引言

在当今人工智能技术快速发展的时代，大型语言模型(LLM)已成为构建智能应用的核心组件。MCP(Modular Conversational Platform)作为一个强大的对话平台，为开发者提供了将LLM能力与自定义工具集成的标准化方式。本文将详细介绍如何使用Python开发一个能够连接MCP服务器的LLM聊天机器人客户端。通过本教程，您将掌握从环境配置到完整功能实现的全过程，构建一个具有工具调用能力的智能对话客户端。

正文内容

系统要求与环境配置

在开始开发MCP客户端之前，需要确保您的系统满足以下基本要求：

• Mac或Windows操作系统
• 已安装最新版本的Python
• 已安装最新版本的uv工具

环境配置步骤如下：

# 创建项目目录
uv init mcp-client
cd mcp-client# 创建虚拟环境
uv venv# 激活虚拟环境(Windows)
.venv\Scripts\activate
# 或MacOS/Unix
source .venv/bin/activate# 安装必要包
uv add mcp anthropic python-dotenv# 移除样板文件
rm main.py# 创建主文件
touch client.py

这些命令将创建一个干净的Python项目环境，并安装开发MCP客户端所需的核心依赖项。使用虚拟环境可以隔离项目依赖，避免与其他Python项目产生冲突。

API密钥配置

与大多数云服务类似，使用MCP客户端需要配置API密钥进行身份验证。Anthropic API密钥可以从Anthropic控制台获取，然后应存储在项目根目录下的.env文件中：

# 创建.env文件
touch .env# 在.env文件中添加密钥
ANTHROPIC_API_KEY=<your_key_here># 确保.gitignore包含.env
echo ".env" >> .gitignore

这种配置方式既方便又安全，避免了将敏感信息硬编码在源代码中。.gitignore配置确保密钥不会被意外提交到版本控制系统。

客户端基础结构

MCP客户端的核心是一个管理会话和资源的主类。以下是基础结构的实现：

import asyncio
from typing import Optional
from contextlib import AsyncExitStackfrom mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_clientfrom anthropic import Anthropic
from dotenv import load_dotenvload_dotenv()  # 从.env加载环境变量class MCPClient:def __init__(self):# 初始化会话和客户端对象self.session: Optional[ClientSession] = Noneself.exit_stack = AsyncExitStack()self.anthropic = Anthropic()

这个基础结构使用了Python的异步特性(asyncio)来管理并发操作，AsyncExitStack确保资源被正确释放。ClientSession对象将管理与MCP服务器的通信，而Anthropic客户端用于与Claude模型交互。

服务器连接管理

连接MCP服务器是客户端的关键功能之一。以下是实现细节：

async def connect_to_server(self, server_script_path: str):"""连接到MCP服务器Args:server_script_path: 服务器脚本路径(.py或.js)"""is_python = server_script_path.endswith('.py')is_js = server_script_path.endswith('.js')if not (is_python or is_js):raise ValueError("服务器脚本必须是.py或.js文件")command = "python" if is_python else "node"server_params = StdioServerParameters(command=command,args=[server_script_path],env=None)stdio_transport = await self.exit_stack.enter_async_context(stdio_client(server_params))self.stdio, self.write = stdio_transportself.session = await self.exit_stack.enter_async_context(ClientSession(self.stdio, self.write))await self.session.initialize()# 列出可用工具response = await self.session.list_tools()tools = response.toolsprint("\n连接到服务器，可用工具:", [tool.name for tool in tools])

