在本教程中,你将学习如何构建一个连接到 MCP 服务器的 LLM 驱动的聊天机器人客户端。建议先完成 服务器快速入门,以了解构建你的第一个服务器的基础知识。Documentation Index
Fetch the complete documentation index at: https://mcp-docs.cn/llms.txt
Use this file to discover all available pages before exploring further.
- Python
- Node
- Java
- Kotlin
- C#
你可以在这里找到本教程的完整代码。将你的密钥添加到 将 你可以在这里找到完整的 客户端将:
系统要求
在开始之前,请确保你的系统满足以下要求:- Mac 或 Windows 计算机
- 安装最新版本的 Python
- 安装最新版本的
uv
设置你的环境
首先,使用uv 创建一个新的 Python 项目:# 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
# 在 Windows 上:
.venv\Scripts\activate
# 在 Unix 或 MacOS 上:
source .venv/bin/activate
# 安装所需的包
uv add mcp anthropic python-dotenv
# 删除样板文件
rm main.py
# 创建我们的主文件
touch client.py
设置你的 API 密钥
你需要从 Anthropic Console 获取 Anthropic API 密钥。创建一个.env 文件来存储它:# 创建 .env 文件
touch .env
.env 文件中:ANTHROPIC_API_KEY=<your key here>
.env 添加到你的 .gitignore 中:echo ".env" >> .gitignore
确保你的
ANTHROPIC_API_KEY 安全!创建客户端
基本客户端结构
首先,让我们设置我们的导入并创建基本的客户端类:import asyncio
from typing import Optional
from contextlib import AsyncExitStack
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from anthropic import Anthropic
from dotenv import load_dotenv
load_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] = None
self.exit_stack = AsyncExitStack()
self.anthropic = Anthropic()
# 方法将在这里添加
服务器连接管理
接下来,我们将实现连接到 MCP 服务器的方法:async def connect_to_server(self, server_script_path: str):
"""连接到 MCP 服务器
Args:
server_script_path: 服务器脚本的路径 (.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_transport
self.session = await self.exit_stack.enter_async_context(ClientSession(self.stdio, self.write))
await self.session.initialize()
# 列出可用的工具
response = await self.session.list_tools()
tools = response.tools
print("\n已连接到服务器,工具包括:", [tool.name for tool in tools])
查询处理逻辑
现在让我们添加处理查询和处理工具调用的核心功能:async def process_query(self, query: str) -> str:
"""使用 Claude 和可用的工具处理查询"""
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
)
# 处理响应并处理工具调用
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.name
tool_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}]")
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)
交互式聊天界面
现在我们将添加聊天循环和清理功能:async def chat_loop(self):
"""运行交互式聊天循环"""
print("\nMCP 客户端已启动!")
print("输入你的查询或输入 'quit' 退出。")
while True:
try:
query = input("\n查询: ").strip()
if query.lower() == 'quit':
break
response = 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()
主入口点
最后,我们将添加主执行逻辑:async def main():
if len(sys.argv) < 2:
print("使用方法: python client.py <path_to_server_script>")
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 sys
asyncio.run(main())
client.py 文件 这里。关键组件解释
1. 客户端初始化
MCPClient类使用会话管理和 API 客户端进行初始化- 使用
AsyncExitStack进行适当的资源管理 - 配置 Anthropic 客户端以进行 Claude 交互
2. 服务器连接
- 支持 Python 和 Node.js 服务器
- 验证服务器脚本类型
- 设置适当的通信通道
- 初始化会话并列出可用的工具
3. 查询处理
- 维护对话上下文
- 处理 Claude 的响应和工具调用
- 管理 Claude 和工具之间的消息流
- 将结果组合成连贯的响应
4. 交互式界面
- 提供简单的命令行界面
- 处理用户输入并显示响应
- 包含基本的错误处理
- 允许优雅退出
5. 资源管理
- 适当清理资源- 处理连接问题的错误处理
- 优雅的关闭程序
常见的自定义点
-
工具处理
- 修改
process_query()以处理特定的工具类型 - 为工具调用添加自定义错误处理
