2026年最该学的AI协议,不是Prompt是MCP

用30行Python给AI装上"手和脚"，从本地stdio到远程HTTP完整实战

一、AI连天气都查不了？

你问Claude：今天北京天气怎么样？

它大概率回你：我无法获取实时天气数据。

你再问：明天上海有暴雨预警吗？

它还是那句：我没有联网查询能力。

这种对话我经历过太多次。每次都想摔键盘——你明明是个AI，号称什么都会，结果连查个天气都做不到？

问题不在AI不够聪明。

Claude能写诗、能翻译、能写代码。但它有三件事天生做不到：查实时天气、读你的数据库、调公司内部API。

原因很简单。大模型的训练数据有截止日期，而且模型本身不会主动发起网络请求。

这就像你请了一个智商180的助理，但他被关在没窗户的房间里。你问他外面下没下雨，他只能猜。

2026年，解决这个问题有一个标准答案：MCP协议。

MCP全称Model Context Protocol，Anthropic 2024年发布的开放标准。到今天，500多个开源MCP Server已上线，Claude Desktop、Cursor、Cline全面支持。

它的定位很简单——给AI装上"手和脚"，让它能调工具、查接口、读数据。

本文的目标也很直接：跟着我，用Python写一个天气查询MCP Server。

从本地stdio到远程HTTP部署，每一步都有完整代码。写完之后，你的AI就能真正"动手干活"了。

二、AI的"残疾"现状

大模型很强，但有三件事它天生做不到。

第一件事：查实时数据。

你问GPT-4"今天北京气温多少"，它要么编一个数字，要么告诉你"我的知识截止到某年某月"。不是它不想帮你，是它根本没有联网查询的能力。

第二件事：读你的私有数据。

你的公司数据库、你的本地Excel、你的内部OA系统——这些对AI来说都是黑盒。它看不见，也摸不着。

第三件事：执行操作。

你想让AI帮你"把上周销售数据导出成CSV，发到钉钉群里"。这件事涉及查数据库、生成文件、调用钉钉API三个步骤。没有外部工具支持，AI只能给你写一段代码，剩下的你自己跑。

三、之前的"土办法"为什么不行

行业早就意识到这个问题，也试过一些方案。

方案一：Function Calling。

OpenAI、Claude、Google各自实现了函数调用，但格式不统一。你给Claude写的一套工具，搬到GPT那边要重写一遍。维护成本爆炸。

方案二：API直接调。

你自己写个中间层，把AI的输出解析成API调用。问题是AI不知道你的API有什么功能、该传什么参数。你得自己写编排逻辑，AI只是"建议"，真正执行的还是你。

这两个方案的共同点：AI和工具之间没有标准接口，每次对接都要重新造轮子。

四、MCP是AI世界的USB-C

MCP的设计思路很简洁：给AI世界造一个通用接口。

MCP的核心价值就一句话：你的API按MCP标准封装一次，Claude、Cursor、Cline都能自动发现、自动调用。

AI根据对话上下文，自己决定调用哪个工具、传什么参数——不需要你写任何编排代码。

这就是MCP被称为"AI世界USB-C"的原因。

五、环境准备：5分钟搞定

你需要三样东西：Python 3.10+、uv包管理器、一颗不怕报错的心。

检查Python版本：

python --version
# 预期输出：Python 3.10.x 或更高

安装uv（比pip快10倍的包管理器）：

# macOS / Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

装完重启终端，确保uv命令能被识别。

创建项目：

uv init weather
cd weather

# 创建虚拟环境
uv venv
source .venv/bin/activate  # macOS/Linux
# .venv\Scripts\activate  # Windows

# 安装依赖
uv add "mcp[cli]" httpx

# 创建服务器文件
touch weather.py

常见坑：fastmcp和mcp包冲突

如果你之前装过官方的mcp包，可能会和fastmcp冲突。两个包都有FastMCP类，但版本不同。

# 检查是否冲突
pip list | grep -i mcp

# 如果同时有mcp和fastmcp，卸载mcp
pip uninstall mcp

FastMCP 1.0已合并进官方SDK，但fastmcp包是独立维护的v3.x版本，功能更全。本文统一用fastmcp。

六、写你的第一个MCP Server：15分钟

打开weather.py，把下面这段代码贴进去：

from typing import Any
import httpx
from mcp.server.fastmcp import FastMCP

# 初始化FastMCP服务器
mcp = FastMCP("weather")

# 常量
NWS_API_BASE = "https://api.weather.gov"
USER_AGENT = "weather-app/1.0"


async def make_nws_request(url: str) -> dict[str, Any] | None:
    """向NWS API发出GET请求，处理错误并返回JSON响应"""
    headers = {
        "User-Agent": USER_AGENT,
        "Accept": "application/geo+json"
    }
    async with httpx.AsyncClient() as client:
        try:
            response = await client.get(url, headers=headers, timeout=30.0)
            response.raise_for_status()
            return response.json()
        except Exception:
            return None


