跳到主要内容

MCP快速上手使用指南

一、MCP基础技术回顾​

1. MCP入门介绍​

MCP，全称是Model Context Protocol，模型上下文协议，由Claude母公司Anthropic于去年11月正式提出。

image-20250318201338022

MCP刚发布的时候不温不火，直到今年Agent大爆发才被广泛关注。而在今年2月，Cursor正式宣布加入MCP功能支持，一举将MCP推到了全体开发人员面前。从本质上来说，MCP是一种技术协议，一种智能体Agent开发过程中共同约定的一种规范。这就好比秦始皇的“书同文、车同轨”，在统一的规范下，大家的协作效率就能大幅提高，最终提升智能体Agent的开发效率。截止目前，已上千种MCP工具诞生，在强悍的MCP生态加持下， 人人手搓Manus的时代即将到来。

7分钟讲清楚MCP是什么？https://www.bilibili.com/video/BV1uXQzYaEpJ/

image-20250318201253260

总的来说**，MCP解决的最大痛点，就是Agent开发中调用外部工具的技术门槛过高的问题。**

我们都知道，能调用外部工具，是大模型进化为智能体Agent的关键，如果不能使用外部工具，大模型就只能是个简单的聊天机器人，甚至连查询天气都做不到。由于底层技术限制啊，大模型本身是无法和外部工具直接通信的，因此Function calling的思路，就是创建一个外部函数（function）作为中介，一边传递大模型的请求，另一边调用外部工具，最终让大模型能够间接的调用外部工具。

image-20250318202017508

例如，当我们要查询当前天气时，让大模型调用外部工具的function calling的过程就如图所示：

image-20250318202029130

Function calling是个非常不错的技术设计，自诞生以来，一直被业内奉为圭臬。但唯一的问题就是，编写这个外部函数的工作量太大了，一个简单的外部函数往往就得上百行代码，而且，为了让大模型“认识”这些外部函数，我们还要额外为每个外部函数编写一个JSON Schema格式的功能说明，此外，我们还需要精心设计一个提示词模版，才能提高Function calling响应的准确率。

而MCP的目标，就是能在Agent开发过程中，让大模型更加便捷的调用外部工具。为此，MCP提出了两个方案，其一，“车同轨、书同文”，统一Function calling的运行规范。

首先是先统一名称，MCP把大模型运行环境称作 MCP Client，也就是MCP客户端，同时，把外部函数运行环境称作MCP Server，也就是MCP服务器，

image-20250318202116026

然后，统一MCP客户端和服务器的运行规范，并且要求MCP客户端和服务器之间，也统一按照某个既定的提示词模板进行通信。

现在，只要你本地运行的大模型支持MCP协议，也就是只要安装了相关的库，仅需几行代码即可接入这些海量的外部工具，是不是感觉Agent开发门槛瞬间降低了呢。

这种“车同轨、书同文”的规范，在技术领域就被称作协议，例如http就是网络信息交换的技术协议。各类技术协议的目标，都是希望通过提高协作效率来提升开发效率，而MCP，Model Context Protocol，就是一种旨在提高大模型Agent开发效率的技术协议。

那既然是协议，必然是使用的人越多才越有用。因此，为了进一普及MCP协议，Anthropic还提供了一整套MCP客户端、服务器开发的SDK，也就是开发工具，并且支持Python、TS和Java等多种语言，借助SDK，仅需几行代码，就可以快速开发一个MCP服务器。

image-20250318202304248

然后，你就可以把它接入任意一个MCP客户端来构建智能体，如果愿意，还可以把MCP服务器分享到社区，给有需求的开发者使用，甚至你还可以把你的MCP服务器放到线上运行，让用户付费使用。

而MCP的客户端，不仅支持Claude模型，也支持任意本地模型或者在线大模型，或者是一些IDE。例如，现在Cursor正式接入MCP，代表着Cursor正式成为MCP客户端，在Cursor中，我们不仅能快速编写MCP服务器（外部函数），更能借助Cursor一键连接上成百上千的开源MCP服务器，让大模型快速接入海量工具，从而大幅加快Agent开发进度。

image-20250318153131024
image-20250318185821214 image-20250318185810201 115746_nnq5_2720166

