在 Python 中使用 Jina.ai 和 FastMCP 建構模型上下文協定伺服器

在這篇文章中，我們將討論模型上下文協議，為什麼它可能很重要，並逐步構建MCP 伺服器來幫助我們與Jina.ai 對話，並能夠在Claude 中添加網絡搜索和事實檢查功能使用Python和FastMCP 的桌面。

模型上下文協定

Anthropic去年感恩節前後宣布。儘管它引起了一些關注，但考慮到它可能是開發下一層人工智慧軟體堆疊的關鍵墊腳石，它所獲得的認可可能還不夠。

什麼

模型上下文協定（MCP）是專為大型語言模型（LLM）設計的標準化通訊協定。

將其視為「AI 的 HTTP」——就像 HTTP 標準化了 Web 瀏覽器與 Web 伺服器的通訊方式一樣，MCP 標準化了 LLM 應用程式與工具和資料來源的通訊方式。

為什麼我們需要 MCP？

目前LLM的發展面臨幾個障礙：

1. 工具整合複雜度：每個LLM服務（如OpenAI、Anthropic等）都有其實現工具呼叫和函數呼叫的方式，使得建立可移植工具變得複雜。

2. 上下文管理：法學碩士需要存取各種資料來源和工具，但安全有效地管理此存取權限一直具有挑戰性。

3. 標準化：如果沒有標準協議，開發人員必須為他們想要支援的每個 LLM 平台重建整合層。

MCP 透過提供以下功能來解決這些挑戰：

• 向法學碩士公開工具和數據的標準化方法
• 安全的客戶端-伺服器架構
• 無論底層 LLM 如何，都有一致的介面

MCP 如何運作？

MCP 遵循客戶端-伺服器架構，有三個主要元件：

1. MCP 伺服器：公開的服務：

   • 工具（LLM可以呼叫的函數）
   • 資源（資料來源）
   • 提示（範本說明）
   • 上下文（動態資訊）

2. MCP 客戶端：應用程式連接到 MCP 伺服器並管理 LLM 和伺服器之間的通訊。客戶端支援還處於早期階段，到目前為止，只有少數工具可以實現協議規範的任何部分，並且尚無客戶端支援一些功能。

當然還有法學碩士...

工作流程很簡單：

1. MCP 伺服器註冊其功能（工具、資源等）
2. 客戶端連線到伺服器
3. 法學碩士可以透過標準化介面使用這些功能

傳輸協定

• 多種運輸機制
  • SSE（伺服器發送事件）
    • 透過 HTTP 雙向通信，伺服器程序與客戶端隔離
  • Stdio（標準輸入/輸出）
    • 透過標準輸入/輸出管道進行通信，伺服器程序本質上是客戶端的子程序

安全

安全局勢更加微妙。雖然使用 stdio 傳輸的伺服器通常與用戶端位於相同位置，因此 API 金鑰不一定會暴露在網路上。在我看來，它們確實似乎相當隨意地被傳播。

這些金鑰需要在伺服器啟動時載入到客戶端，以便將它們傳遞給子進程，它們甚至出現在桌面應用程式日誌中，這是…令人擔憂的。

API 金鑰的廣泛使用是影響 Gen AI 服務、平台和工具的更廣泛問題。 Okta 和 Auth0 等公司正在開發一種無需依賴金鑰即可管理和授權 Gen AI 的解決方案。

軟體開發工具包

Anthropic 官方支援 TypeScript、Python 和 Kotlin 的低階 SDK。最近創建的一些樣板包裝器已經涵蓋了一些樣板文件，並具有其他不錯的功能，例如用於調試、檢查和在客戶端上安裝伺服器的 CLI，以使開發 MCP 伺服器變得更容易。

FastMCP 入門

傑洛文 / 快速MCP

建構模型上下文協定伺服器的快速、Pythonic 方法？

FastMCP？

建構 MCP 伺服器的快速、Python 方式。

模型上下文協定 (MCP) 伺服器是一種為 LLM 提供上下文和工具的全新標準化方式，FastMCP 讓建置 MCP 伺服器變得簡單直觀。使用乾淨的 Python 程式碼建立工具、公開資源並定義提示：

# demo.py

from fastmcp import FastMCP


mcp = FastMCP("Demo ?")