- 实现工具特定的响应格式化
- 修改
-
响应处理
- 自定义工具结果的格式化方式
- 添加响应过滤或转换
- 实现自定义日志记录
-
用户界面
- 添加 GUI 或 Web 界面
- 实现丰富的控制台输出
- 添加命令历史或自动完成
运行客户端
要与任何 MCP 服务器一起运行你的客户端:uv run client.py path/to/server.py # python 服务器
uv run client.py path/to/build/index.js # node 服务器
如果你是继续服务器快速入门的天气教程,你的命令可能看起来像这样:
python client.py .../quickstart-resources/weather-server-python/weather.py- 连接到指定的服务器
- 列出可用的工具
- 启动一个交互式聊天会话,你可以:
- 输入查询
- 查看工具执行
- 获取 Claude 的响应

工作原理
当你提交查询时:- 客户端从服务器获取可用的工具列表
- 你的查询连同工具描述一起发送给 Claude
- Claude 决定使用哪些工具(如果有的话)
- 客户端通过服务器执行任何请求的工具调用
- 结果被发送回 Claude
- Claude 提供自然语言响应
- 响应显示给你
最佳实践
-
错误处理
- 始终将工具调用包装在 try-catch 块中
- 提供有意义的错误消息
- 优雅地处理连接问题
-
资源管理
- 使用
AsyncExitStack进行适当的清理 - 完成后关闭连接
- 处理服务器断开连接
- 使用
-
安全性
- 将 API 密钥安全地存储在
.env中 - 验证服务器响应
- 对工具权限保持谨慎
- 将 API 密钥安全地存储在
故障排除
服务器路径问题
- 仔细检查你的服务器脚本路径是否正确
- 如果相对路径不起作用,请使用绝对路径
- 对于 Windows 用户,请确保在路径中使用正斜杠 (/) 或转义的反斜杠 (\)
- 验证服务器文件是否具有正确的扩展名(.py 用于 Python 或 .js 用于 Node.js)
# 相对路径
uv run client.py ./server/weather.py
# 绝对路径
uv run client.py /Users/username/projects/mcp-server/weather.py
# Windows 路径(两种格式都适用)
uv run client.py C:/projects/mcp-server/weather.py
uv run client.py C:\\projects\\mcp-server\\weather.py
响应时间
- 第一次响应可能需要长达 30 秒才能返回
- 这在以下情况下是正常的:
- 服务器初始化
- Claude 处理查询
- 工具正在执行
- 后续响应通常会更快
- 在此初始等待期间不要中断进程
常见错误消息
如果看到:FileNotFoundError:检查你的服务器路径Connection refused:确保服务器正在运行且路径正确Tool execution failed:验证工具所需的环境变量是否已设置Timeout error:考虑在客户端配置中增加超时时间
你可以在这里找到本教程的完整代码。更新你的 在项目根目录创建 将 客户端将:
系统要求
在开始之前,请确保你的系统满足以下要求:- Mac 或 Windows 计算机
- 安装 Node.js 17 或更高版本
- 安装最新版本的
npm - Anthropic API 密钥(Claude)
设置你的环境
首先,让我们创建并设置我们的项目:# 创建项目目录
mkdir mcp-client-typescript
cd mcp-client-typescript
# 初始化 npm 项目
npm init -y
# 安装依赖
npm install @anthropic-ai/sdk @modelcontextprotocol/sdk dotenv
# 安装开发依赖
npm install -D @types/node typescript
# 创建源文件
touch index.ts
package.json 以设置 type: "module" 和构建脚本:package.json
{
"type": "module",
"scripts": {
"build": "tsc && chmod 755 build/index.js"
}
}
tsconfig.json:tsconfig.json
{
"compilerOptions": {
"target": "ES2022",
"module": "Node16",
"moduleResolution": "Node16",
"outDir": "./build",
"rootDir": "./",
"strict": true,
"esModuleInterop": true,
"skipLibCheck": true,
"forceConsistentCasingInFileNames": true
},
"include": ["index.ts"],
"exclude": ["node_modules"]
}
设置你的 API 密钥
你需要从 Anthropic Console 获取 Anthropic API 密钥。创建一个.env 文件来存储它:echo "ANTHROPIC_API_KEY=<your key here>" > .env
.env 添加到你的 .gitignore 中:echo ".env" >> .gitignore
确保你的
ANTHROPIC_API_KEY 安全!创建客户端
基本客户端结构
首先,让我们在index.ts 中设置我们的导入并创建基本的客户端类:import { Anthropic } from "@anthropic-ai/sdk";
import {
MessageParam,
Tool,
} from "@anthropic-ai/sdk/resources/messages/messages.mjs";
import { Client } from "@modelcontextprotocol/sdk/client/index.js";
import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";
import readline from "readline/promises";
import dotenv from "dotenv";
dotenv.config();
const ANTHROPIC_API_KEY = process.env.ANTHROPIC_API_KEY;
if (!ANTHROPIC_API_KEY) {
throw new Error("ANTHROPIC_API_KEY 未设置");
