MCP聊天系统
  
一个将模型上下文协议（MCP）与OpenAI的函数调用API集成的实用示例，包含一个自定义的HTTP服务器实现。
为什么是这个项目？ FastMCP主要使用STDIO传输方式，这对于基于HTTP的客户端来说并不理想。本项目展示了如何为MCP构建一个完整的HTTP传输层，以实现RESTful API访问，并更好地与Web应用程序集成。
📋 目录
🏗️ 建筑学
这个项目展示了如何构建一个完整的基于MCP（可能是指某种通信协议或平台，如“消息通信协议”等，具体需根据上下文确定）的聊天系统，包含以下组件：
server.py用于销售分析的基础MCP服务器，定义工具、资源和提示http_server.py基于FastAPI的HTTP服务器，通过REST API暴露MCP功能http_client.py用于与MCP服务器通信的HTTP客户端chat.py通过HTTP集成OpenAI与MCP的交互式REPL聊天客户端
✨ 主要特点
- ✅ 适当的工具调用处理为MCP正确格式化OpenAI函数调用
- ✅ HTTP传输为MCP定制的HTTP实现（FastMCP默认使用STDIO）
- ✅ 动态工具执行大型语言模型（LLM）根据用户查询自动决定何时使用工具
- ✅ 丰富的终端用户界面美观的格式化，包含颜色、Markdown 和加载动画
- ✅ 资源管理静态资源和模板资源
- ✅ 可选提示模板适用于多客户端场景的可重用模板（单个聊天机器人无需此功能）
- ✅ 错误处理全面的错误处理和信息丰富的提示消息
🚀 快速入门
先决条件
- Python 3.12+
- 紫外线 包管理器
- OpenAI API密钥
安装
- 克隆仓库：
git clone
cd mcptests- 安装依赖项：
uv sync- 创建一个
.env项目根目录下的文件：
# .env
OPENAI_API_KEY=sk-your-api-key-here
OPENAI_MODEL=gpt-4o-mini
MCP_BASE_URL=http://127.0.0.1:8001/mcp
DOCS_DB=biz.sqlite
# Optional server configuration
MCP_SERVER_NAME=biz-server
DEFAULT_TOP_N=5注永远不要把你的（事情/秘密/情感等）交给（某人） .env 文件已提交到版本控制系统。其中包含敏感的API密钥。运行系统
1号航站楼 - 启动MCP服务器：
chmod +x start_server.sh
./start_server.sh或者手动地：
uv run python http_server.py2号航站楼 - 启动聊天客户端：
chmod +x start_chat.sh
./start_chat.sh或者手动地：
uv run python chat.py📚 使用方法
可用命令
/tools- 列出可用工具/resources- 列出可用资源/read- 读取特定资源/prompt key=value ...- 准备一个提示模板/exit或者/quit- 退出聊天
示例会话
you> /tools
- find_products: Return products whose name or id contains the query...
- sales_between: Aggregate sales between [date_start, date_end]...
- top_products: Top-N products by sales amount...
you> Find products containing "laptop"
assistant> [Uses find_products tool and displays results]
you> /prompt summarize_sales date_start=2024-01-01 date_end=2024-01-31
✅ Prompt 'summarize_sales' prepared for the next message.
you> Analyze the sales
assistant> [Generates analysis using the prepared prompt]🔌 HTTP API 端点
HTTP服务器公开了以下端点：
GET /mcp/tools- 列出所有可用的工具GET /mcp/prompts- 列出所有可用的提示GET /mcp/resources- 列出所有可用资源POST /mcp/tools/call- 执行一个工具
{"name": "tool_name", "arguments": {...}}POST /mcp/prompts/get- 获取一个带有参数的提示
{"name": "prompt_name", "arguments": {...}}GET /mcp/resources/read/{uri}- 阅读资源GET /health- 健康检查
🛠️ 技术细节
它是如何工作的
┌─────────────────────────────────────────────────────────────────────────┐
│ INTERACTION FLOW │
└─────────────────────────────────────────────────────────────────────────┘
┌──────────┐
│ USER │ "What products do we have?"