@<span>mcp.tool()</span>
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b

就是這樣！透過執行以下命令授予 Claude 存取伺服器的權限：

fastmcp install demo.py

FastMCP 處理所有複雜的協定細節和伺服器管理，因此您可以專注於建立出色的工具。它被設計為高級且Pythonic - 在大多數情況下，裝飾一個函數就足夠了。

主要特點：

• 快速：進階介面意味著更少的程式碼和更快的開發
• 簡單…

在 GitHub 上查看

FastMCP 就是這樣一個框架。我們現在將探討如何創建一個幾乎實用的工具來閱讀網站、透過網路回答搜尋查詢以及事實檢查資訊。我們將使用 Jina.ai。

這是一項非常巧妙的服務，提供了一個結合了“嵌入、重新排名和小語言模型”的“搜尋基礎平台”，以幫助企業建立 Gen AI 和多模式搜尋體驗。

先決條件

• 紫外線

您需要安裝 uv。這是建立和管理 Python 專案的推薦方法。它是一個相對較新但令人興奮的 Python 工具鏈 astral.sh 的一部分。我建議你檢查一下。

它的目標是成為管理專案、依賴項、虛擬環境、版本、linting 以及執行 Python 腳本和模組的一站式商店。它是用 Rust 寫的。你會用這些資訊做什麼？

• 克勞德桌面應用程式

您還需要安裝 Claude 桌面應用程式。就我們的目的而言，Claude 桌面應用程式將充當 MCP 用戶端，並且是 Anthropic 的關鍵目標用戶端。

阿斯拉加布 / mcp-jinaai-閱讀器

Jina.ai Reader API 的模型上下文協定 (MCP) 伺服器

Jina.ai Reader API 的 MCP 伺服器

完整演練在這裡：

https://dev.to/asragab/building-a-model-context-protocol-server-using-jinaai-and-fastmcp-in-python-1od8

在 GitHub 上查看

項目設定

使用 uv 您可以使用以下方式初始化項目：

# demo.py

from fastmcp import FastMCP


mcp = FastMCP("Demo ?")


@<span>mcp.tool()</span>
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b

這將建立一個名為 mcp-jinaai-reader 的資料夾和一個 .python-version 以及 pyproject.toml。

fastmcp install demo.py

這將創建一個與我們選擇的 python 版本相對應的虛擬環境。

建立環境後，它將提供有關如何為會話啟動它的說明。

uv init mcp-jinaai-reader --python 3.11

新增一個 src 目錄並安裝我們需要的一個依賴

cd mcp-jinaai-reader
uv venv 

在專案根目錄建立一個 .env 檔案並將您的 JINAAI_API_KEY 新增到該檔案中。您可以透過在 Jina 註冊來免費獲得一份。一般來說，您的伺服器需要執行的任何 API 金鑰或其他環境變數都會放入此文件中。

source .venv/bin/activate

在 src 目錄中，建立一個 server.py 檔案...我們應該可以取得程式碼。

伺服器程式碼

uv add fastmcp

從導入開始：httpx，將是我們在這裡用來發出 http 請求的函式庫；我們需要 urlparse 方法來幫助我們確定字串是否可能是有效的 URL。

JINAAI_API_KEY=jina_*************

這會初始化伺服器；第一個參數是工具的名稱。我不是 100% 確定為什麼 uvicorn 需要在這裡明確添加為依賴項，因為它是 FastMCP 的傳遞依賴項，但它似乎確實是必需的。

這可能是由於 fastmcp cli（稍後會詳細介紹）安裝伺服器的方式造成的。如果您還有其他依賴項，則必須在此處新增它們，以便客戶端知道您需要在執行客戶端之前安裝它們；我們稍後會看到它是如何運作的。

from fastmcp import FastMCP
import httpx
from urllib.parse import urlparse
import os

您可能可以在這裡找出模式，但 Jina 使用不同的子網域來路由特定請求。搜尋端點需要一個查詢，讀取器端點需要一個 URL，而接地端點可以向 llm 提供特定的回應或答案。

接地是一個更大的主題，與 RAG 和微調等其他技術一起使用，以幫助法學碩士減少幻覺並改善決策。

我們的第一個工具

# Initialize the MCP server
mcp = FastMCP("search", dependencies=["uvicorn"])

註釋@mcp.tool 完成了很多繁重的工作。庫中存在類似的資源和提示註釋。此註解提取函數簽名和傳回類型的詳細信息，以建立供 llm 呼叫該工具的輸入和輸出架構。它配置該工具，以便客戶端了解伺服器的功能。它還將函數呼叫註冊為已配置工具的處理程序。