}
class MCPClient {
private mcp: Client;
private anthropic: Anthropic;
private transport: StdioClientTransport | null = null;
private tools: Tool[] = [];
constructor() {
this.anthropic = new Anthropic({
apiKey: ANTHROPIC_API_KEY,
});
this.mcp = new Client({ name: "mcp-client-cli", version: "1.0.0" });
}
// 方法将在这里添加
}
服务器连接管理
接下来,我们将实现连接到 MCP 服务器的方法:async connectToServer(serverScriptPath: string) {
try {
const isJs = serverScriptPath.endsWith(".js");
const isPy = serverScriptPath.endsWith(".py");
if (!isJs && !isPy) {
throw new Error("服务器脚本必须是 .js 或 .py 文件");
}
const command = isPy
? process.platform === "win32"
? "python"
: "python3"
: process.execPath;
this.transport = new StdioClientTransport({
command,
args: [serverScriptPath],
});
this.mcp.connect(this.transport);
const toolsResult = await this.mcp.listTools();
this.tools = toolsResult.tools.map((tool) => {
return {
name: tool.name,
description: tool.description,
input_schema: tool.inputSchema,
};
});
console.log(
"已连接到服务器,工具包括:",
this.tools.map(({ name }) => name)
);
} catch (e) {
console.log("无法连接到 MCP 服务器: ", e);
throw e;
}
}
查询处理逻辑
现在让我们添加处理查询和处理工具调用的核心功能:async processQuery(query: string) {
const messages: MessageParam[] = [
{
role: "user",
content: query,
},
];
const response = await this.anthropic.messages.create({
model: "claude-3-5-sonnet-20241022",
max_tokens: 1000,
messages,
tools: this.tools,
});
const finalText = [];
const toolResults = [];
for (const content of response.content) {
if (content.type === "text") {
finalText.push(content.text);
} else if (content.type === "tool_use") {
const toolName = content.name;
const toolArgs = content.input as { [x: string]: unknown } | undefined;
const result = await this.mcp.callTool({
name: toolName,
arguments: toolArgs,
});
toolResults.push(result);
finalText.push(
`[调用工具 ${toolName},参数 ${JSON.stringify(toolArgs)}]`
);
messages.push({
role: "user",
content: result.content as string,
});
const response = await this.anthropic.messages.create({
model: "claude-3-5-sonnet-20241022",
max_tokens: 1000,
messages,
});
finalText.push(
response.content[0].type === "text" ? response.content[0].text : ""
);
}
}
return finalText.join("\n");
}
交互式聊天界面
现在我们将添加聊天循环和清理功能:async chatLoop() {
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout,
});
try {
console.log("\nMCP 客户端已启动!");
console.log("输入你的查询或输入 'quit' 退出。");
while (true) {
const message = await rl.question("\n查询: ");
if (message.toLowerCase() === "quit") {
break;
}
const response = await this.processQuery(message);
console.log("\n" + response);
}
} finally {
rl.close();
}
}
async cleanup() {
await this.mcp.close();
}
主入口点
最后,我们将添加主执行逻辑:async function main() {
if (process.argv.length < 3) {
console.log("使用方法: node index.ts <path_to_server_script>");
return;
}
const mcpClient = new MCPClient();
try {
await mcpClient.connectToServer(process.argv[2]);
await mcpClient.chatLoop();
} finally {
await mcpClient.cleanup();
process.exit(0);
}
}
main();