7分钟讲清楚MCP是什么？https://www.bilibili.com/video/BV1uXQzYaEpJ/

image-20250318201253260

MCP技术开发入门实战！https://www.bilibili.com/video/BV1NLXCYTEbj/

image-20250410193755391

MCP企业级智能体开发实战！https://www.bilibili.com/video/BV1n1ZuYjEzf

1744285192384

2.MCP服务器Server合集​

3. MCP热门客户端Client​

​ 除了能在命令行中创建MCP客户端外，还支持各类客户端的调用：https://modelcontextprotocol.io/clients

image-20250318195407915
  • 课件领取：
112dc50ee7397e91ceb7a1350d805ea 7ccd9d3f75c4b2d042bbc4e38255241

二、Cursor接入MCP工具流程​

​ Cursor是一款集成了人工智能功能的现代化代码编辑器，旨在提升开发者的编码效率和体验。通过内置的AI助手，Cursor能够提供代码补全、错误检测、优化建议等智能辅助功能，帮助开发者更快速地编写高质量代码。

​ 当Cursor接入MCP（Model Context Protocol）后，其功能得到了进一步扩展。MCP是由Anthropic于2024年11月推出的开放标准协议，旨在为AI模型与外部工具或数据源之间建立标准化的接口。通过MCP，Cursor可以与各种外部工具和服务进行交互，例如数据库、文件系统、浏览器等，从而使AI助手具备更强的环境感知和操作能力。

​ 例如，开发者可以在Cursor中通过自然语言指令，直接让AI助手访问数据库查询数据、调用浏览器进行网页搜索，甚至控制Blender等专业软件进行3D建模操作。这种深度集成使得开发者无需离开Cursor编辑器，就能完成以往需要在多个工具之间切换才能完成的任务，大大提升了开发效率和工作流的连贯性。

​ 总之，Cursor结合MCP协议，为开发者打造了一个功能强大且高度可扩展的智能编码环境，使AI助手不仅能理解和生成代码，还能与广泛的外部工具和服务协同工作，真正实现了智能化的开发体验。

1.Cursor安装与Agent模式开启​

1.1 Cursor安装流程​

image-20250410155419992 112dc50ee7397e91ceb7a1350d805ea image-20250410155322808 image-20250410155401761 image-20250410155507702

1.2 Cursor Agent调用模式​

​ Cursor的Agent功能是其编辑器中的一项核心特性，旨在通过深度集成人工智能技术，主动与开发者的代码库交互，提供上下文相关的建议、代码生成和操作支持。Agent模式的设计目标是成为开发者的“智能编程伙伴”，帮助完成复杂任务并提升开发效率。

Agent模式的主要功能包括：

  • 自动上下文提取：Agent会自动从代码库中提取相关上下文信息，帮助开发者快速定位问题或生成代码。 citeturn0search0
  • 运行终端命令：无需离开编辑器，即可直接运行命令行操作。
  • 文件操作：支持文件创建、修改、删除等操作，简化开发流程。
  • 语义搜索：通过代码语义搜索功能，快速找到关键代码片段。

启用Agent模式非常简单，只需使用快捷键 ⌘.（Mac）或 Ctrl + .（Windows/Linux），即可激活Agent功能。在Agent模式下，你可以通过命令行或快捷键执行上下文管理、终端操作和文件交互等操作。

例如，在代码重构场景中，Agent会根据代码库上下文提供优化建议，并自动生成替代代码。当代码出现错误时，Agent不仅会标注问题，还会提供详细的修复建议，并自动修复。通过Agent模式，Cursor旨在为开发者提供一个智能、高效的编程环境，减少手动操作，提高开发效率。

​ 具体开启流程如下所示：

image-20250410155755013 image-20250410195034991

然后在当前页面完成订阅：

image-20250410195108295

然后即可采用Agent模式进行对话：

4efa58a44b7f8fc86ac1da46c4d7c62

Cursor 编辑器提供三种对话模式：Ask、Agent 和 Manual，每种模式适用于不同的开发需求。

1. Ask 模式： 此模式主要用于探索和了解代码库，而不会对代码进行任何修改。开发者可以在该模式下向 AI 提问，获取关于代码的解释、功能说明或建议。该模式是“只读”的，不会主动更改代码。

2. Agent 模式： 这是 Cursor 中最为自主的模式，设计用于处理复杂的编码任务，具有全面的工具访问权限。在该模式下，Agent 可以自主探索代码库、读取文档、浏览网页、编辑文件，并运行终端命令，以高效完成任务。例如，开发者可以指示 Agent 添加新功能或重构代码，Agent 将自动执行相关操作。