def format_alert(feature: dict) -> str:
    """将警报特征格式化为可读字符串"""
    props = feature["properties"]
    return f"""
Event: {props.get('event', 'Unknown')}
Area: {props.get('areaDesc', 'Unknown')}
Severity: {props.get('severity', 'Unknown')}
Description: {props.get('description', 'No description available')}
Instructions: {props.get('instruction', 'No specific instructions provided')}
"""


@mcp.tool()
async def get_alerts(state: str) -> str:
    """获取指定州的天气警报（使用两字母州代码如CA/NY）"""
    url = f"{NWS_API_BASE}/alerts/active/area/{state}"
    data = await make_nws_request(url)

    if not data or "features" not in data:
        return "无法获取警报或未找到警报。"

    if not data["features"]:
        return "该州没有活动警报。"

    alerts = [format_alert(feature) for feature in data["features"]]
    return "\n---\n".join(alerts)


@mcp.tool()
async def get_forecast(latitude: float, longitude: float) -> str:
    """获取位置的天气预报。

    Args:
        latitude: 位置的纬度
        longitude: 位置的经度
    """
    points_url = f"{NWS_API_BASE}/points/{latitude},{longitude}"
    points_data = await make_nws_request(points_url)

    if not points_data:
        return "无法为此位置获取预报数据。"

    forecast_url = points_data["properties"]["forecast"]
    forecast_data = await make_nws_request(forecast_url)

    if not forecast_data:
        return "无法获取详细预报。"

    periods = forecast_data["properties"]["periods"]
    forecasts = []
    for period in periods[:5]:
        forecast = f"""
{period['name']}:
Temperature: {period['temperature']}°{period['temperatureUnit']}
Wind: {period['windSpeed']} {period['windDirection']}
Forecast: {period['detailedForecast']}
"""
        forecasts.append(forecast)

    return "\n---\n".join(forecasts)


if __name__ == "__main__":
    mcp.run(transport='stdio')

这段代码的核心逻辑：

• mcp = FastMCP("weather")
  ：创建MCP服务器实例，名字叫"weather"。
• @mcp.tool()
  ：用装饰器把Python函数注册为MCP工具。
• docstring
  ：函数的文档字符串自动变成工具描述，告诉AI这个工具是干什么的、什么时候该用。
• transport='stdio'
  ：使用标准输入输出传输，适合本地部署。  一个关键设计：  你不需要手写任何JSON Schema。FastMCP自动从Python的类型注解和docstring中提取参数定义。latitude: float自动变成JSON Schema里的{"type": "number"}。docstring里的Args部分自动变成参数描述。  代码即协议。写Python代码就是在写MCP协议定义。  运行一下确认没问题：

uv run weather.py

终端没有报错，说明Server能正常启动。

七、用MCP Inspector测试：5分钟

接入Claude Desktop之前，先用MCP Inspector测试。这个工具让你不需要配置Claude就能验证Server是否正常工作。

启动Inspector：

fastmcp dev inspector weather.py

浏览器自动打开http://localhost:6274。

测试Tools：

1. 点击Tools标签页
2. 你应该看到两个工具：get_alerts和get_forecast
3. 点击get_forecast，填入参数：
• latitude
  : 39.9042（北京纬度）
• longitude
  : 116.4074（北京经度）
4. 点击Run Tool  返回了天气预报数据？恭喜你，Server工作正常。  为什么建议先测再接Claude？  Claude Desktop的报错信息很模糊。配置有问题，你根本不知道错在哪。Inspector界面直观，参数、返回值一目了然，排错效率高10倍。

八、接入Claude Desktop：5分钟

找到配置文件：

文件不存在就创建一个空的JSON文件。

添加Server配置：

{
    "mcpServers": {
        "weather": {
            "command": "uv",
            "args": [
                "--directory",
                "/ABSOLUTE/PATH/TO/PARENT/FOLDER/weather",
                "run",
                "weather.py"
            ]
        }
    }
}