运行客户端
要与任何 MCP 服务器一起运行你的客户端:# 构建 TypeScript
npm run build
# 运行客户端
node build/index.js path/to/server.py # python 服务器
node build/index.js path/to/build/index.js # node 服务器
如果你是继续服务器快速入门的天气教程,你的命令可能看起来像这样:
node build/index.js .../quickstart-resources/weather-server-typescript/build/index.js- 连接到指定的服务器
- 列出可用的工具
- 启动一个交互式聊天会话,你可以:
- 输入查询
- 查看工具执行
- 获取 Claude 的响应
工作原理
当你提交查询时:- 客户端从服务器获取可用的工具列表
- 你的查询连同工具描述一起发送给 Claude
- Claude 决定使用哪些工具(如果有的话)
- 客户端通过服务器执行任何请求的工具调用
- 结果被发送回 Claude
- Claude 提供自然语言响应
- 响应显示给你
最佳实践
-
错误处理
- 使用 TypeScript 的类型系统进行更好的错误检测
- 将工具调用包装在 try-catch 块中
- 提供有意义的错误消息
- 优雅地处理连接问题
-
安全性
- 将 API 密钥安全地存储在
.env中 - 验证服务器响应
- 对工具权限保持谨慎
- 将 API 密钥安全地存储在
故障排除
服务器路径问题
- 仔细检查你的服务器脚本路径是否正确
- 如果相对路径不起作用,请使用绝对路径
- 对于 Windows 用户,请确保在路径中使用正斜杠 (/) 或转义的反斜杠 (\)
- 验证服务器文件是否具有正确的扩展名(.js 用于 Node.js 或 .py 用于 Python)
# 相对路径
node build/index.js ./server/build/index.js
# 绝对路径
node build/index.js /Users/username/projects/mcp-server/build/index.js
# Windows 路径(两种格式都适用)
node build/index.js C:/projects/mcp-server/build/index.js
node build/index.js C:\\projects\\mcp-server\\build\\index.js
响应时间
- 第一次响应可能需要长达 30 秒才能返回
- 这在以下情况下是正常的:
- 服务器初始化
- Claude 处理查询
- 工具正在执行
- 后续响应通常会更快
- 在此初始等待期间不要中断进程
常见错误消息
如果看到:Error: Cannot find module:检查你的构建文件夹并确保 TypeScript 编译成功Connection refused:确保服务器正在运行且路径正确Tool execution failed:验证工具所需的环境变量是否已设置ANTHROPIC_API_KEY is not set:检查你的 .env 文件和环境变量TypeError:确保你使用了工具参数的正确类型
这是一个基于 Spring AI MCP 自动配置和启动器的快速入门演示。
要了解如何手动创建同步和异步 MCP 客户端,请查阅 Java SDK 客户端 文档
系统要求
在开始之前,请确保你的系统满足以下要求:- Java 17 或更高版本
- Maven 3.6+
- npx 包管理器
- Anthropic API 密钥(Claude)
- Brave Search API 密钥
设置你的环境
-
安装 npx (Node Package eXecute):
首先,确保安装 npm
然后运行:
npm install -g npx -
克隆仓库:
git clone https://github.com/spring-projects/spring-ai-examples.git cd model-context-protocol/brave-chatbot -
设置你的 API 密钥:
export ANTHROPIC_API_KEY='your-anthropic-api-key-here' export BRAVE_API_KEY='your-brave-api-key-here' -
构建应用程序:
./mvnw clean install -
使用 Maven 运行应用程序:
./mvnw spring-boot:run
确保你的
ANTHROPIC_API_KEY 和 BRAVE_API_KEY 密钥安全!工作原理
该应用程序通过几个组件将 Spring AI 与 Brave Search MCP 服务器集成:MCP 客户端配置
- 在 pom.xml 中所需的依赖:
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-mcp-client</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-anthropic</artifactId>
</dependency>
- 应用程序属性(application.yml):
spring:
ai:
mcp:
client:
enabled: true
name: brave-search-client
version: 1.0.0
type: SYNC
request-timeout: 20s
stdio:
root-change-notification: true
servers-configuration: classpath:/mcp-servers-config.json
anthropic:
api-key: ${ANTHROPIC_API_KEY}
spring-ai-starter-mcp-client 以根据提供的服务器配置创建一个或多个 McpClient。- MCP 服务器配置(mcp-servers-config.json):
{
"mcpServers": {
"brave-search": {
"command": "npx",
"args": [
"-y",
"@modelcontextprotocol/server-brave-search"
],
"env": {
"BRAVE_API_KEY": "<PUT YOUR BRAVE API KEY>"
}
}
}
}
聊天实现
聊天机器人使用 Spring AI 的 ChatClient 与 MCP 工具集成来实现:var chatClient = chatClientBuilder
.defaultSystem("You are useful assistant, expert in AI and Java.")