└────┬─────┘
│
▼
┌────────────────────────────────────────────────────────────────┐
│ CHAT CLIENT (chat.py) │
│ │
│ 1️⃣ On Startup: │
│ • Connect to MCP server (http_client.py) │
│ • Fetch available tools → self.cached_tools │
│ • Convert to OpenAI format → self.oai_tools_spec │
│ │
│ 2️⃣ On User Message: │
│ messages = [ │
│ {"role": "system", "content": "You are..."}, │
│ {"role": "user", "content": "What products..."} │
│ ] │
│ │
│ ⚡ TOOLS INJECTION HAPPENS HERE: │
│ ┌──────────────────────────────────────────────────┐ │
│ │ openai.chat.completions.create( │ │
│ │ messages=messages, │ │
│ │ tools=self.oai_tools_spec ← 🔧 MCP TOOLS! │ │
│ │ ) │ │
│ └──────────────────────────────────────────────────┘ │
└────────────────────────┬───────────────────────────────────────┘
│
▼
┌─────────────────┐
│ OPENAI API │
│ (GPT-4o-mini) │
│ │
│ Analyzes: │
│ • User message │
│ • Available │
│ tools 🔧 │
│ │
│ Decides: │
│ "I need to use │
│ find_products"│
└────────┬────────┘
│
│ Returns tool_calls
▼
┌─────────────────────────────────────────────────────────────────┐
│ CHAT CLIENT (chat.py) │
│ │
│ 3️⃣ Receives tool_calls from OpenAI: │
│ { │
│ "tool_calls": [{ │
│ "function": { │
│ "name": "find_products", │
│ "arguments": '{"query": ""}' │
│ } │
│ }] │
│ } │
│ │
│ 4️⃣ Execute tools via HTTP: │
│ result = await mcp.call_tool("find_products", {"query":""}) │
└────────────────────────┬────────────────────────────────────────┘
│
│ POST /mcp/tools/call
▼
┌────────────────────────────────────────────────────────────────┐
│ HTTP SERVER (http_server.py) │
│ │
│ Receives: {"name": "find_products", "arguments": {...}} │
│ │
│ Calls: tool.fn(**args) ────────────────┐ │
└──────────────────────────────────────────┼─────────────────────┘
│
▼
┌─────────────────────────────┐
│ MCP SERVER (server.py) │
│ │
│ @mcp.tool │
│ def find_products(...): │
│ # Execute SQL │
│ # Return products │
└──────────────┬──────────────┘
│
Returns: [{"id": "p-100", ...}, ...]
│
▼
┌─────────────────────────────────────────────────────────────────┐
│ CHAT CLIENT (chat.py) │
│ │
│ 5️⃣ Receives tool results │
│ │
│ 6️⃣ Sends back to OpenAI: │
│ messages = [ │
│ {"role": "system", ...}, │
│ {"role": "user", "content": "What products..."}, │
│ {"role": "assistant", "tool_calls": [...]}, │
│ {"role": "tool", "content": "[{products...}]"} ← 📊 │
│ ] │
└────────────────────────┬────────────────────────────────────────┘
│
▼
┌─────────────────┐
│ OPENAI API │
│ (GPT-4o-mini) │
│ │
│ Synthesizes: │
│ "Here are the │
│ products: ..."│
└────────┬────────┘
│
│ Final response
▼
┌─────────────────────────────────────────────────────────────────┐
│ CHAT CLIENT (chat.py) │
│ │
│ 7️⃣ Displays formatted response with Rich │
└────────────────────────┬────────────────────────────────────────┘
│
▼
┌──────────┐
│ USER │ Sees beautiful formatted response
└──────────┘要点
- 工具在启动时一次性注入 - 从MCP服务器获取并缓存
- 每条信息都附带工具 作为OpenAI的可用选项
- OpenAI决定 根据用户查询调用哪些工具
- 聊天执行 通过HTTP将工具传输到MCP服务器
- 结果反馈 通过相同的路径生成最终响应
理解工具与提示的区别
🔧（扳手或修理工具的符号，无直接对应中文含义，常用于表示维修、工具等相关概念） 工具 （核心功能）
- 它们是什么大型语言模型（LLM）可以自动调用的功能
- 何时使用动态数据和操作时始终需要
- 谁来决定大型语言模型（GPT）根据用户查询决定何时调用它们
- 示例流程:
User: "Show me the products"
→ LLM decides to call find_products()
→ Tool executes and returns data
→ LLM synthesizes natural response💬（表示对话或评论的符号，无具体含义，可理解为“对话”或“评论”） 提示 （可选模板）
- 它们是什么预配置的消息模板，附带具体说明
- 何时使用:
- 多个应用程序消费同一个MCP服务器（Web应用、Slack机器人、API） - ✅ 统一不同团队/工具的响应标准 - ✅ 没有自有大型语言模型（LLM）的客户（使用MCP提示作为指令） - ❌（表示错误或否定） 不需要 对于一个使用GPT的单一聊天机器人（如这个示例）
- 如何使用手动激活，使用
/prompt命令 - 示例用例：
# Useful for internal tools with multiple consumers:
Web Dashboard ─┐
Slack Bot ─────┼─→ MCP Server (consistent prompts)
Mobile App ────┘💡（这个符号本身在中文中没有直接对应的翻译，它通常表示“灯泡”或“灵感”的意思，常用于表示有想法或创意的时刻。） 构建一个类似ChatGPT的助手
如果你正在构建一个对话式助手（比如这个项目），那么你 只需工具：
- ✅ 工具提供数据和操作
- ✅ GPT处理对话并决定何时使用工具
- ❌ 提示词是可选的（主要用于演示/多客户端场景）
本项目中的提示起着……的作用 例子 这些是MCP（可能指某软件或系统）的功能特性，但聊天功能并不依赖于它们。
代码级别的实现
工具注入的位置
步骤1：启动 - 从MCP服务器获取工具
# chat.py - ChatHost.start()
async def start(self):
self.mcp = MCPHttpClient(MCP_BASE_URL)
# Fetch tools from MCP server via HTTP
self.cached_tools = await self.mcp.list_tools()