3. Manual 模式： 此模式允许开发者手动控制 AI 对代码的修改。开发者可以选择特定的代码片段，描述希望进行的更改，AI 将根据描述提供修改建议，开发者可以选择是否应用这些更改。该模式适用于需要精确控制代码修改的场景。

2.将新版Cursor接入MCP​

​ Cursor接入MCP的方法有很多种，我们首先尝试将更加规范、维护更好的Smithery平台上的MCP工具接入Cursor，然后再接入GitHub MCP工具。

image-20250410160810464

Smithery 是一个专门用于管理和分发 MCP（Model Context Protocol）服务器的平台，旨在帮助开发者和 AI 模型轻松发现、安装和管理各种 MCP 服务器。Smithery 平台上的 MCP 工具与 GitHub 上的 MCP 工具的对比：

  1. 托管方式：
    • **Smithery 平台：**提供两种模式的 MCP 服务器：
      • **远程（Remote）/ 托管（Hosted）：**这些服务器由 Smithery 在其基础设施上运行，用户通过网络访问。
      • **本地（Local）：**用户可以通过 Smithery 的 CLI 工具将 MCP 服务器安装并运行在本地环境中。
    • **GitHub：**主要提供 MCP 服务器的源代码，开发者需要自行下载、配置并在本地或自有服务器上运行。
  2. 安装与管理：
    • **Smithery 平台：**提供统一的界面和 CLI 工具，简化了 MCP 服务器的发现、安装和管理过程。用户可以通过简单的命令或界面操作完成服务器的部署和配置。
    • **GitHub：**开发者需要手动克隆仓库、安装依赖项，并根据提供的文档进行配置和运行，过程相对繁琐，需要更多的技术背景知识。
  3. 安全性与控制：
    • **Smithery 平台：**对于托管的 MCP 服务器，Smithery 声明其配置参数（如访问令牌）是临时的，不会长期存储在其服务器上。 然而，用户需信任 Smithery 的数据处理政策。
    • **GitHub：**开发者完全控制 MCP 服务器的代码和运行环境，可以自行审查代码，确保安全性和隐私性。
  4. 社区与支持：
    • **Smithery 平台：**作为 MCP 服务器的集中管理平台，Smithery 聚集了大量的 MCP 服务器，方便开发者查找和使用。
    • **GitHub：**作为全球最大的开源平台，拥有广泛的社区支持，开发者可以在相关仓库的 issue 区域提出问题或贡献代码。

2.1 安装基础依赖​

​ MCP 工具依赖于 Node.js 和 npm，我们需要先对其进行安装。Windows下可以在官网上进行下载安装：https://nodejs.org/zh-cn

​ 在使用 Model Context Protocol（MCP）时，是否需要安装 Node.js 取决于您所选择的 MCP 服务器的实现方式。MCP 是一个开放协议，允许大型语言模型（LLM）与外部工具和数据源进行标准化交互。不同的 MCP 服务器可以使用多种编程语言实现，包括但不限于 Node.js、Python 和 Java。而目前Node.js 实现的 MCP 服务器：许多开发者选择使用 Node.js 来实现 MCP 服务器，主要因为其拥有丰富的包管理生态系统（如 npm），以及在处理异步操作和 I/O 密集型任务方面的高效性。例如，开发者可以使用 Node.js 快速搭建一个 MCP 服务器，以提供特定的功能或工具。

image-20250410161238050 image-20250410161255454 112dc50ee7397e91ceb7a1350d805ea

具体安装过程一路点击下一步即可：

image-20250410161215501

然后使用pip安装uv：

FENCE0

安装完成后即可在cursor中查看安装结果：

FENCE1

image-20250410161638298

2.2 尝试为Cursor添加MCP工具​

​ Sequential Thinking 是一个基于 Model Context Protocol（MCP）的服务器工具，旨在通过结构化的思维流程，帮助用户动态、反思性地解决复杂问题。 该工具将问题拆解为可管理的步骤，每个步骤都可以建立在先前的见解之上，或对其进行质疑和修正，从而逐步深化对问题的理解，最终形成全面的解决方案。