.defaultTools((Object[]) mcpToolAdapter.toolCallbacks())
.defaultAdvisors(new MessageChatMemoryAdvisor(new InMemoryChatMemory()))
.build();
- 使用 Claude AI 模型进行自然语言理解
- 通过 MCP 集成 Brave Search 以实现实时网络搜索功能
- 使用 InMemoryChatMemory 维护对话记忆
- 作为交互式命令行应用程序运行
构建和运行
./mvnw clean install
java -jar ./target/ai-mcp-brave-chatbot-0.0.1-SNAPSHOT.jar
./mvnw spring-boot:run
- 使用其内置知识回答问题
- 在需要时使用 Brave Search 执行网络搜索
- 记住对话中先前消息的上下文
- 结合来自多个来源的信息以提供全面的答案
高级配置
MCP 客户端支持额外的配置选项:- 通过
McpSyncClientCustomizer或McpAsyncClientCustomizer自定义客户端 - 支持多种客户端和多种传输类型:
STDIO和SSE(服务器发送事件) - 与 Spring AI 的工具执行框架集成
- 自动客户端初始化和生命周期管理
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-mcp-client-webflux-spring-boot-starter</artifactId>
</dependency>
你可以在这里找到本教程的完整代码。现在,让我们创建并设置你的项目:运行 此外,将以下插件添加到你的构建脚本中:还创建一个帮助函数,将 客户端将:
系统要求
在开始之前,请确保你的系统满足以下要求:- Java 17 或更高版本
- Anthropic API 密钥(Claude)
设置你的环境
首先,让我们安装java 和 gradle,如果你还没有安装的话。
你可以从 官方 Oracle JDK 网站 下载 java。
验证你的 java 安装:java --version
# 为我们的项目创建一个新目录
mkdir kotlin-mcp-client
cd kotlin-mcp-client
# 初始化一个新的 kotlin 项目
gradle init
gradle init 后,你将看到创建项目的选项。
选择 Application 作为项目类型,Kotlin 作为编程语言,Java 17 作为 Java 版本。或者,你可以使用 IntelliJ IDEA 项目向导 创建 Kotlin 应用程序。创建项目后,添加以下依赖:val mcpVersion = "0.4.0"
val slf4jVersion = "2.0.9"
val anthropicVersion = "0.8.0"
dependencies {
implementation("io.modelcontextprotocol:kotlin-sdk:$mcpVersion")
implementation("org.slf4j:slf4j-nop:$slf4jVersion")
implementation("com.anthropic:anthropic-java:$anthropicVersion")
}
plugins {
id("com.github.johnrengelman.shadow") version "8.1.1"
}
设置你的 API 密钥
你需要从 Anthropic Console 获取 Anthropic API 密钥。设置你的 API 密钥:export ANTHROPIC_API_KEY='your-anthropic-api-key-here'
确保你的
ANTHROPIC_API_KEY 安全!创建客户端
基本客户端结构
首先,让我们创建基本的客户端类:class MCPClient : AutoCloseable {
private val anthropic = AnthropicOkHttpClient.fromEnv()
private val mcp: Client = Client(clientInfo = Implementation(name = "mcp-client-cli", version = "1.0.0"))
private lateinit var tools: List<ToolUnion>
// 方法将在这里添加
override fun close() {
runBlocking {
mcp.close()
anthropic.close()
}
}
服务器连接管理
接下来,我们将实现连接到 MCP 服务器的方法:suspend fun connectToServer(serverScriptPath: String) {
try {
val command = buildList {
when (serverScriptPath.substringAfterLast(".")) {
"js" -> add("node")
"py" -> add(if (System.getProperty("os.name").lowercase().contains("win")) "python" else "python3")
"jar" -> addAll(listOf("java", "-jar"))
else -> throw IllegalArgumentException("服务器脚本必须是 .js, .py 或 .jar 文件")
}
add(serverScriptPath)
