前言
上次发的文章因为遇到 bug 没有执行完，现在正常了，其实是我传错参数了，所以重新修正下！
这篇文章记录一下我用 MCP TypeScript SDK 实现一个自包含的 AI 聊天应用的过程：内部包含 MCP 服务器提供上下文，客户端拿上下文再去调 LLM 接口拿回答！
往期精彩推荐
正文
MCP 是什么？
简单说，MCP 是一个给 AI 应用提供上下文的标准协议。你可以把它理解成一个服务标准，它规定了“资源”和“工具”的接口规范，然后通过客户端连接这些接口，就可以组合出丰富的上下文数据。比如说资源可以是“当前时间”、“用户历史记录”，工具可以是“数据库搜索”、“调用外部 API”。
它采用的是客户端-服务器架构，Server 暴露上下文能力，Client 拉取这些上下文，再拿去调语言模型生成回答，而 Transport 负责 Server 和 Client 的通信部分！
（AI 帮我画的图）
其中图片中的 Transport 层还分为：
-
StdioServerTransport：用于 CLI 工具对接 stdin/stdout
-
SSEServerTransport：用于HTTP通信
-
StdioClientTransport：客户端以子进程方式拉起服务端，这个不常用
另外，Server 层分为：
-
Server 基本类：原始的类，适合自己定制功能！
-
McpServer基于Server 封装好了可以快速使用的方法！
注意：基本类和封装类的接口有很大不同，具体请参看 README 文件！
安装依赖
用的是官方的 TypeScript SDK：
仓库：github.com/modelcontex…
官网：modelcontextprotocol.io
npm install @modelcontextprotocol/sdk axios
DeepSeek 没有官方 SDK，用的是 HTTP API，所以需要 axios！
记得把 API Key 放到 .env 或直接配置成环境变量，我用的 DEEPSEEK_API_KEY。
实现一个 McpServer
我们先实现一个本地 McpServer，实现两个东西：
代码如下：
// src/server.js
import {
McpServer,
ResourceTemplate,
} from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { z } from "zod";
const facts = [
"公理1: 生存是文明的第一需要.",
"公理2: 文明不断增长和扩张，但宇宙中的物质总量保持不变.",
].map((f) => f.toLowerCase());
try {
const server = new McpServer({
name: "mcp-cli-server",
version: "1.0.0",
});
// 使用 Zod 定义工具的输入模式
server.tool(
"search_local_database",
{
query: z.string(),
},
async ({ query }) => {
console.log("Tool called with query:", query);
const queryTerms = query.toLowerCase().split(/\s+/);
const results = facts.filter((fact) =>
queryTerms.some((term) => fact.includes(term))
);
return {
content: [
{
type: "text",
text: results.length === 0 ? "未找到相关公理" : results.join("\n"),
},
],
};
}
);
// 定义资源
server.resource(
"current_time",
new ResourceTemplate("time://current", { list: undefined }),
async (uri) => ({
contents: [{ uri: uri.href, text: new Date().toLocaleString() }],
})
);
await server.connect(new StdioServerTransport());
console.log("Server is running...");
} catch (err) {
console.error("Server connection failed:", err);
}
这样一来，我们的服务端就能通过 MCP 协议对外暴露两个上下文能力了。
配置 MCP Client
MCP 的客户端用来连接服务器并获取资源或调用工具：
// src/client.js;
import { Client } from "@modelcontextprotocol/sdk/client/index.js";
import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";
export async function createClient() {
const client = new Client({
name: "Demo",
version: "1.0.0",
});
const transport = new StdioClientTransport({
command: "node",
args: ["src/server.js"],
});
try {
await client.connect(transport);
console.log("Client connected successfully");
} catch (err) {
console.error("Client connection failed:", err);
throw err;
}
// 可选：添加客户端方法调用后的调试
return client;
}
连上之后，我们就可以开始调用服务端的资源和工具了。
获取上下文
我们设定一个简单的逻辑：每次用户提问，客户端都会获取当前时间；如果问题里包含 公理，那就调用搜索工具查一下本地知识库：
async function getContext(client, question) {
let currentTime = "";
let additionalContext = "";
try {
const resources = await client.readResource(
{ uri: "time://current" },
{ timeout: 15000 }
); // 增加超时时间
console.log("Resources response:", resources);
currentTime = resources.contents[0]?.text ||
new Date().toLocaleString(); // 注意：resources 直接包含 contents
} catch (err) {
console.error("Resource read error:", err);
currentTime = new Date().toLocaleString();
}
if (question.toLowerCase().includes("公理")) {
console.log("Searching for axioms...", question);
try {
const result = await client.getPrompt({
name: "search_local_database",
arguments: { query: question },
});
console.log("Tool result:", result);
additionalContext = result?.[0]?.text || "No results found.";
} catch (err) {
console.error("Tool call error:", err);