image-20250410200113606

image-20250410200143385 image-20250410200219756

然后打开cursor：

image-20250410161913241

并写入如下内容：

FENCE2

image-20250410165602159

然后回到MCP Servers页面，等待验证：

image-20250410163036544

验证通过后，即可开启自动调用工具选项：

image-20250410163147222

点击确认：

image-20250410163159268

然后进行简单问答测试，查看能否顺利调用工具：

FENCE3

image-20250410165347893

2.4 添加Playwright MCP​

​ Playwright Automation 是一个基于 Model Context Protocol（MCP）的服务器工具，利用 Microsoft 开发的开源浏览器自动化库 Playwright ，为大型语言模型（LLMs）和 AI 助手提供与网页交互的能力。

主要功能：

  • 网页导航与交互：自动执行网页导航、点击、表单填写等操作，支持复杂的用户行为模拟。
  • 内容提取与网页抓取：从网页中提取结构化数据，适用于信息检索和内容分析。
  • 截图与可视化：捕获网页或特定元素的截图，便于调试和结果展示。
  • JavaScript 执行：在浏览器环境中执行自定义 JavaScript 代码，满足特定的交互需求。

Playwright Automation主页：https://smithery.ai/server/@microsoft/playwright-mcp

image-20250410201301034 image-20250410201317069

然后需要在配置页面写入如下内容：

FENCE4

image-20250410165907725 image-20250410165919922

然后输入如下问题：

FENCE5

此时MCP工具会自动打开网页进行刘兰兰，然后梳理总结报告内容：

image-20250410200539435

2.4 添加FileSystem工具​

image-20250410200807795

Filesystem MCP 是一个基于 Model Context Protocol（MCP）的服务器工具，旨在为大型语言模型（LLMs）和 AI 助手提供对本地文件系统的安全、受控访问。

主要功能：

  • 文件读写：允许读取和写入文件内容，支持创建新文件或覆盖现有文件。
  • 目录管理：支持创建、列出和删除目录，以及移动文件或目录。
  • 文件搜索：能够在指定路径中搜索匹配特定模式的文件或目录。
  • 元数据获取：提供获取文件或目录的详细元数据，包括大小、创建时间、修改时间、访问时间、类型和权限等信息。

调用过程如下，需要写入如下配置：

FENCE6

068d25bf9b566ea9bd52f8c10d7c51c image-20250410172135358

然后进行测试：

FENCE7

image-20250410172500770 image-20250410172529832

三、个人助理Cherry Studio接入MCP实现流程​

​ Cherry Studio 是一款功能强大的桌面客户端，支持与多种大型语言模型（LLM）服务商的无缝集成，包括 OpenAI、Gemini、Anthropic 等，同时兼容本地模型，如通过 Ollama 和 LM Studio 部署的模型。该应用适用于 Windows、Mac 和 Linux 操作系统，提供了丰富的个性化选项和先进的功能，旨在帮助用户在各种场景下提升工作效率。

主要功能：

  • 多模型支持：用户可以快速在不同的 LLM 之间切换，以满足不同的需求。
  • AI 助手与对话：内置超过 300 个预配置的 AI 助手，并支持自定义助手创建，方便用户根据具体任务定制个性化助手。
  • 文档与数据处理：支持处理多种文件格式，包括文本、图像、Office 文档和 PDF 等，内置 WebDAV 文件管理和备份功能，方便用户管理和备份文件。
  • 实用工具集成：提供全局搜索、主题管理、AI 驱动的翻译等实用工具，增强用户体验。

接入 MCP 的优势：

​ 通过集成 Model Context Protocol（MCP），Cherry Studio 的功能得到了进一步扩展。MCP 是一个开放标准协议，旨在为 AI 系统与外部数据源之间建立标准化的接口。通过 MCP，Cherry Studio 能够与各种外部工具和服务进行交互，例如文件系统、浏览器自动化工具等，从而使 AI 助手具备更强的环境感知和操作能力。