}
val process = ProcessBuilder(command).start()
val transport = StdioClientTransport(
input = process.inputStream.asSource().buffered(),
output = process.outputStream.asSink().buffered()
)
mcp.connect(transport)
val toolsResult = mcp.listTools()
tools = toolsResult?.tools?.map { tool ->
ToolUnion.ofTool(
Tool.builder()
.name(tool.name)
.description(tool.description ?: "")
.inputSchema(
Tool.InputSchema.builder()
.type(JsonValue.from(tool.inputSchema.type))
.properties(tool.inputSchema.properties.toJsonValue())
.putAdditionalProperty("required", JsonValue.from(tool.inputSchema.required))
.build()
)
.build()
)
} ?: emptyList()
println("已连接到服务器,工具包括:${tools.joinToString(", ") { it.tool().get().name() }}")
} catch (e: Exception) {
println("无法连接到 MCP 服务器: $e")
throw e
}
}
JsonObject 转换为 JsonValue 以供 Anthropic 使用:private fun JsonObject.toJsonValue(): JsonValue {
val mapper = ObjectMapper()
val node = mapper.readTree(this.toString())
return JsonValue.fromJsonNode(node)
}
查询处理逻辑
现在让我们添加处理查询和处理工具调用的核心功能:private val messageParamsBuilder: MessageCreateParams.Builder = MessageCreateParams.builder()
.model(Model.CLAUDE_3_5_SONNET_20241022)
.maxTokens(1024)
suspend fun processQuery(query: String): String {
val messages = mutableListOf(
MessageParam.builder()
.role(MessageParam.Role.USER)
.content(query)
.build()
)
val response = anthropic.messages().create(
messageParamsBuilder
.messages(messages)
.tools(tools)
.build()
)
val finalText = mutableListOf<String>()
response.content().forEach { content ->
when {
content.isText() -> finalText.add(content.text().getOrNull()?.text() ?: "")
content.isToolUse() -> {
val toolName = content.toolUse().get().name()
val toolArgs =
content.toolUse().get()._input().convert(object : TypeReference<Map<String, JsonValue>>() {})
val result = mcp.callTool(
name = toolName,
arguments = toolArgs ?: emptyMap()
)
finalText.add("[调用工具 $toolName,参数 $toolArgs]")
messages.add(
MessageParam.builder()
.role(MessageParam.Role.USER)
.content(
"""
"type": "tool_result",
"tool_name": $toolName,
"result": ${result?.content?.joinToString("\n") { (it as TextContent).text ?: "" }}
""".trimIndent()
)
.build()
)
val aiResponse = anthropic.messages().create(
messageParamsBuilder
.messages(messages)
.build()
)
finalText.add(aiResponse.content().first().text().getOrNull()?.text() ?: "")
}
}
}
return finalText.joinToString("\n", prefix = "", postfix = "")
}
交互式聊天
我们将添加聊天循环:suspend fun chatLoop() {
println("\nMCP 客户端已启动!")
