Python创建MCP服务

原创已于 2026-05-01 09:32:33 修改 · 550 阅读

8 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#python #mcp

于 2026-04-30 23:57:04 首次发布

mcp 同时被 3 个专栏收录

1 篇文章

订阅专栏

python

1 篇文章

订阅专栏

fastmcp

1 篇文章

订阅专栏

提到mcp，或许大家或多或少都已经有听说或使用过。Model Context Protocol 简称 MCP，即模型上下文协议。简单类比如笔记本的USB接口，为鼠标、键盘、打印机提供统一的接入标准。而MCP的出现，正是为了解决AI模型与外部世界沟通的“接口混乱”问题。它提供了一套标准化的协议，让AI大模型能够通过统一的方式安全、高效地调用外部工具、读取数据源。那么，一个标准的MCP服务是如何创建的，今天就基于一个类似服务器日志操作案例编写一个入门级的MCP服务，以及在大模型中调用后的实际效果。
MCP协议本身很强大，但直接实现它可能会比较复杂。本篇基于Python生态框架进行快速服务的构建，在本地创建一个Python项目后安装以下依赖：本项目基于Python3.8

一、安装依赖

pip install mcp fastmcp uvicorn

二、示例代码如下

创建项目后编写一个server.py文件

import json
import re
from datetime import datetime
from pathlib import Path
from typing import Dict, Any

from fastmcp import FastMCP

# 初始化MCP服务器，Log Analyzer为服务器自定义名称
mcp = FastMCP("Log Analyzer")

# 日志文件路径（可以替换成真实的）
LOG_FILE = Path("./server.log")

# 如果未存在日志文件可进行模拟日志测试数据
def init_mock_logs():
    """生成模拟的系统日志"""
    if not LOG_FILE.exists():
        logs = [
            "[2026-04-05 10:23:15] INFO - User login successful: admin@example.com",
            "[2026-04-05 10:25:42] ERROR - Database connection timeout after 30s",
            "[2026-04-05 10:26:01] WARNING - High memory usage detected: 85%",
            "[2026-04-05 10:28:33] INFO - File upload completed: report.pdf",
            "[2026-04-05 10:30:17] ERROR - API request failed: 500 Internal Server Error",
            "[2026-04-05 10:32:45] INFO - Cache cleared successfully",
            "[2026-04-05 10:35:22] WARNING - Slow query detected: SELECT * FROM users (took 5.2s)",
            "[2026-04-05 10:38:09] ERROR - Disk space low: only 2.3GB remaining",
            "[2026-04-05 10:40:55] INFO - Backup completed successfully",
            "[2026-04-05 10:43:11] CRITICAL - Service crash detected, restarting...",
            "[2026-04-05 10:45:30] INFO - Service restarted successfully",
            "[2026-04-05 10:48:02] ERROR - Failed to send email: SMTP server unreachable"
        ]
        with open(LOG_FILE, 'w', encoding='utf-8') as f:
            f.write('\n'.join(logs))
#这是最核心的部分。通过@mcp.tool装饰器，将普通的Python函数变成AI可以理解和调用的工具。函数的文档字符串（docstring）是给AI看的“说明书”，一定要写得清晰明了
# AI每次调用时进行记录工具，log_query默认为工具名称
@mcp.tool
def log_query(query: str, tool: str = ""):
    """记录 AI 查询（AI 应在执行任何查询前调用）"""
    with open("log_query.log", 'a', encoding='utf-8') as f:
        f.write(f"[{datetime.now()}] {tool}: {query}\n")
    return "记录成功"

# 解析日志行
def parse_log_line(line: str) -> Dict[str, Any]:
    """解析单行日志"""
    pattern = r'\[(.*?)\] (\w+) - (.*)'
    match = re.match(pattern, line)
    if match:
        return {
            "timestamp": match.group(1),
            "level": match.group(2),
            "message": match.group(3)
        }
    return {"raw": line}

# 获取最近N条日志
@mcp.tool
def get_recent_logs(lines: int = 50) -> str:
    """
    获取最近的系统日志记录
    
    Args:
        lines: 要获取的日志行数，默认50条
    """
    init_mock_logs()
    
    with open(LOG_FILE, 'r', encoding='utf-8') as f:
        all_logs = f.readlines()
    
    recent_logs = all_logs[-lines:]
    return json.dumps({
        "total_lines": len(all_logs),
        "returned_lines": len(recent_logs),
        "logs": [parse_log_line(log.strip()) for log in recent_logs]
    }, ensure_ascii=False, indent=2)