​ 例如，用户可以在 Cherry Studio 中通过自然语言指令，直接让 AI 助手访问本地文件系统、调用浏览器进行网页搜索，甚至控制其他专业软件进行特定操作。这种深度集成使得用户无需离开 Cherry Studio，就能完成以往需要在多个工具之间切换才能完成的任务，大大提升了工作效率和工作流的连贯性。

image-20250410173030758

1.Cherry Studio安装流程​

image-20250410173212658 image-20250410173310435 112dc50ee7397e91ceb7a1350d805ea image-20250410173328364

下载完即可进入对话页面：

image-20250410173425498

然后我们可以将模型切换为DeepSeek官方的模型API：

image-20250410173711788

然后开启：

image-20250410173810084

并尝试进行使用：

image-20250410173835004

image-20250410173851350

同时，为了能顺利调用MCP工具，我们还需要安装uv和bun文件：

image-20250410174056652

这里推荐最快速的方法是直接从网盘中进行下载：

image-20250410201652820 112dc50ee7397e91ceb7a1350d805ea

然后在C:\Users{用户名}下创建.cherrystudio\bin目录，并将上面三个.exe文件移入即可。

image-20250410175446175

其他操作系统配置详见：https://docs.cherry-ai.com/advanced-basic/mcp/install

2. Cherry Studio接入MCP流程​

​ 接下来尝试接入filesystem MCP工具：https://github.com/modelcontextprotocol/servers/tree/main/src/filesystem 。

需要在编辑MCP配置页面输入如下内容：

FENCE8

image-20250410180511066

然后点击开启：

image-20250410180528836

然后在对话中开启MCP工具，这里可选一个或者多个工具：

image-20250410180551092 image-20250410180609064 image-20250410180756057

同时再尝试接入fetch MCP工具，https://github.com/modelcontextprotocol/servers/tree/main/src/fetch ：

image-20250410202128923

Fetch MCP 服务器是一个遵循模型上下文协议（Model Context Protocol，MCP）的服务器工具，旨在为大型语言模型（LLMs）提供从互联网检索和处理网页内容的能力。通过将网页的 HTML 内容转换为 Markdown 格式，Fetch MCP 使得 LLMs 能够更高效地理解和利用网页信息。

主要功能：

  • 网页内容获取与转换：Fetch MCP 提供了 fetch 工具，可从指定的 URL 获取网页内容，并将其提取为 Markdown 格式，方便 LLMs 消化和处理。
  • 支持多种内容格式：除了 Markdown，Fetch MCP 还支持获取网页的 HTML、JSON 和纯文本格式，满足不同应用场景的需求。
  • 内容截取与分页：通过 start_index 参数，用户可以指定从网页内容的特定位置开始提取，允许模型分段读取网页，直到找到所需信息。

同样我们需要在MCP配置页面写入如下内容

FENCE9

image-20250410181114879

然后开启工具：

image-20250410181143902

并尝试进行调用：

image-20250410181401590

四、阿里云百炼平台接入MCP​

image-20250410183112382

1. 阿里云百炼平台介绍​

​ 阿里云百炼平台是一款一站式的大模型开发及应用构建平台，旨在帮助开发者和业务人员快速设计和构建大模型应用。用户可以通过简洁的界面操作，在短时间内开发出大模型应用或训练专属模型，从而将更多精力专注于应用创新。

​ 近期，阿里云百炼平台正式推出了全生命周期的MCP（Model-Connect-Protocol）服务，实现了从资源管理到部署运维的全流程自动化。用户仅需5分钟即可快速创建连接MCP服务的智能体（Agent），将大模型技术转化为生产力工具。首批集成了包括高德地图、无影、Fetch、Notion等50余款阿里巴巴集团及第三方MCP服务，覆盖生活服务、办公协同、内容创作等多个领域。

接入MCP的优势：

  1. 快速开发与部署：通过MCP服务，用户无需管理资源、开发部署和工程运维等复杂工作，可在短时间内搭建并上线智能体应用。
  2. 丰富的生态系统：百炼平台整合了200多款业界领先的大模型和阿里云函数计算资源，以及众多MCP服务，提供一站式智能体开发解决方案，满足不同场景的应用需求。
  3. 深度场景化定制：与市场上通用的Agent应用不同，百炼MCP服务支持深度场景化定制。用户无需编写代码，通过简单的可视化配置即可打造具备自主思考、任务拆解和决策执行等能力的专属智能体。
  4. 持续扩展的应用边界：随着MCP协议生态的不断扩展，百炼平台将持续引入更多阿里巴巴集团及第三方应用服务，进一步拓宽智能体的应用边界，推动大模型技术在各行业的落地应用。

