利用 AI 快速开发 MCP 服务插件并实现本地与线上部署

提示词工程

既然是 AI 开发，那就用自然语言来让 AI 帮我们写代码实现 MCP 服务功能。核心思路是编写一个 FastMCP 框架实现 MCP Server 的脚手架工程。

核心提示词：

编写一个 FastMCP 框架实现 MCP Server 的脚手架工程，生成 python 文件。这个 MCP 服务主要实现如下功能：

1. 获取某个用户排名信息，并通过【博客主页网址】获取当前用户个人主页信息以及发表文章篇数信息。调用此工具功能，必须调用查询条件 select * from top300_ranking where nickname='昵称值参数'。
2. 获取汇总信息。输出汇总信息 sql 语句，可以按总分等汇总信息输出。 【下面是 mysql 表信息】 （此处粘贴上述建表 SQL）

根据提示词，AI 会生成项目结构和基础代码。通常 AI 还会自动生成 README.md 文件，帮我们把项目使用和启动步骤写得非常清楚，省了不少时间。

配置与依赖

安装依赖 根据生成的 requirements.txt 文件安装依赖：

pip install -r requirements.txt

配置数据库连接 根据实际的 MySQL 连接信息进行填写，确保 MCP 服务能连接到数据库。

启动服务

第一次启动的时候可能会提示一些报错，直接复制报错信息让 AI 进行修复即可，经过多轮修复后，启动效果如下：

由于当前生成的代码是以 STDIO 方式启动的 MCP 服务，这里我们想使用的是 HTTP 形式启动以便后续部署：

python app.py --transport http --host 127.0.0.1 --port 8080 --path /mcp

继续让 AI 进行修复兼容即可，基本不用写任何代码，全部由 AI 来完成。

下面就是以 HTTP 方式启动效果图，复制网址在浏览器上是可以直接访问的，显示相关信息说明启动成功。

本地调试

在 IDE 或支持 MCP 的客户端中配置本地服务。点击右上角的用户信息，下拉点击个人设置，进入 MCP 服务配置页面。

点击 MCP 服务，点击右上角的加号，相关信息填写如下：

• 名称：mcp_service（根据自己业务来）
• 类型：SSE 或 Streamable HTTP
• 服务地址：http://127.0.0.1:8080/mcp（就是刚刚启动的地址）
• 高级设置：暂时留空

MCP 服务这里就会自动获取对应工具信息。

调用测试

询问： 全栈小 5 目前排名第几

AI 会优先查找可用的 MCP 服务插件，然后智能调用对应的工具获取信息。

从上图可以看到，已经成功调用到 MCP，并且查询数据库返回了相关信息。最后大模型根据从 MCP 工具中数据库表获取到的数据进行优化输出，不仅输出了博主是第几名，还有额外的具体各维度得分信息输出。

很显然，MCP 在整个大模型 AI 输出过程中起到了数据补充的作用，是不是有点像知识库一样，而且还是动态化的数据，相比起知识库会更加灵活。

再测试个例子： 询问： 总分都有那些档次，划分档次并统计都有多少名用户

从上图可以看到，根据用户的提问 AI 能够准确知道调用获取所有排名的 MCP 工具，然后再进行汇总输出。

到此，本地化部署 MCP 服务插件就算完成了，虽然过程中会出现一些问题，但是基本都是可以通过 AI 进行多轮询问得到解决，并且在过程中基本没有写过一行代码，全程由 AI 来完成，实现思路由我们自己通过自然语言来控制。

线上部署

由于对 Windows 服务器更为熟悉，本次部署环境选定为 Windows。具体步骤为：首先在服务器上运行 MCP 服务的 Python 程序，随后配置 Nginx 反向代理，并绑定域名以实现外网访问。

上传源码

直接将本地 Python 代码上传到外网服务器里。

安装 Python

在启动前确保已经安装了 Python 相关软件。可以直接下载 Python 安装程序进行安装。

# 下载 Python 安装程序
curl -o python-installer.exe https://www.python.org/ftp/python/3.14.0/python-3.14.0-amd64.exe

CMD 命令：python --version，能够显示版本号则标识已经安装成功。

安装依赖

直接在当前 Python 文件目录执行 CMD 命令，README.md 这个文件里也有具体步骤：

pip install -r requirements.txt

启动服务

在当前目录下，执行下面命令启动服务：

python app.py --transport http --host 127.0.0.1 --port 8080 --path /mcp

Nginx 反向代理

在上一步，MCP 服务已在服务器的本地环境成功启动。接下来，需配置 Nginx 反向代理，将本地服务映射至公网域名，以实现通过域名访问。

Nginx Windows 版本下载地址：https://nginx.org/en/download.html

建议解压到 mcp 所在同级目录。

修改 nginx.conf 文件内容，由于博主的 80 端口已经被占用，这里使用其他端口号测试：

worker_processes 1; # 必须要有 events 块
events {
    worker_connections 1024;
}
http {
    include mime.types;
    default_type application/octet-stream;
    sendfile on;
    keepalive_timeout 65;
    
    # 您的反向代理配置
    server {
        listen 8081;
        server_name 自己域名;
        location / {
            proxy_pass http://127.0.0.1:8080;
            proxy_set_header Host $host;
            proxy_set_header X-Real-IP $remote_addr;
            proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
            proxy_set_header X-Forwarded-Proto $scheme;
            proxy_connect_timeout 60s;
            proxy_send_timeout 60s;
            proxy_read_timeout 60s;
        }
    }
    
    # 可选：默认的 localhost 服务器
    server {
        listen 8081;
        server_name localhost;
        location / {
            root html;
            index index.html index.htm;
        }
        error_page 500 502 503 504 /50x.html;
        location = /50x.html {
            root html;
        }
    }
}

设置 bat 启动文件：

@echo off
cd C:\web\mcp_service\nginx
start nginx.exe
echo Nginx started.
pause

远程测试

直接在 VSCode 里通过域名方式来添加 MCP。

上架 MCP

非常简单，和在 VSCode 里手动添加类似。在支持的平台或客户端中注册该服务，完成工具调试即可。

工具调试完成后，即可在智能体中使用。

使用 MCP

创建一个智能体并使用 MCP，这里主要是用来测试，所以简单创建一个智能体引用 MCP 即可查看效果。

到此，MCP 的开发、本地部署、线上部署、智能体使用 MCP 就搞定啦。

MCP 和 API 区别

在开发 MCP 前有个疑问，为啥不直接用 API 就得了，非得出来个 MCP，实际上它们也都是类似调用的一个地址，所以，这里还是要了解下它们之间的区别，也能知道 MCP 的核心价值。

了解之后，只要是后端开发语言，大部分都会有 MCP 插件库，像 Python、Java、C# 都有类似 MCP 插件库直接可使用和封装 MCP。

总结

至此，MCP 的开发、本地与线上的部署应用，以及智能体调用 MCP 的全流程已完成。简而言之，它与常规 API 的作用类似，但封装了特定领域的业务逻辑，是大模型功能调用的标准化接口。感兴趣的朋友可以动手实践体验 MCP 服务插件。