MCP Server

MCP 服务

Model Context Protocol（MCP）的精简参考实现，包含一些模拟工具和可选的 Gradio 交互界面。

用法

在本地运行服务：

python server.py

创建一个 dev.env 文件，并添加你的 OpenAI API 密钥：

OPENAI_API_KEY=your-openai-key

在 Google Colab 或其他笔记本中，使用辅助工具：

from colab_adapter import launch_in_colab
launch_in_colab()

API 默认通过端口 8000 提供服务，Gradio UI 会尝试使用 GRADIO_SERVER_PORT，或从 7860 开始使用第一个空闲端口。

在 Google Colab 中运行

在 Colab 中打开 MCP_colab.ipynb，或点击上方徽章，然后运行各个单元格。

如果从空白笔记本开始，请运行以下命令来设置并启动 服务：

!git clone https://github.com/zack-dev-cm/mcp_server.git
%cd /content/mcp_server
!pip install fastapi uvicorn[standard] gradio==4.* pydantic python-dotenv \
            httpx openai pydantic-settings
from colab_adapter import launch_in_colab
launch_in_colab()

现在，你可以在另一个单元格中查询 API：

import requests, time
time.sleep(2)
print(requests.get("http://localhost:8000/v1/resources").json())

服务输出会显示 Gradio 界面的公开 URL，你可以通过该界面直观地试用演示。

LLM/VLM 插件示例

插件可以为服务扩展新工具。内置的 openai_chat 和 openai_vision 插件展示了如何调用 OpenAI 模型。在环境中设置 OPENAI_API_KEY 并启动服务。

如果在本地运行，请先安装所需的软件包：

pip install openai httpx pydantic-settings
python server.py

Dockerfile 会自动安装 openai。通过 API 或 Gradio UI 调用 openai.chat 或 openai.vision 工具。

可流式传输的 HTTP 端点

ChatGPT 连接器可以使用统一的 /mcp 路由直接与服务通信。 发送 POST /mcp JSON-RPC 请求即可接收标准 JSON 响应。当 客户端支持服务器发送事件时，也可以改为 GET /mcp 并保持 连接打开，以流式传输更新。

将 ChatGPT 连接器配置为指向你的服务基础 URL，并使用 /mcp 端点进行非流式和流式交互。

用户数据 API

经过身份验证的会话可以存储和管理特定于用户的 JSON 数据。 首先请求会话 ID，然后将其作为 bearer token 传递：

# create a session and grab the token
TOKEN=$(curl -s -X POST http://localhost:8000/v1/initialize \
  -H 'Content-Type: application/json' \
  -d '{"id":1,"jsonrpc":"2.0","method":"initialize","params":{}}' \
  | jq -r '.result.sessionId')

# store data
curl -X POST http://localhost:8000/api/user/data \
  -H "Authorization: Bearer $TOKEN" \
  -H 'Content-Type: application/json' \
  -d '{"foo":"bar"}'

# fetch it back
curl -H "Authorization: Bearer $TOKEN" http://localhost:8000/api/user/data

# remove it
curl -X DELETE -H "Authorization: Bearer $TOKEN" \
  http://localhost:8000/api/user/data

部署到 Cloud Run

你可以使用提供的 Dockerfile 将服务部署到 Google Cloud Run：

# build and push the container
gcloud builds submit --tag gcr.io/PROJECT_ID/mcp-server

# deploy the image to Cloud Run
gcloud run deploy mcp-server \
  --image gcr.io/PROJECT_ID/mcp-server \
  --region REGION \
  --allow-unauthenticated

Cloud Run 会自动设置 PORT 环境变量，服务使用该变量在同一端点上提供 API 和 Gradio UI。

运行测试

测试套件要求设置 ELEVENLABS_MCP_SECRET 和 OPENAI_API_KEY。 复制 dev.env 并在执行 pytest 前加载其中的环境变量：

cp dev.env .env
set -a && source .env && set +a
pytest