通过接入MCP服务，阿里云百炼平台为用户提供了高效、便捷的大模型应用开发环境，降低了开发门槛，加速了大模型技术的产业化应用进程。

2. 阿里云百炼接入MCP流程​

然后我们进入MCP服务中心，先选择高德MCP工具进行测试：

image-20250410183230280

点击开启服务：

image-20250410183244647 image-20250410183301666

高德地图 MCP 工具是高德地图基于 MCP 协议构建的服务器，整合了高德开放平台的地图服务与智能算法，为企业及开发者提供全场景的地图服务解决方案。 其 12 项核心功能涵盖了地图服务的方方面面，满足企业开发的多样化需求。

主要功能：

  • POI 智能提取：能够从文字中精准提取 POI（兴趣点）信息，涵盖位置、详情、打卡点、价格等多维度内容。
  • 路径规划：提供驾车、步行、骑行等多种出行方式的路径规划服务，帮助用户选择最优路线。
  • 实时路况查询：实时查询特定道路或区域的拥堵状况及趋势，为出行提供及时参考。
  • 天气查询：通过经纬度信息，获取实时天气情况及未来天气预报，为用户出行计划提供支持。

通过高德地图 MCP 工具，AI 智能体可以直接调用高德地图的各项服务，实现如位置查询、路线规划、实时路况查询等功能，提升用户体验和服务效率。

然后进入应用管理，即可看到当前开启的MCP服务：

image-20250410183342783

然后点击创建新的应用，其实也就是新的Agent：

image-20250410183640222

点击创建

image-20250410183654844

然后即可进行模型和MCP工具配置了：

image-20250410183724497 image-20250410183748066 image-20250410183809050 image-20250410183823668

然后输入系统提示词：你是一名经验丰富的导游，请耐心认真的为用户规划出游行程。

image-20250410184005617

然后测试进行出游路线规划：

image-20250410184123020

能够看到规划结果和MCP工具调用流程：

image-20250410184626378

2. Firecrawl MCP工具​

​ Firecrawl MCP 工具是一款基于模型上下文协议（MCP）的企业级网页数据采集服务器，由 Mendable.ai 开发，专门针对复杂网页场景设计。它支持 JavaScript 动态渲染、批量数据处理、智能内容搜索和深度网页爬取等高级功能，能够为大型语言模型（LLM）提供强大的网页抓取能力。

主要功能：

  • JavaScript 渲染：能够处理动态网页内容，突破传统抓取工具的局限，获取更全面的数据。
  • 批量处理：支持并行处理和队列管理，提高数据抓取效率。
  • 智能限速：根据网络状况和任务需求智能调整抓取速度，避免对目标网站造成过大压力。
  • 多种输出格式*：支持将抓取的内容转换为 Markdown、HTML 等格式，满足不同场景的需求。

通过 Firecrawl MCP 工具，开发者可以高效地从网页提取结构化数据，增强 LLM 在信息检索和内容生成方面的能力。

Firecrawl和Fetch都是基于模型上下文协议（MCP）的服务器工具，旨在增强大型语言模型（LLMs）对网页内容的获取和处理能力，但它们在功能和适用场景上存在显著差异。

Firecrawl MCP 工具：

  • 高级网页抓取：Firecrawl 专为复杂的网页抓取任务设计，支持 JavaScript 渲染，能够处理动态内容丰富的网站。
  • 批量处理与深度爬取：具备批量数据处理、URL 发现和深度爬取能力，适用于大规模数据采集任务。
  • 智能内容搜索：内置智能内容搜索和提取功能，能够高效地从网页中提取结构化数据。