三个注意事项：

1. 必须用绝对路径
   。Claude Desktop启动Server时的工作目录不确定，相对路径会找不到文件。
2. Windows路径用双反斜杠\\
   或正斜杠/。
3. JSON格式不能有多余逗号
   ，最后一个字段后面不要加逗号。  重启Claude Desktop：  完全退出（不是最小化），重新打开。  验证：  输入框旁边应该出现一个锤子图标🔧。点击它，确认能看到get_alerts和get_forecast两个工具。  实际对话测试：  试试这样跟Claude对话：

帮我查一下北京（39.9, 116.4）未来几天的天气预报

Claude自动调用get_forecast工具，传入经纬度参数，然后把返回的天气数据整理成易读格式呈现给你。

加州CA最近有天气预警吗？

Claude自动调用get_alerts工具，查询加州的天气警报。

整个过程中，你不需要告诉Claude该调哪个工具、传什么参数——它自己根据你的问题内容决定。

九、为什么需要远程部署

stdio传输有个致命限制：Server和Client必须在同一台机器上。

Claude Desktop把MCP Server当作子进程启动，通过操作系统的stdin/stdout管道通信。这就像你在终端里python script.py，不需要网络，但也出不了本机。

实际工作中，远程部署是刚需：

• 团队共享
  ：一个MCP Server部署在公司服务器上，全团队都能用
• 资源隔离
  ：数据库在公司内网，AI在员工个人电脑，两者不能装在一起
• 服务化
  ：把MCP Server当作独立微服务运维，支持负载均衡、监控告警  架构对比：architecturediagram.jpg" alt="MCP架构对比：stdio本地模式 vs HTTP远程模式" style="max-width:100%;height:auto;display:block;margin:12px 0;border-radius:4px;">

左图：stdio模式下，MCP Server作为Claude Desktop的子进程运行，通过stdin/stdout管道通信，仅限本机。 右图：HTTP模式下，MCP Server部署在远程服务器上，Claude Desktop通过网络（HTTP POST + SSE推送）与之通信，支持跨主机部署。

十、改造为HTTP + SSE传输

HTTP + SSE是MCP支持的远程传输方式之一。Server用SSE向Client推送消息，Client用HTTP POST向Server发送请求。

第一步：安装额外依赖

uv add fastapi starlette uvicorn

第二步：改造weather.py

把stdio模式改成SSE模式：

from typing import Any
import httpx
from mcp.server.fastmcp import FastMCP
from mcp.server.sse import SseServerTransport
from starlette.applications import Starlette
from starlette.routing import Route, Mount
from starlette.requests import Request
import uvicorn

# 初始化FastMCP服务器
mcp = FastMCP("weather")

# 常量
NWS_API_BASE = "https://api.weather.gov"
USER_AGENT = "weather-app/1.0"


async def make_nws_request(url: str) -> dict[str, Any] | None:
    """向NWS API发出GET请求，处理错误并返回JSON响应"""
    headers = {
        "User-Agent": USER_AGENT,
        "Accept": "application/geo+json"
    }
    async with httpx.AsyncClient() as client:
        try:
            response = await client.get(url, headers=headers, timeout=30.0)
            response.raise_for_status()
            return response.json()
        except Exception:
            return None


def format_alert(feature: dict) -> str:
    """将警报特征格式化为可读字符串"""
    props = feature["properties"]
    return f"""
Event: {props.get('event', 'Unknown')}
Area: {props.get('areaDesc', 'Unknown')}
Severity: {props.get('severity', 'Unknown')}
Description: {props.get('description', 'No description available')}
Instructions: {props.get('instruction', 'No specific instructions provided')}
"""


@mcp.tool()
async def get_alerts(state: str) -> str:
    """获取指定州的天气警报（使用两字母州代码如CA/NY）"""
    url = f"{NWS_API_BASE}/alerts/active/area/{state}"
    data = await make_nws_request(url)

    if not data or "features" not in data:
        return "无法获取警报或未找到警报。"

    if not data["features"]:
        return "该州没有活动警报。"

    alerts = [format_alert(feature) for feature in data["features"]]
    return "\n---\n".join(alerts)