println("输入你的查询或输入 'quit' 退出。")
while (true) {
print("\n查询: ")
val message = readLine() ?: break
if (message.lowercase() == "quit") break
val response = processQuery(message)
println("\n$response")
}
}
主入口点
最后,我们将添加主执行函数:fun main(args: Array<String>) = runBlocking {
if (args.isEmpty()) throw IllegalArgumentException("使用方法: java -jar <your_path>/build/libs/kotlin-mcp-client-0.1.0-all.jar <path_to_server_script>")
val serverPath = args.first()
val client = MCPClient()
client.use {
client.connectToServer(serverPath)
client.chatLoop()
}
}
运行客户端
要与任何 MCP 服务器一起运行你的客户端:./gradlew build
# 运行客户端
java -jar build/libs/<your-jar-name>.jar path/to/server.jar # jvm 服务器
java -jar build/libs/<your-jar-name>.jar path/to/server.py # python 服务器
java -jar build/libs/<your-jar-name>.jar path/to/build/index.js # node 服务器
如果你是继续服务器快速入门的天气教程,你的命令可能看起来像这样:
java -jar build/libs/kotlin-mcp-client-0.1.0-all.jar .../samples/weather-stdio-server/build/libs/weather-stdio-server-0.1.0-all.jar- 连接到指定的服务器
- 列出可用的工具
- 启动一个交互式聊天会话,你可以:
- 输入查询
- 查看工具执行
- 获取 Claude 的响应
工作原理
这是一个高层次的工作流程图:当你提交查询时:- 客户端从服务器获取可用的工具列表
- 你的查询连同工具描述一起发送给 Claude
- Claude 决定使用哪些工具(如果有的话)
- 客户端通过服务器执行任何请求的工具调用
- 结果被发送回 Claude
- Claude 提供自然语言响应
- 响应显示给你
最佳实践
-
错误处理
- 利用 Kotlin 的类型系统明确地建模错误
- 在可能出现异常的情况下,将外部工具和 API 调用包装在
try-catch块中 - 提供清晰且有意义的错误消息
- 优雅地处理网络超时和连接问题
-
安全性
- 将 API 密钥和秘密安全地存储在
local.properties、环境变量或秘密管理器中 - 验证所有外部响应以避免意外或不安全的数据使用
- 在使用工具时对权限和信任边界保持谨慎
- 将 API 密钥和秘密安全地存储在
故障排除
服务器路径问题
- 仔细检查你的服务器脚本路径是否正确
- 如果相对路径不起作用,请使用绝对路径
- 对于 Windows 用户,请确保在路径中使用正斜杠 (/) 或转义的反斜杠 (\)
- 确保已安装所需的运行时(Java 用于 Java,npm 用于 Node.js,或 uv 用于 Python)
- 验证服务器文件是否具有正确的扩展名(.jar 用于 Java,.js 用于 Node.js 或 .py 用于 Python)
# 相对路径
java -jar build/libs/client.jar ./server/build/libs/server.jar
# 绝对路径
java -jar build/libs/client.jar /Users/username/projects/mcp-server/build/libs/server.jar
# Windows 路径(两种格式都适用)
java -jar build/libs/client.jar C:/projects/mcp-server/build/libs/server.jar
java -jar build/libs/client.jar C:\\projects\\mcp-server\\build\\libs\\server.jar
响应时间
- 第一次响应可能需要长达 30 秒才能返回
- 这在以下情况下是正常的:
- 服务器初始化
- Claude 处理查询
- 工具正在执行
- 后续响应通常会更快
- 在此初始等待期间不要中断进程
常见错误消息
如果看到:Connection refused:确保服务器正在运行且路径正确Tool execution failed:验证工具所需的环境变量是否已设置ANTHROPIC_API_KEY is not set:检查你的环境变量
你可以在这里找到本教程的完整代码。然后,将所需的依赖项添加到你的项目中:这创建了一个可以从用户秘密中读取 API 密钥的 .NET 控制台应用程序的开始。接下来,我们将设置 MCP 客户端:这配置了一个 MCP 客户端,它将连接到作为命令行参数提供的服务器。然后,它列出从连接的服务器获取的可用工具。客户端将:
系统要求
在开始之前,请确保你的系统满足以下要求:- .NET 8.0 或更高版本
- Anthropic API 密钥(Claude)
- Windows、Linux 或 MacOS
设置你的环境
首先,创建一个新的 .NET 项目:dotnet new console -n QuickstartClient
cd QuickstartClient
dotnet add package ModelContextProtocol --prerelease
dotnet add package Anthropic.SDK
dotnet add package Microsoft.Extensions.Hosting
设置你的 API 密钥