Fetch MCP 工具：

  • 网页内容获取与转换：Fetch 主要用于从指定的 URL 获取网页内容，并将 HTML 转换为 Markdown 格式，便于 LLMs 理解和处理。
  • 轻量级设计：Fetch 注重简洁和易用，适合需要快速获取和转换网页内容的场景。

image-20250410184728546

然后需要创建Firecrawl API：

image-20250410184741566 image-20250410184755609

点击复制即可：

image-20250410184850789

然后开启Firecrawl MCP工具：

image-20250410184930387

然后输入系统提示词

FENCE10

并尝试爬取网页内容：

image-20250410185859891

3. 百炼应用API获取与调用​

image-20250410202824450

image-20250410202834203

image-20250410202849677

然后我们即可使用API来调用已经创建好的应用：

image-20250410190418532

FENCE11

具体执行效果如图所示：

image-20250410190755768 image-20250410191247311

五、Open-WebUI接入MCP流程​

image-20250410203538794

​ Open WebUI 是一款可扩展、功能丰富且用户友好的自托管 AI 平台，旨在完全离线运行。它支持多种大型语言模型（LLM）运行环境，包括 Ollama 和兼容 OpenAI 的 API。

主要功能：

  • 多模型支持：兼容多种 LLM 运行环境，用户可以根据需求选择适合的模型进行部署和交互。
  • 离线运行：设计上支持完全离线操作，确保数据隐私和安全，适合对数据敏感的应用场景。
  • 用户友好界面：提供类似 ChatGPT 的交互界面，方便用户与本地或远程部署的语言模型进行对话。
  • 自托管部署：支持通过 Docker 等方式进行自托管部署，方便用户在本地环境中运行和管理。

1. 【可选】借助ollama拉取模型​

1.1 ollama安装与部署​

​ Open-WebUI原生支持使用Ollama调用本地模型进行推理，Ollama是一款大模型下载、管理、推理、优化集一体的强大工具，可以快速调用各类离线部署的大模型。Ollama官网：https://ollama.com/

image-20250214143023223

  • 【安装方案一】Ollama在线安装

    在Linux系统中，可以使用如下命令快速安装Ollama

    curl -fsSL https://ollama.com/install.sh | sh
    image-20250214143116075 image-20250122202031784

    但该下载流程会受限于国内网络环境，下载过程并不稳定。

  • 【安装方案二】Ollama离线安装

    因此，在更为一般的情况下，推荐使用Ollama离线部署。我们可以在Ollama Github主页查看目前Ollama支持的各操作系统安装包：https://github.com/ollama/ollama/releases

    image-20250410203616284

    若是Ubuntu操作系统，选择其中ollama-linux-amd64.tgz下载和安装即可。

    此外，安装包也可从网盘中下载：

    image-20250410203634009

    下载完成后，需要先上传至服务器：

    image-20250214120537243

    然后使用如下命令进行解压缩

    mkdir ./ollama
    tar -zxvf ollama-linux-amd64.tgz -C ./ollama

    解压缩后项目文件如图所示：

    image-20250214143624849

    而在bin中，可以找到ollama命令的可执行文件。

    image-20250214143654513

    此时，我们可以使用如下方式使用ollama：

    cd ./bin
    ./ollama help
    image-20250214143756130

    此处若显示没有可执行权限，可以使用如下命令为当前脚本添加可执行权限：

    chmod +x ollama

    而为了使用命令方便，我们也可以将脚本文件写入环境变量中。我们可以在主目录（root）下找到.bashrc文件：

    image-20250214144012447

    然后在.bashrc文件结尾写入ollama/bin文件路径：

    image-20250214144306637 
    export PATH=$PATH:/root/autodl-tmp/ollama/bin

    保存并退出后，输入如下命令来使环境变量生效：

    source ~/.bashrc

    然后在任意路径下输入如下命令，测试ollama环境变量是否生效

    ollama help
    image-20250214144523792

  • 【可选】更换Ollama默认模型权重下载地址

    接下来我们需要使用ollama来下载模型，但默认情况下，ollama会将模型下载到/root/.ollama文件夹中，会占用系统盘空间，因此，若有需要，可以按照如下方法更换模型权重下载地址。

