主要特点：

首页

后端开发

Python教程

在 Python 中使用 Jina.ai 和 FastMCP 构建模型上下文协议服务器

Linda Hamilton

Jan 05, 2025 am 07:25 AM

在这篇文章中，我们将讨论模型上下文协议，为什么它可能很重要，并逐步构建 MCP 服务器来帮助我们与 Jina.ai 对话，并能够在 Claude 中添加网络搜索和事实检查功能使用 Python 和 FastMCP 的桌面。

模型上下文协议

Anthropic于去年感恩节前后宣布。尽管它引起了一些关注，但考虑到它可能是开发下一层人工智能软件堆栈的关键垫脚石，它所获得的认可可能还不够。

什么

模型上下文协议（MCP）是专为大型语言模型（LLM）设计的标准化通信协议。

将其视为“AI 的 HTTP”——就像 HTTP 标准化了 Web 浏览器与 Web 服务器的通信方式一样，MCP 标准化了 LLM 应用程序与工具和数据源的通信方式。

为什么我们需要 MCP？

目前LLM的发展面临着几个障碍：

工具集成复杂度：每个LLM服务（如OpenAI、Anthropic等）都有其实现工具调用和函数调用的方式，使得构建可移植工具变得复杂。
上下文管理：法学硕士需要访问各种数据源和工具，但安全有效地管理此访问权限一直具有挑战性。
标准化：如果没有标准协议，开发人员必须为他们想要支持的每个 LLM 平台重建集成层。

MCP 通过提供以下功能来解决这些挑战：

向法学硕士公开工具和数据的标准化方法
安全的客户端-服务器架构
无论底层 LLM 如何，都有一致的接口

MCP 如何运作？

MCP 遵循客户端-服务器架构，具有三个主要组件：

MCP 服务器：公开的服务：
- 工具（LLM可以调用的函数）
- 资源（数据源）
- 提示（模板说明）
- 上下文（动态信息）
MCP 客户端：应用程序连接到 MCP 服务器并管理 LLM 和服务器之间的通信。客户端支持还处于早期阶段，到目前为止，只有少数工具可以实现协议规范的任何部分，并且尚无客户端支持一些功能。

Building a Model Context Protocol Server using Jina.ai and FastMCP in Python

当然还有法学硕士...

工作流程很简单：

MCP 服务器注册其功能（工具、资源等）
客户端连接到服务器
法学硕士可以通过标准化接口使用这些功能

传输协议

多种运输机制
- SSE（服务器发送事件）
  - 通过 HTTP 双向通信，服务器进程与客户端隔离
- Stdio（标准输入/输出）
  - 通过标准输入/输出管道进行通信，服务器进程本质上是客户端的子进程

安全

安全局势更加微妙。虽然使用 stdio 传输的服务器通常与客户端位于同一位置，因此 API 密钥不一定会暴露在互联网上。在我看来，它们确实似乎相当随意地被传播。

这些密钥需要在服务器启动时加载到客户端，以便将它们传递给子进程，它们甚至出现在桌面应用程序日志中，这是……令人担忧的。

API 密钥的广泛使用是影响 Gen AI 服务、平台和工具的更广泛问题。 Okta 和 Auth0 等公司正在开发一种无需依赖密钥即可管理和授权 Gen AI 的解决方案。

软件开发工具包

Anthropic 官方支持 TypeScript、Python 和 Kotlin 的低级 SDK。最近创建的一些样板包装器已经涵盖了一些样板文件，并具有其他不错的功能，例如用于调试、检查和在客户端上安装服务器的 CLI，以使开发 MCP 服务器变得更容易。

FastMCP 入门

杰洛文 / 快速MCP

构建模型上下文协议服务器的快速、Pythonic 方法？

FastMCP？

构建 MCP 服务器的快速、Python 方式。

Building a Model Context Protocol Server using Jina.ai and FastMCP in Python

模型上下文协议 (MCP) 服务器是一种为 LLM 提供上下文和工具的全新标准化方式，FastMCP 使构建 MCP 服务器变得简单直观。使用干净的 Python 代码创建工具、公开资源并定义提示：