# Returns: [{"name": "find_products", "description": "...", "inputSchema": {...}}, ...]
# Convert to OpenAI function calling format
self.oai_tools_spec = as_openai_tools(self.cached_tools)
# Converts to: [{"type": "function", "function": {"name": "...", "parameters": {...}}}, ...]步骤2：每条消息 - 将工具发送到OpenAI
# chat.py - ChatHost.chat_round()
async def chat_round(self, user_text: str):
messages = [
{"role": "system", "content": "You are..."},
{"role": "user", "content": user_text}
]
# 🔧 TOOLS INJECTED HERE - sent to OpenAI with every message
first = self.oai.chat.completions.create(
model=OPENAI_MODEL,
messages=messages,
tools=self.oai_tools_spec, # ← MCP tools in OpenAI format
tool_choice="auto" # ← Let OpenAI decide when to use them
)
# OpenAI returns either:
# - Regular response, OR
# - Response with tool_calls步骤3：在OpenAI请求时执行工具
# chat.py - ChatHost.chat_round()
if first_msg.tool_calls:
for tc in first_msg.tool_calls:
fn = tc.function.name # e.g., "find_products"
args = json.loads(tc.function.arguments) # e.g., {"query": ""}
# Execute tool on MCP server via HTTP
result = await self.mcp.call_tool(fn, args)
# ↓
# POST http://127.0.0.1:8001/mcp/tools/call
# {"name": "find_products", "arguments": {"query": ""}}正确的工具调用处理
该系统通过包含（相关机制）来妥善处理OpenAI的功能调用 tool_calls 在助手消息中：
# Build assistant message with tool_calls (REQUIRED by OpenAI)
asst_msg = {"role": "assistant"}
if first_msg.content:
asst_msg["content"] = first_msg.content
if first_msg.tool_calls:
# Include tool_calls in assistant message (required by OpenAI API)
asst_msg["tool_calls"] = [
{
"id": tc.id,
"type": "function",
"function": {"name": tc.function.name, "arguments": tc.function.arguments}
} for tc in first_msg.tool_calls
]
convo.append(asst_msg)
# Then append tool results
for tc in first_msg.tool_calls:
result = await mcp.call_tool(...)
convo.append({
"role": "tool",
"tool_call_id": tc.id, # Must match the tool_call id
"content": json.dumps(result)
})MCP的HTTP传输
由于FastMCP 2.x主要使用STDIO传输方式，因此该项目实现了一个自定义的HTTP层：
- FastAPI 服务器 封装了MCP工具/提示/资源
- HTTP客户端 为服务器提供异步接口
- 聊天客户端 使用HTTP客户端而不是FastMCP的STDIO客户端
🧪 示例工具
该系统包含示例商业分析工具：
find_products按名称或类别搜索产品sales_between指定日期范围内的总销售额数据top_products获取销量最高的N款产品sales_report包含关键绩效指标（KPIs）的全面销售报告
📝 可用提示（可选）
注这些提示是 可选示例对于一个使用GPT的单一聊天机器人（如本项目），你只需要 工具 上述内容中，当多个应用程序共享同一个MCP服务器时，提示非常有用。
summarize_sales生成一段时间内的销售总结sales_overview_json获取JSON格式的销售概览compare_periods_json比较两个时间段category_insights_json特定类别分析product_deepdive_markdown详细的产品分析merchandising_actions_json可操作的商品陈列建议natural_language_sales_summary人性化摘要（支持多种语言）
如何使用: /prompt key=value ... 然后提出你的问题
🐞 故障排除
“无法连接到MCP服务器”
- 确保服务器在终端1中运行
- 检查端口8001是否可用：
lsof -i :8001 - 验证URL中的内容
.env：MCP_BASE_URL=http://127.0.0.1:8001/mcp
缺少OPENAI_API_KEY
- 创建一个
.env请将原文内容翻译成中文：使用包含您OpenAI API密钥的文件 - 格式：
OPENAI_API_KEY=sk-...
📄 许可证
这个项目采用MIT许可证授权——详见 许可证 详情请查阅文件。
🙏 致谢
- FastMCP - 本项目所基于的MCP框架
- 模型上下文协议 - 协议规范
- OpenAI（一家人工智能研究实验室） 对于函数调用API
🔗 相关资源
📧 支持
- 检查 QUICKSTART.md 翻译为中文是：“快速入门指南.md” 快速设置指南
- 查看代码注释和文档字符串以了解实现细节
- 打开一个 问题 对于问题或错误报告
______________________________________________________________________
以MCP集成的实际应用为例，倾注心血打造