@mcp.tool()
async def get_forecast(latitude: float, longitude: float) -> str:
    """获取位置的天气预报。

    Args:
        latitude: 位置的纬度
        longitude: 位置的经度
    """
    points_url = f"{NWS_API_BASE}/points/{latitude},{longitude}"
    points_data = await make_nws_request(points_url)

    if not points_data:
        return "无法为此位置获取预报数据。"

    forecast_url = points_data["properties"]["forecast"]
    forecast_data = await make_nws_request(forecast_url)

    if not forecast_data:
        return "无法获取详细预报。"

    periods = forecast_data["properties"]["periods"]
    forecasts = []
    for period in periods[:5]:
        forecast = f"""
{period['name']}:
Temperature: {period['temperature']}°{period['temperatureUnit']}
Wind: {period['windSpeed']} {period['windDirection']}
Forecast: {period['detailedForecast']}
"""
        forecasts.append(forecast)

    return "\n---\n".join(forecasts)


# SSE传输配置
sse = SseServerTransport("/messages/")

async def handle_sse(request: Request):
    """处理SSE连接"""
    async with sse.connect_sse(request.scope, request.receive, request._send) as (read_stream, write_stream):
        await mcp.run(read_stream, write_stream, mcp.create_initialization_options())

# 创建Starlette应用
app = Starlette(
    routes=[
        Route("/sse", handle_sse),
        Mount("/messages", app=sse.handle_post_message),
    ]
)

if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=8000)

关键变化：

• 去掉了mcp.run(transport='stdio')
• 增加了SseServerTransport，负责SSE消息传输
• 用Starlette创建HTTP服务，暴露两个端点：
• /sse
  ：SSE连接端点，Server向Client推送消息
• /messages
  ：HTTP POST端点，Client向Server发送请求
• 用uvicorn启动服务，监听0.0.0.0:8000启动Server：

uv run weather.py

终端显示：Uvicorn running on http://0.0.0.0:8000

配置Claude Desktop连接远程Server：

{
    "mcpServers": {
        "weather-remote": {
            "command": "npx",
            "args": [
                "-y",
                "@modelcontextprotocol/sse-client",
                "http://your-server-ip:8000/sse"
            ]
        }
    }
}

把your-server-ip换成你的服务器IP地址。

重启Claude Desktop，测试对话。功能跟本地stdio完全一样，但Server跑在远程机器上。

十一、生产环境三件事

远程部署比本地stdio复杂，有三件事必须做。

第一件事：认证。

HTTP传输必须额外实现OAuth 2.1认证。没有认证的MCP Server暴露在网络上，任何人都能调用你的工具。

# 简化示例：在Starlette中添加Bearer Token验证
from starlette.middleware import Middleware
from starlette.middleware.authentication import AuthenticationMiddleware

# 实际生产环境建议用成熟的OAuth 2.1方案

第二件事：HTTPS。

生产环境必须用HTTPS，不能用明文HTTP。建议用Nginx做反向代理，自动处理SSL证书。

# Nginx配置示例
server {
    listen 443 ssl;
    server_name mcp.yourcompany.com;

    ssl_certificate /path/to/cert.pem;
    ssl_certificate_key /path/to/key.pem;

    location / {
        proxy_pass http://localhost:8000;
        proxy_http_version 1.1;
        proxy_set_header Connection "";
    }
}

第三件事：防火墙。

确保服务器防火墙放行8000端口（或你配置的端口）。云服务器还要在安全组里加规则。

# Ubuntu/Debian
sudo ufw allow 8000

# CentOS
sudo firewall-cmd --permanent --add-port=8000/tcp
sudo firewall-cmd --reload

十二、传输方式怎么选

我的建议：

• 个人学习、本地开发：用stdio，零配置，5分钟跑通
• 团队共享、内网部署：用HTTP + SSE，一台服务器供多人使用
• 大规模生产环境：用Streamable HTTP，支持负载均衡、无状态扩展

十三、写在最后

MCP不是又一个技术概念。

它是AI从"能聊天"到"能干活"的桥梁。当你把第一个MCP Server跑通之后，你会发现：给AI装"手和脚"这件事，没有想象中难。

本地stdio跑通是起点。远程HTTP部署才是生产落地的关键。

下一步，你可以试着把公司的内部API封装成MCP Server，让AI帮你查数据、填表单、跑流程。那个"智商180但被关在房间里"的助理，终于可以走出去了。