接下來，您會注意到該函數是非同步的。不需要運行時配置，也不需要 asyncio.run 的東西。如果出於某種原因您需要將伺服器作為獨立服務運行，您確實需要自己處理其中的一些問題。 FastMCP 儲存庫中有一個範例說明如何執行此操作。

函數體相當無趣；它驗證是否正在接收 URL、設定適當的標頭、呼叫 Jina 端點並傳回文字。

# demo.py

from fastmcp import FastMCP


mcp = FastMCP("Demo ?")


@<span>mcp.tool()</span>
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b

第二個工具

fastmcp install demo.py

就是這樣...

測試與調試

uv init mcp-jinaai-reader --python 3.11

執行上述命令將啟動 mcp 檢查器，它是 sdk 提供的一個工具，用於測試和偵錯伺服器回應。 --with-editable 標誌可讓您對伺服器進行更改，而無需重新啟動檢查器（強烈建議）

你應該看到：

cd mcp-jinaai-reader
uv venv 

預設情況下，檢查器在連接埠 5173 上運行，而伺服器（您剛剛編寫的程式碼）將在連接埠 3000 上運行，您可以透過在呼叫前設定 SERVER_PORT 和 CLIENT_PORT 來變更此設定。

source .venv/bin/activate

督察

如果一切順利你應該看到類似下面的內容，在左側你可以添加你需要的環境變量，這裡 JINAAI_API_KEY 是唯一的。

如果您單擊頂部功能表列上的“工具”，然後單擊“列出工具”，您應該列出我們創建的工具，請注意文檔字串作為該工具的描述。

點擊特定工具將彈出文字框，供您輸入呼叫該工具所需的參數。

安裝伺服器

當您對一切按預期工作感到滿意後，您現在就可以在 Claude 桌面應用程式用戶端上安裝伺服器了。

uv add fastmcp

會這樣做，我相信將來它會支援其他客戶端，但現在，這就是你需要做的。 -f .env 會將環境變數傳遞給應用程式用戶端。

這在幕後的作用是更新 claude_desktop_config.json 並提供執行伺服器所需的命令和參數。預設情況下，這使用 uv ，它必須在您的 PATH 上可用。

如果您現在打開 Claude 桌面應用程序，然後轉到功能表列並單擊 Claude >設置，然後單擊開發人員，您應該會看到初始化伺服器時設置的工具的名稱。

點選它應該會顯示它的配置。您不僅可以了解它是如何執行的，而且在「進階選項」中將看到已設定的環境變數。

你也可以直接編輯這個配置，但我不一定在這裡推薦它。

運行它

如果一切順利，當您進入桌面應用程式時，您應該不會看到任何錯誤（如果出現錯誤，則轉到「設定」應該會為您提供一個按鈕來檢查日誌並從那裡進行調查） 。

此外，您應該會看到一個錘子符號，其中包含您可以使用的單個工具的數量（注意：除非您安裝了其他 MCP 伺服器，否則您的工具可能應該是兩個）

您不像平常那​​樣直接呼叫該工具，而是與應用程式聊天，當它遇到推斷該工具有幫助的情況時，它會詢問您是否要使用它。這裡不需要額外的程式碼或配置。

我認為它依賴工具名稱和描述來決定它是否合適，因此值得為該工具的功能製作一個清晰簡單的描述。

您將收到以下提示：

你可以與它“聊天”，不可否認，編寫的工具有時會遇到問題。有時它會決定無法上網，有時無法檢索結果，但有時您會得到以下結果：

這有一個自然的流程，它讀取頁面，提供摘要，然後你要求它轉到一篇特定的文章並閱​​讀該文章。

最後的註釋

希望這能讓您對 MCP 伺服器有一些了解。有很多內容可供閱讀和觀看，但我推薦的另一個網站是glama.ai，他們保留了一份相當全面的可用MCP 伺服器清單供下載和試用，其中包括比我們的玩具範例更可靠的其他網絡搜尋工具。看看吧，感謝您的關注。

以上是在 Python 中使用 Jina.ai 和 FastMCP 建構模型上下文協定伺服器的詳細內容。更多資訊請關注PHP中文網其他相關文章！