additionalContext = "Error searching database.";
}
}
return { currentTime, additionalContext };
}
集成 DeepSeek，开始问答
DeepSeek 使用的是标准 OpenAI 接口风格，HTTP POST 请求即可。这里我们用 axios 调用：
import axios from "axios";
async function askLLM(prompt) {
try {
console.log("Calling LLM with prompt:", prompt);
const res = await axios.post(
"https://api.deepseek.com/chat/completions",
{
model: "deepseek-chat",
messages: [{ role: "user", content: prompt }],
max_tokens: 2048,
stream: false,
temperature: 0.7,
},
{
headers: {
Authorization: `Bearer ${process.env.DEEPSEEK_API_KEY}`,
"Content-Type": "application/json",
},
timeout: 1000000,
}
);
console.log("LLM response:", res.data);
return res.data.choices[0].message.content;
} catch (err) {
console.error("LLM error:", err);
return "Error calling LLM.";
}
}
完整的代码，包含用命令行做一个简单的交互界面：
// src/index.js
import readline from "readline";
import axios from "axios";
import { createClient } from "./client.js";
import { DEEPSEEK_API_KEY } from "./config.js";
async function askLLM(prompt) {
try {
console.log("Calling LLM with prompt:", prompt);
const res = await axios.post(
"https://api.deepseek.com/chat/completions",
{
model: "deepseek-chat",
messages: [{ role: "user", content: prompt }],
max_tokens: 2048,
stream: false,
temperature: 0.7,
},
{
headers: {
Authorization: `Bearer ${DEEPSEEK_API_KEY}`,
"Content-Type": "application/json",
},
timeout: 1000000,
}
);
return res.data.choices[0].message.content;
} catch (err) {
console.error("LLM error:", err);
return "Error calling LLM.";
}
}
async function getContext(client, question) {
let currentTime = "";
let additionalContext = "";
try {
const resources = await client.readResource(
{ uri: "time://current" },
{ timeout: 15000 }
); // 增加超时时间
currentTime = resources.contents[0]?.text || new Date().toLocaleString(); // 注意：resources 直接包含 contents
} catch (err) {
console.error("Resource read error:", err);
currentTime = new Date().toLocaleString();
}
if (question.toLowerCase().includes("公理")) {
try {
// const result = await client.getPrompt({
// name: "search_local_database",
// arguments: { query: question },
// });
const toolResult = await client.callTool({
name: "search_local_database",
arguments: { query: question },
});
console.log("Tool result:", toolResult);
additionalContext = toolResult?.content?.[0]?.text || "No results found.";
} catch (err) {
console.error("Tool call error:", err);
additionalContext = "Error searching database.";
}
}
return { currentTime, additionalContext };
}
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout,
});
const client = await createClient();
while (true) {
const question = await new Promise((resolve) =>
rl.question("You: ", resolve)
);
if (question.toLowerCase() === "exit") {
console.log("Exiting...");
rl.close();
process.exit(0);
}
// 使用上下文
const context = await getContext(client, question);
// 不使用上下文
// const context = {};
const prompt = `Time: ${context.currentTime}\nContext: ${context.additionalContext}\nQ: ${question}\nA:`;
console.log("Prompt:", prompt);
const answer = await askLLM(prompt);
console.log('Assistant:', answer);
}
接着在终端运行:
# 启动服务器
node src/server.js
# 启动客户端
node src/index.js
运行结果：
一些注意点
这个项目虽然小，但也踩了些坑，顺便分享几点：
- MCP SDK 的 server 和 client 都是异步启动的，别忘了加上
await connect()。
- 工具的入参和 schema 必须严格匹配，否则会抛错。
下面是我的目录结构，做个参考吧！
mcp-mini/
├── package.json
├── src/
│ ├── client.js
│ ├── server.js
│ └── index.js
最后
总的来说，MCP TypeScript SDK 用起来还是挺顺的，适合做一些轻量、模块化、支持上下文的 AI 应用。这种服务 + 客户端 + LLM 的组合模式挺适合本地测试，也方便后续扩展别的服务。
今天的分享就到这了，如果文章中有啥错误，欢迎指正！
往期精彩推荐
登录