# 按错误级别筛选日志
@mcp.tool
def filter_logs_by_level(level: str, limit: int = 20) -> str:
    """
    按日志级别筛选日志（ERROR, WARNING, INFO, CRITICAL等）
    
    Args:
        level: 日志级别，如 ERROR, WARNING, INFO, CRITICAL
        limit: 返回的最大条数，默认20
    """
    init_mock_logs()
    
    with open(LOG_FILE, 'r', encoding='utf-8') as f:
        logs = f.readlines()
    
    filtered = []
    for log in logs:
        if f" {level} - " in log:
            filtered.append(parse_log_line(log.strip()))
            if len(filtered) >= limit:
                break
    
    return json.dumps({
        "level": level,
        "count": len(filtered),
        "logs": filtered
    }, ensure_ascii=False, indent=2)

# 搜索包含关键词的日志
@mcp.tool
def search_logs(keyword: str, case_sensitive: bool = False) -> str:
    """
    在日志中搜索特定关键词
    
    Args:
        keyword: 要搜索的关键词
        case_sensitive: 是否区分大小写，默认False
    """
    init_mock_logs()
    
    with open(LOG_FILE, 'r', encoding='utf-8') as f:
        logs = f.readlines()
    
    results = []
    for log in logs:
        log_text = log.strip()
        if case_sensitive:
            found = keyword in log_text
        else:
            found = keyword.lower() in log_text.lower()
        
        if found:
            results.append(parse_log_line(log_text))
    
    return json.dumps({
        "keyword": keyword,
        "case_sensitive": case_sensitive,
        "count": len(results),
        "logs": results
    }, ensure_ascii=False, indent=2)

# 获取日志统计摘要
@mcp.tool
def get_log_summary() -> str:
    """
    获取日志统计摘要，包括各级别日志数量和常见错误类型
    """
    init_mock_logs()
    
    with open(LOG_FILE, 'r', encoding='utf-8') as f:
        logs = f.readlines()
    
    stats = {
        "total": len(logs),
        "levels": {"INFO": 0, "WARNING": 0, "ERROR": 0, "CRITICAL": 0},
        "common_errors": []
    }
    
    error_count = {}
    for log in logs:
        parsed = parse_log_line(log.strip())
        level = parsed.get("level", "")
        if level in stats["levels"]:
            stats["levels"][level] += 1
        
        # 统计常见错误
        if level == "ERROR":
            msg = parsed.get("message", "")
            # 提取错误类型
            error_type = msg.split(":")[0] if ":" in msg else msg[:30]
            error_count[error_type] = error_count.get(error_type, 0) + 1
    
    # 取前5个常见错误
    stats["common_errors"] = sorted(error_count.items(), key=lambda x: x[1], reverse=True)[:5]
    
    return json.dumps(stats, ensure_ascii=False, indent=2)


if __name__ == "__main__":
    # 初始化日志文件
    init_mock_logs()
    
    # 使用HTTP传输模式
    print("MCP Log Analyzer Server 启动中...")
    print(f"日志文件路径: {LOG_FILE.absolute()}")
    print("服务运行在: http://localhost:8000/mcp")
    
    # 运行HTTP服务器（端口8000）
    mcp.run(transport='http', host='0.0.0.0', port=8000)

执行python server.py后启动服务，界面运行如下：
在这里插入图片描述

以上界面提示mcp服务启动成功，基于http协议，同时在命令行可看到该日志：
Starting MCP server ‘Log Analyzer’ with transport ‘http’ on http://0.0.0.0:8000/mcp

三、使用mcp服务

以上MCP服务创建后如何进行测试，本文章基于cline插件进行快速验证，关于cline的使用大家可自行网上搜索和配置使用对应的大模型，本文mcp服务环境是在本地运行，大家也可部署成在线服务线上访问。

在cline中找到MCP Server，点击添加mcp服务：
在这里插入图片描述
服务信息填写完后点击AddServer

如图，在server.py中定义的5个工具都能被正确识别，大家勾选需要使用的工具即可，AI会根据工具名称和描述做调用。
接着，在cline交互面板中输入提问，结果如下：
在这里插入图片描述

大模型会根据问题自动调用工具并分析，也扩展了对应的能力边界。

四、总结

通过这个简单的日志分析器，从MCP服务的创建到使用，通过定义工具Tools的方式，将外部数据和服务的能力赋予AI。像高德地图等应用也开放一些在线MCP服务，大模型接入后就可以进行位置搜索等能力拓展了。
另外，MCP还支持资源（Resources）和提示词模板（Prompts）等更强大的功能，大家有兴趣可以自行了解，后续本文也会持续更新，有问题的欢迎大家一块交流！