# 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

登录后复制

就是这样！通过运行以下命令授予 Claude 访问服务器的权限：

fastmcp install demo.py

登录后复制

FastMCP 处理所有复杂的协议细节和服务器管理，因此您可以专注于构建出色的工具。它被设计为高级且Pythonic - 在大多数情况下，装饰一个函数就足够了。

主要特点：

快速：高级接口意味着更少的代码和更快的开发
简单…

在 GitHub 上查看

FastMCP 就是这样一个框架。我们现在将探讨如何创建一个几乎实用的工具来阅读网站、通过网络回答搜索查询以及事实检查信息。我们将使用 Jina.ai。

这是一项非常巧妙的服务，提供了一个结合了“嵌入、重新排名和小语言模型”的“搜索基础平台”，以帮助企业构建 Gen AI 和多模式搜索体验。

先决条件

紫外线

您需要安装 uv。这是创建和管理 Python 项目的推荐方法。它是一个相对较新但令人兴奋的 Python 工具链 astral.sh 的一部分。我建议你检查一下。

它的目标是成为管理项目、依赖项、虚拟环境、版本、linting 以及执行 Python 脚本和模块的一站式商店。它是用 Rust 编写的。你会用这些信息做什么？

克劳德桌面应用程序

您还需要安装 Claude 桌面应用程序。就我们的目的而言，Claude 桌面应用程序将充当 MCP 客户端，并且是 Anthropic 的关键目标客户端。

阿斯拉加布 / mcp-jinaai-阅读器

Jina.ai Reader API 的模型上下文协议 (MCP) 服务器

Jina.ai Reader API 的 MCP 服务器

完整演练在这里：

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

在 GitHub 上查看

项目设置

使用 uv 您可以使用以下方式初始化项目：

# 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

登录后复制

这将创建一个名为 mcp-jinaai-reader 的文件夹和一个 .python-version 以及 pyproject.toml。

fastmcp install demo.py

登录后复制

这将创建一个与我们选择的 python 版本相对应的虚拟环境。

创建环境后，它将提供有关如何为会话激活它的说明。

uv init mcp-jinaai-reader --python 3.11

登录后复制

添加一个 src 目录并安装我们需要的一个依赖

cd mcp-jinaai-reader
uv venv

登录后复制

在项目根目录创建一个 .env 文件并将您的 JINAAI_API_KEY 添加到该文件中。您可以通过在 Jina 注册来免费获得一份。一般来说，您的服务器需要运行的任何 API 密钥或其他环境变量都将放入此文件中。

source .venv/bin/activate

登录后复制

在 src 目录中，创建一个 server.py 文件...我们应该能够获取代码。

服务器代码

uv add fastmcp

登录后复制

从导入开始：httpx，将是我们在这里用来发出 http 请求的库；我们需要 urlparse 方法来帮助我们确定字符串是否可能是有效的 URL。

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

登录后复制

这会初始化服务器；第一个参数是工具的名称。我不是 100% 确定为什么 uvicorn 需要在这里显式添加为依赖项，因为它是 FastMCP 的传递依赖项，但它似乎确实是必需的。

这可能是由于 fastmcp cli（稍后会详细介绍）安装服务器的方式造成的。如果您还有其他依赖项，则必须在此处添加它们，以便客户端知道您需要在运行客户端之前安装它们；我们稍后会看到它是如何工作的。

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

登录后复制

您可能可以在这里找出模式，但 Jina 使用不同的子域来路由特定请求。搜索端点需要一个查询，读取器端点需要一个 URL，而接地端点可以向 llm 提供特定的响应或答案。

接地是一个更大的主题，与 RAG 和微调等其他技术一起使用，以帮助法学硕士减少幻觉并改进决策。

我们的第一个工具

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

登录后复制

注释@mcp.tool 完成了很多繁重的工作。库中存在类似的资源和提示注释。该注释提取函数签名和返回类型的详细信息，以创建供 llm 调用该工具的输入和输出架构。它配置该工具，以便客户端了解服务器的功能。它还将函数调用注册为已配置工具的处理程序。

接下来，您会注意到该函数是异步的。不需要运行时配置，也不需要 asyncio.run 的东西。如果出于某种原因您需要将服务器作为独立服务运行，您确实需要自己处理其中的一些问题。 FastMCP 存储库中有一个示例说明如何执行此操作。

函数体相当无趣；它验证是否正在接收 URL、设置适当的标头、调用 Jina 端点并返回文本。

# 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

登录后复制