你需要从 Anthropic Console 获取 Anthropic API 密钥。dotnet user-secrets init
dotnet user-secrets set "ANTHROPIC_API_KEY" "<your key here>"
创建客户端
基本客户端结构
首先,让我们设置基本的客户端类:using Microsoft.Extensions.Configuration;
using Microsoft.Extensions.Hosting;
var builder = Host.CreateEmptyApplicationBuilder(settings: null);
builder.Configuration
.AddUserSecrets<Program>();
var (command, arguments) = args switch
{
[var script] when script.EndsWith(".py") => ("python", script),
[var script] when script.EndsWith(".js") => ("node", script),
[var script] when Directory.Exists(script) || (File.Exists(script) && script.EndsWith(".csproj")) => ("dotnet", $"run --project {script} --no-build"),
_ => throw new NotSupportedException("提供了不支持的服务器脚本。支持的脚本是 .py, .js, 或 .csproj")
};
await using var mcpClient = await McpClientFactory.CreateAsync(new()
{
Id = "demo-server",
Name = "Demo Server",
TransportType = TransportTypes.StdIo,
TransportOptions = new()
{
["command"] = command,
["arguments"] = arguments,
}
});
var tools = await mcpClient.ListToolsAsync();
foreach (var tool in tools)
{
Console.WriteLine($"已连接到服务器,工具包括:{tool.Name}");
}
确保添加命名空间的
using 语句:using ModelContextProtocol.Client;
using ModelContextProtocol.Protocol.Transport;
查询处理逻辑
现在让我们添加处理查询和处理工具调用的核心功能:using IChatClient anthropicClient = new AnthropicClient(new APIAuthentication(builder.Configuration["ANTHROPIC_API_KEY"]))
.Messages
.AsBuilder()
.UseFunctionInvocation()
.Build();
var options = new ChatOptions
{
MaxOutputTokens = 1000,
ModelId = "claude-3-5-sonnet-20241022",
Tools = [.. tools]
};
while (true)
{
Console.WriteLine("MCP 客户端已启动!");
Console.WriteLine("输入你的查询或输入 'quit' 退出。");
string? query = Console.ReadLine();
if (string.IsNullOrWhiteSpace(query))
{
continue;
}
if (string.Equals(query, "quit", StringComparison.OrdinalIgnoreCase))
{
break;
}
var response = anthropicClient.GetStreamingResponseAsync(query, options);
await foreach (var message in response)
{
Console.Write(message.Text);
}
Console.WriteLine();
}
关键组件解释
1. 客户端初始化
- 客户端使用
McpClientFactory.CreateAsync()初始化,这设置了传输类型和运行服务器的命令。
2. 服务器连接
- 支持 Python、Node.js 和 .NET 服务器。
- 使用参数中指定的命令启动服务器。
- 配置使用 stdio 与服务器通信。
- 初始化会话和可用工具。
3. 查询处理
- 利用 Microsoft.Extensions.AI 进行聊天客户端。
- 配置
IChatClient以使用自动工具(函数)调用。 - 客户端读取用户输入并将其发送到服务器。
- 服务器处理查询并返回响应。
- 响应显示给用户。
运行客户端
要与任何 MCP 服务器一起运行你的客户端:dotnet run -- path/to/server.csproj # dotnet 服务器
dotnet run -- path/to/server.py # python 服务器
dotnet run -- path/to/server.js # node 服务器
如果你是继续服务器快速入门的天气教程,你的命令可能看起来像这样:
dotnet run -- path/to/QuickstartWeatherServer。- 连接到指定的服务器
- 列出可用的工具
- 启动一个交互式聊天会话,你可以:
- 输入查询
- 查看工具执行
- 获取 Claude 的响应
- 完成后退出会话

下一步
示例服务器
查看我们官方 MCP 服务器和实现的画廊
客户端
查看支持 MCP 集成的客户端列表
使用 LLM 构建 MCP
了解如何使用像 Claude 这样的 LLM 加速你的 MCP 开发
核心架构
了解 MCP 如何连接客户端、服务器和 LLM