跳到主要内容

客户端开发者指南

在本教程中，你将学习如何构建一个基于LLM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教程，该教程会指导你完成构建第一个服务器的基本知识。

你可以在这里找到本教程的完整代码。

系统要求

在开始之前，请确保你的系统满足以下要求：

  • Mac或Windows电脑
  • 已安装最新版本的Python
  • 已安装最新版本的uv

环境设置

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

# 安装所需包
uv add mcp anthropic python-dotenv

# 删除样板文件
rm main.py

# 创建我们的主文件
touch client.py

设置API密钥

你需要从Anthropic控制台获取一个Anthropic API密钥。

创建一个.env文件来存储它：

# 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中：

echo ".env" >> .gitignore
注意

请确保妥善保管你的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：

```python
async def connect_to_server(self, server_script_path: str):
    """连接到MCP服务器

    Args:
        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]

    # 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
    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)
            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,
                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())

你可以在这里找到完整的client.py文件这里。

关键组件说明

1. 客户端初始化

  • MCPClient类初始化时包含会话管理和API客户端
  • 使用AsyncExitStack进行适当的资源管理
  • 配置Anthropic客户端用于与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. 交互式界面

  • 提供简单的命令行界面
  • 处理用户输入和显示响应
  • 包含基本的错误处理
  • 允许优雅退出

5. 资源管理

  • 适当的资源清理
  • 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
    • 实现富控制台输出
    • 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
备注

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 .../quickstart-resources/weather-server-python/weather.py

客户端将：

  1. 连接到指定的服务器
  2. 列出可用工具
  3. 启动交互式聊天会话，你可以：
    • 输入查询
    • 查看工具执行
    • 获取来自Claude的响应

如果你连接到服务器快速入门中的天气服务器，它应该看起来像这样：

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（如果有的话）
  4. 客户端通过服务器执行任何请求的工具调用
  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中安全存储API密钥
    • 验证服务器响应
    • 谨慎使用工具权限

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，使用绝对路径
  • 对于Windows用户，确保使用正斜杠(/)或转义的反斜杠(\)在路径中
  • 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（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最多30秒才能返回
  • 这是正常的，发生在：
    • 服务器初始化时
    • Claude处理查询时
    • 工具执行时
  • 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：验证工具的必需环境变量已设置
  • Timeout error：考虑增加客户端配置中的超时时间