【AI】MCP+cline 实现github官网项目查询

概览

本文将会介绍一些 mcp 的基本前置知识，并手摸手带大家完成一个 **具有 github 仓库搜索功能的 mcp 工具 **的小demo，借此和大家介绍一遍 mcp工具的开发流程！

什么是MCP

MCP（Model Context Protocol）是 Anthropic 提出并开源的一种协议，旨在让 基于 LLM 的 AI 系统具备使用工具和访问资源的能力。简单来说，MCP 为大型语言模型和外部资源之间提供了一个统一的“插头”或接口。以前每当需要让 AI 连接新的数据库、文件系统或服务时，开发者都必须为每种资源写专门的对接代码；有了 MCP，基于LLM 的 AI 系统可以通过标准协议“即插即用”地访问各种数据源，再也不必困在“信息孤岛”中。

暂时无法在飞书文档外展示此内容

工作原理

暂时无法在飞书文档外展示此内容

初始化连接：客户端向服务器发送连接请求，建立通信通道。

发送请求：客户端根据需求构建请求消息，并发送给服务器。

处理请求：服务器接收到请求后，解析请求内容，执行相应的操作（如查询数据库、读取文件等）。

返回结果：服务器将处理结果封装成响应消息，发送回客户端。

断开连接：任务完成后，客户端可以主动关闭连接或等待服务器超时关闭。

数据安全性

暂时无法在飞书文档外展示此内容

从上面这个结构图可以看出，MCP 服务器可以自己控制资源，不需要将 API 密钥等敏感信息提供给 LLM 提供商。这样也可以在使用ai工具的过程中很大程度上降低敏感数据泄露的风险。

什么是大语言模型中的 Function Calling

在介绍过mcp的定义中，大家肯定会想起我们的另外一个老朋友Function Calling，那么他和 mcp 是什么关系呢？

首先我们先回顾一下 Function Calling的定义

Function Calling 是一种让大型语言模型（LLM）调用外部函数或API的功能。它不是直接执行函数，而是通过返回一个结构化的输出（比如JSON）来告诉应用程序应该调用哪个函数以及使用什么参数。然后，应用程序会执行这个函数并把结果返回给模型。所以，LLM就像一个规划者，它决定是否、何时、如何使用某个函数，而实际的执行则由你的代码来完成。

举个 GPT-4 的API工作流程的例子

暂时无法在飞书文档外展示此内容

1、定义可用的函数：开发者在提示或 API 调用中向模型提供一个函数定义的列表（名称、描述和预期参数）

2、模型选择函数：用户提出问题，模型处理查询以及函数定义。如果它决定需要使用某个函数，则会以 JSON 格式返回一个 Function Calling（包括函数名和参数），而不是正常答案。例如，如果用户询问天气，模型可能会输出一个调用 get_current_weather 的函数，参数为位置。

3、执行函数：应用程序解析模型的 JSON 输出，识别要调用的函数，然后使用提供的参数在代码中调用相应的函数。它收集函数的结果（例如，从 API 获取的实际天气数据）。

4、将结果返回给模型：函数的输出被反馈回模型，通常作为对话中的一条特殊消息，或通过另一个调用模型的请求的结果。然后模型可以使用这些数据来形成其最终回答。

5、如果任务需要多个 Function Calling，它可能会在后续步骤中重复执行3、4两步。这个循环会持续，直到模型为用户产生最终答案。

MCP 与 Functi