE 传输实现,推荐用于生产部署。
下一步
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 。