此方法支持连接Python和Node.js实现的MCP服务器，验证脚本类型后建立适当的通信通道。连接成功后，它会列出服务器上可用的工具，为后续的交互做好准备。

查询处理逻辑

客户端的核心功能是处理用户查询并与LLM和工具交互：

async def process_query(self, query: str) -> str:"""使用Claude和可用工具处理查询"""messages = [{"role": "user", "content": query}]response = await self.session.list_tools()available_tools = [{"name": tool.name,"description": tool.description,"input_schema": tool.inputSchema} for tool in response.tools]# 初始Claude API调用response = self.anthropic.messages.create(model="claude-3-5-sonnet-20241022",max_tokens=1000,messages=messages,tools=available_tools)# 处理响应和工具调用final_text = []assistant_message_content = []for content in response.content:if content.type == 'text':final_text.append(content.text)assistant_message_content.append(content)elif content.type == 'tool_use':tool_name = content.nametool_args = content.input# 执行工具调用result = await self.session.call_tool(tool_name, tool_args)final_text.append(f"[调用工具 {tool_name} 参数 {tool_args}]")# 更新对话上下文assistant_message_content.append(content)messages.append({"role": "assistant","content": assistant_message_content})messages.append({"role": "user","content": [{"type": "tool_result","tool_use_id": content.id,"content": result.content}]})# 获取Claude的下一个响应response = self.anthropic.messages.create(model="claude-3-5-sonnet-20241022",max_tokens=1000,messages=messages,tools=available_tools)final_text.append(response.content[0].text)return "\n".join(final_text)

这段代码实现了完整的查询处理流程：获取工具列表、发送查询到Claude、处理响应、执行工具调用、整合结果。它维护了对话上下文，使LLM能够基于之前的交互做出更准确的响应。

交互式聊天界面

为了让用户能够与客户端交互，需要实现一个简单的命令行界面：

async def chat_loop(self):"""运行交互式聊天循环"""print("\nMCP客户端已启动!")print("输入查询或'quit'退出")while True:try:query = input("\n查询: ").strip()if query.lower() == 'quit':breakresponse = await self.process_query(query)print("\n" + response)except Exception as e:print(f"\n错误: {str(e)}")async def cleanup(self):"""清理资源"""await self.exit_stack.aclose()

这个循环持续读取用户输入，处理查询并显示结果，直到用户输入"quit"。基本的错误处理确保异常不会导致程序崩溃。

主入口点

最后，我们需要一个主函数来协调整个客户端的执行：

async def main():if len(sys.argv) < 2:print("用法: python client.py <服务器脚本路径>")sys.exit(1)client = MCPClient()try:await client.connect_to_server(sys.argv[1])await client.chat_loop()finally:await client.cleanup()if __name__ == "__main__":import sysasyncio.run(main())

这个入口点处理命令行参数，初始化客户端，管理主循环，并确保资源被正确清理。

关键组件详解

1. 客户端初始化

MCPClient类使用AsyncExitStack进行资源管理，这是Python中管理异步上下文资源的推荐方式。它同时初始化了与Claude交互的Anthropic客户端，配置了API密钥。这种结构确保了资源的高效使用和安全释放。

2. 服务器连接

客户端设计支持连接Python和Node.js实现的MCP服务器，验证服务器脚本类型后建立标准输入/输出通信通道。连接成功后，它会初始化会话并获取服务器上可用的工具列表，为后续交互做好准备。

