Skip to main content
在本教程中，你将学习如何构建一个由 LLM 驱动的聊天机器人客户端，它可以连接到 MCP 服务器。建议你先完成服务器快速入门，它会指导你了解构建第一个服务器的基础知识。
你可以在这里找到本教程的完整代码。

​
系统要求

开始之前，请确保你的系统满足以下要求:
  • Mac 或 Windows 电脑
  • 安装了最新版本的 Python
  • 安装了最新版本的 uv

​
设置环境

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
# Windows 上:
.venv\Scripts\activate
# Unix 或 MacOS 上:
source .venv/bin/activate

# 安装所需包
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 API 密钥

你需要从 Anthropic Console 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
将你的密钥添加到 .env 文件中:
ANTHROPIC_API_KEY=<你的密钥>
将 .env 添加到你的 .gitignore:
echo ".env" >> .gitignore
确保保护好你的 ANTHROPIC_API_KEY！

​
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

​
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，可用工具:", [tool.name for tool in tools])

​
查询处理逻辑

现在让我们添加处理查询和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]

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

    # Process response and handle tool calls
    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

            # Execute tool call
            result = await self.session.call_tool(tool_name, tool_args)
            tool_results.append({"call": tool_name, "result": result})
            final_text.append(f"[Calling tool {tool_name} with args {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
                    }
                ]
            })

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

            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("输入你的查询或 'quit' 退出。")

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

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

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

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

async def cleanup(self):
    """Clean up resources"""
    await self.exit_stack.aclose()

​
主程序

最后,让我们实现主程序来运行客户端:
async def main():
    if len(sys.argv) < 2:
        print("Usage: python client.py <path_to_server_script>")
        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())
你可以在这里找到完整的 client.py 文件 here.

​
关键组件说明

​
1. 客户端初始化

  • MCPClient 类初始化会话管理和 API 客户端
  • 使用 AsyncExitStack 进行适当的资源管理
  • 配置 Anthropic 客户端用于 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处理
  • 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方式
    • 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
    • 添加命令历史或自动完成

​
运行客户端

要使用任何 MCP 服务器运行你的客户端:
uv run client.py path/to/server.py # python 服务器
uv run client.py path/to/build/index.js # node 服务器
如果你正在继续服务器快速入门中的天气教程，你的命令可能看起来像这样: python client.py .../weather/src/weather/server.py
客户端将会:
  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，你可以:
    • 输入查询
    • 查看工具执行过程
    • 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应该看到的示例:

​
工作原理

当你提交查询时:
  1. 客户端从服务器获取可用工具列表
  2. 你的查询连同工具描述一起发送给 Claude
  3. Claude 决定使用哪些工具(如果需要)
  4. 客户端通过服务器执行所有请求的工具调用
  5. 结果发送回 Claude
  6. Claude 提供自然语言响应
  7. 响应显示给你

​
最佳实践

  1. 错误处理
    • 始终将工具调用包装在 try-catch 块中
    • 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 进行适当的清理
    • 完成后关闭连接
    • 处理服务器断开连接
  3. 安全性
    • 在 .env 中安全地存储 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，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(.py 用于 Python 或 .js 用于 Node.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(两种格式都可以)
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
    • Claude 处理查询
    • 工具正在执行
  • 后续响应通常更快
  • 在这个初始等待期间不要中断进程

​
常见错误消息

如果你看到:
  • FileNotFoundError: 检查你的服务器路径
  • Connection refused: 确保服务器正在运行且路径正确
  • Tool execution failed: 验证工具所需的环境变量已设置
  • Timeout error: 考虑在客户端配置中增加超时时间

​
下一步

示例服务器

查看我们的官方 MCP 服务器和实现示例库

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 Claude 等 LLM 加速 MCP 开发

核心架构

了解 MCP 如何连接客户端、服务器和 LLM