使用 Python MCP 服务将大语言模型连接到您的数据

作者
  • avatar
    姓名
    Nino
    职业
    Senior Tech Editor

长期以来，大语言模型（LLM）一直面临着“知识截断”和无法访问私有数据的问题。虽然检索增强生成（RAG）技术在一定程度上缓解了这一痛点，但在处理复杂的企业级工作流时，RAG 往往显得过于被动且缺乏标准化的交互结构。为了解决这一挑战，Anthropic 发布了 Model Context Protocol (MCP) —— 这是一种开放标准，旨在为 AI 模型与外部数据源之间构建一条安全、标准化的“高速公路”。通过使用 n1n.ai 提供的稳定 API 访问 Claude 3.5 或 DeepSeek-V3 等顶级模型，并配合 MCP 协议，开发者可以将静态的聊天机器人转变为具备数据感知能力的强大自主智能体。

什么是 MCP 协议？

MCP（Model Context Protocol）采用了典型的客户端-服务器架构。在这个生态系统中，主要包含三个角色：

  1. 宿主 (Host)：用户直接使用的应用程序，如 Cursor IDE、Claude Desktop 或自定义的 AI 面板。
  2. 客户端 (Client)：宿主内部负责与 MCP 服务器通信的组件。
  3. 服务器 (Server)：由开发者编写的程序，负责暴露特定的数据、工具或提示词模板。

这种架构的最大优势在于其“传输无关性”。它可以通过标准输入输出（stdio）在本地运行，也可以通过 HTTP（SSE）在远程服务器上运行。当您通过 n1n.ai 调用底层大模型时，MCP 服务器充当了 LLM 的“感官”和“手脚”，让模型能够实时读取您的数据库或调用内部 API。

MCP 的核心三要素：资源、提示词与工具

要构建一个高质量的 MCP 服务器，您需要掌握以下三个核心概念：

  • 资源 (Resources)：这是协议中的“只读”部分。您可以将其类比为 URI 指向的文件或数据库记录。例如，mcp://sales/report/2024 可以让模型直接读取销售报告的内容，而无需编写复杂的抓取逻辑。
  • 提示词 (Prompts)：这是一套预定义的模版。它们就像是为 LLM 准备的“指令集”，帮助用户更高效地调用服务器功能。例如，一个“代码审查”提示词可以自动从服务器抓取最新的提交记录并交给模型分析。
  • 工具 (Tools)：这是最具威力的部分。工具是 LLM 可以主动触发的可执行函数。通过工具，模型不仅能“看”到数据，还能“做”出动作，比如更新库存状态、发送 Slack 消息或执行复杂的数学计算。

环境准备：Python MCP SDK 安装

在开始编写代码之前，请确保您的系统中安装了 Python 3.10 或更高版本。官方提供的 Python SDK 大大简化了开发流程。您可以运行以下命令进行安装：

pip install mcp

为了进一步提升开发效率，我们推荐使用 fastmcp 库，它采用了装饰器风格，非常适合快速原型开发。同时，建议配合 n1n.ai 的 API 控制台，确保您的模型后端拥有足够的并发能力和稳定性。

实战演练：构建电商数据 MCP 服务器

下面我们将编写一个简单的 Python 脚本，创建一个能够查询商品库存和价格信息的 MCP 服务器。这个服务器将与 Cursor 集成，让 AI 能够直接回答关于业务数据的提问。

from mcp.server.fastmcp import FastMCP

# 初始化服务器，命名为“电商数据中心”
server = FastMCP("E-commerce Data Center")

# 模拟数据库：在实际应用中，这里可以是 PostgreSQL 或 Redis
INVENTORY_DB = \{
    "SKU001": \{"name": "机械键盘", "price": 599, "stock": 20\},
    "SKU002": \{"name": "人体工学椅", "price": 1299, "stock": 5\}
\}

@server.tool()
def query_inventory(sku_id: str) -> str:
    """根据 SKU 编号查询产品的价格和库存状态状况。"""
    item = INVENTORY_DB.get(sku_id)
    if item:
        return f"商品名称: \{item['name']\}, 价格: ￥\{item['price']\}, 当前库存: \{item['stock']\}"
    return "未找到该 SKU 对应的商品信息。"

@server.resource("db://inventory/all")
def list_all_products() -> str:
    """列出所有在售商品的简要清单。"""
    names = [p["name"] for p in INVENTORY_DB.values()]
    return "当前库存列表: " + ", ".join(names)

if __name__ == "__main__":
    # 运行服务器，默认使用 stdio 传输
    server.run()

将 MCP 服务器集成到 Cursor 中

Cursor 是目前对 MCP 支持最完善的 AI 编程工具之一。集成步骤如下：

  1. 打开 Cursor 的 Settings > Models > MCP 选项卡。
  2. 点击 + Add New MCP Server。
  3. Name 填写 MyPythonServer，Type 选择 command。
  4. Command 填写 python /你的文件路径/server.py。
  5. 保存并重启 MCP 链接。

现在，当您在 Cursor 聊天框中使用 n1n.ai 驱动的模型（如 Claude 3.5 Sonnet）时，您可以直接问：“SKU001 还有多少货？”模型会自动识别出需要调用 query_inventory 工具，并给出准确的实时数据。

进阶优化与安全建议

在生产环境部署 MCP 服务时，请务必注意以下几点：

  • 异常处理：确保您的工具函数在遇到数据库连接失败等问题时，能返回清晰的错误信息。LLM 会根据这些信息决定是否重试或向用户报告。
  • 权限控制：MCP 服务器拥有运行它的用户的权限。请勿在未加校验的情况下提供执行 rm -rf 或 eval() 等危险操作的工具。
  • 性能监控：由于 MCP 涉及多次往返通信，选择一个响应速度快的 LLM API 至关重要。n1n.ai 的全球加速节点可以显著降低 API 调用的延迟，从而提升 AI 智能体的响应速度。
  • 异步支持：对于耗时较长的 I/O 操作，建议使用 Python 的 asyncio 来编写 MCP 逻辑，以避免阻塞主线程。

总结：为什么选择 n1n.ai 配合 MCP？

MCP 协议的威力取决于底层模型的推理能力。如果模型不够“聪明”，它可能无法正确理解复杂的工具参数或资源路径。通过 n1n.ai，您可以轻松接入 OpenAI o1、DeepSeek-V3 等具备超强逻辑推理能力的模型。这些模型在处理 JSON-RPC 消息和长上下文关联方面表现卓越，是构建企业级 MCP 解决方案的最佳拍档。

立即在 n1n.ai 获取免费 API Key

参考来源：https://realpython.com/courses/connecting-llms-data-python-mcp-servers/