3. 查询处理

查询处理逻辑维护完整的对话上下文，包括用户消息、AI响应和工具调用结果。它能够：

• 处理Claude的文本响应
• 识别并执行工具调用请求
• 将工具结果整合回对话流
• 生成连贯的最终响应

这种设计使客户端能够处理复杂的多轮交互，充分利用LLM和工具的能力^^参考内容中的"Query Processing"部分^^。

4. 交互界面

虽然实现了基本的命令行界面，但这个架构可以轻松扩展为更丰富的用户界面，如GUI或Web应用。当前的实现包括：

• 简单的提示和输入处理
• 响应格式化输出
• 基本错误显示
• 优雅的退出机制

这些功能为用户提供了基本的交互能力，同时保持代码简洁。

5. 资源管理

客户端的资源管理设计考虑了可靠性：

• 使用AsyncExitStack确保所有资源被正确释放
• 包含连接问题的错误处理
• 实现优雅的关闭流程
• 防止资源泄漏

这些特性对于构建健壮的客户端应用至关重要。

常见自定义点

工具处理

开发者可以根据需要修改process_query()方法：

• 为特定工具类型添加专用处理逻辑
• 实现自定义的错误处理和恢复机制
• 调整工具结果的呈现方式

这些定制使客户端能够更好地适应特定的应用场景。

响应处理

响应处理可以进一步定制：

• 添加结果过滤或转换逻辑
• 实现更复杂的日志记录
• 支持多种输出格式(如Markdown、HTML)
• 添加缓存机制提高性能

这些扩展可以增强客户端的灵活性和实用性。

用户界面

虽然本教程实现了基础命令行界面，但可以扩展为：

• 图形用户界面(GUI)
• 基于Web的交互界面
• 支持富文本和控制字符的控制台输出
• 添加命令历史、自动补全等高级功能

这些改进可以大幅提升用户体验。

运行客户端

要使用MCP服务器运行客户端，执行以下命令：

uv run client.py path/to/server.py  # Python服务器
uv run client.py path/to/build/index.js  # Node.js服务器

客户端将：

1. 连接到指定服务器
2. 列出可用工具
3. 启动交互式聊天会话
4. 处理用户查询和工具调用
5. 显示Claude的响应。

工作原理

当用户提交查询时，客户端执行以下流程：

1. 从服务器获取可用工具列表
2. 将查询和工具描述发送给Claude
3. Claude决定是否/如何使用工具
4. 客户端通过服务器执行请求的工具调用
5. 将工具结果发送回Claude
6. Claude生成自然语言响应
7. 向用户显示最终响应

这种架构充分利用了LLM的理解能力和专用工具的执行能力。

最佳实践

错误处理

• 将所有工具调用包装在try-catch块中
• 提供清晰、有意义的错误信息
• 优雅处理连接问题
• 实现重试机制处理暂时性故障

这些实践提高了客户端的健壮性。

资源管理

• 始终使用AsyncExitStack进行资源清理
• 操作完成后及时关闭连接
• 处理服务器意外断开的情况
• 监控资源使用情况

这些措施防止资源泄漏和系统不稳定。

安全性

• 安全存储API密钥(.env文件)
• 验证所有服务器响应
• 谨慎管理工具权限
• 实现适当的访问控制

安全意识对于生产级应用至关重要。

故障排除

服务器路径问题

常见问题包括：

• 路径不正确(使用绝对路径或检查相对路径)
• Windows路径分隔符问题(使用/或转义的)
• 文件扩展名错误(应为.py或.js)
• 文件权限问题

验证路径是解决连接问题的第一步。

响应时间

• 首次响应可能需要30秒(服务器初始化、LLM处理)
• 后续响应通常更快
• 避免在初始化期间中断进程
• 考虑增加超时设置处理复杂查询

理解这些特性有助于设置合理的用户期望。

常见错误

• FileNotFoundError: 检查服务器路径
• Connection refused: 确保服务器正在运行
• 工具执行失败: 验证环境变量和依赖项
• 超时错误: 调整客户端超时设置

这些问题的系统化处理方法能提高调试效率。

结论

本文详细介绍了如何开发一个基于MCP的LLM聊天机器人客户端，涵盖了从环境配置到完整功能实现的各个方面。通过Python实现，我们构建了一个支持工具调用、维护对话上下文的智能客户端。关键点包括：

1. 使用异步编程模型处理并发操作
2. 标准化连接管理支持多种服务器类型
3. 实现复杂的查询处理流程整合LLM和工具
4. 设计可扩展架构支持未来功能增强
5. 遵循最佳实践确保健壮性和安全性

这个客户端为构建更复杂的AI应用提供了坚实基础，开发者可以基于此实现各种创新解决方案。

系列文章：
MCP快速入门—快速构建自己的服务器
MCP核心架构解析