    此外无论是在线还是离线安装的ollama，都可以按照如下方法更换模型权重下载地址。还是需要打开/root/.bashrc文件，写入如下代码：

    export OLLAMA_MODELS=/root/autodl-tmp/models
    image-20250214152148066

    这里的路径需要改写为自己的文件地址

    保存并退出后，输入如下命令来使环境变量生效：

    source ~/.bashrc

    测试环境变量是否生效

    echo $OLLAMA_MODELS
    image-20250214152220067

  • 启动ollama

    接下来即可启动ollama，为后续下载模型做准备：

    ollama start
    image-20250214150512236

    注意，在整个应用使用期间，需要持续开启Ollama。

1.2 下载Gemma-27B模型​

FENCE12

image-20250410185918681

FENCE13

image-20250410185950336

实际显存占用：

image-20250410190112875

2. Open-WebUI安装与调用​

FENCE14

​ 在准备好了Open-WebUI和一系列模型权重后，接下来我们尝试启动Open-WebUI，并借助本地模型进行问答。

首先需要设置离线环境，避免Open-WebUI启动时自动进行模型下载：

FENCE15

然后启动Open-WebUI

FENCE16

需要注意的是，如果启动的时候仍然报错显示无法下载模型，是Open-WebUI试图从huggingface上下载embedding模型，之后我们会手动将其切换为本地运行的Embedding模型。

image-20250214154657014

然后在本地浏览器输入地址:8080端口即可访问：

image-20250214154949305

若使用AutoDL，则需要使用SSH隧道工具进行地址代理

image-20250214155045849

更多AutoDL相关操作详见公开课：《AutoDL快速入门与GPU租赁使用指南》|https://www.bilibili.com/video/BV1bxB7YYEST/

image-20250205182609797

然后首次使用前，需要创建管理员账号：

image-20250214155158043

然后点击登录即可。需要注意的是，此时Open-WebUI会自动检测后台是否启动了ollama服务，并列举当前可用的模型。稍等片刻，即可进入到如下页面：

image-20250214155430327

接下来即可进入到对话页面：

image-20250410190311252

3. Open-WebUI接入MCP流程​

image-20250410191007622

最新Open WebUI 提供的 MCP（Model Context Protocol）到 OpenAPI 的代理服务器（mcpo）MCP 到 OpenAPI 的代理服务器让你可以通过标准的 REST/OpenAPI API 来直接使用基于 MCP（模型上下文协议）实现的工具服务器——无需学习或处理任何复杂的自定义协议。

💡 为什么使用 mcpo？

尽管 MCP 工具服务器功能强大、灵活，但它们通常通过标准输入/输出（stdio）进行通信——这意味着它们通常运行在本地，可以方便地访问文件系统、环境变量及其他系统资源。这既是优势，也是一种限制。

因为 MCP 服务器通常依赖于原始的 stdio 通信方式，它：

  • 🔓 在跨环境使用时不安全
  • ❌ 与大多数现代工具、UI 或平台不兼容
  • 🧩 缺乏认证、文档和错误处理等关键特性

而 mcpo 代理 自动解决了这些问题：

  • ✅ 与现有的 OpenAPI 工具、SDK 和客户端即时兼容
  • 🛡 将你的工具包裹为安全、可扩展、基于标准的 HTTP 接口
  • 🧠 自动为每个工具生成交互式 OpenAPI 文档，无需任何配置
  • 🔌 使用纯 HTTP——无需配置 socket、不用管理后台服务或编写平台相关代码

因此，虽然引入 mcpo 表面上看像是“又多了一层”，但实际上它：

✅ 简化了集成流程 ✅ 提升了安全性 ✅ 强化了可扩展性 ✅ 让开发者和用户更满意

✨ 有了 mcpo，你本地运行的 AI 工具可以立刻支持云端部署、适配各种 UI，并实现无缝交互——无需修改工具服务器代码中的任何一行。

✅ 快速开始：本地运行代理服务器

FENCE17

接下来我们可以通过以下命令运行推荐的 MCP 服务器（如 mcp-server-time）并同时通过 mcpo 代理进行开放：

FENCE18

image-20250410192320280
image-20250410193307791
image-20250410193401809 image-20250410193420567 image-20250410193343011 image-20250410193450253 image-20250410193517255 image-20250410193606486 image-20250410193623745

⚡️ MCP 到 OpenAPI 代理的优势

为什么通过代理使用 MCP 工具服务器是更优选择？Open WebUI 强烈推荐这一方式：

  • 用户友好且熟悉的接口：不需要学习新的客户端，只需使用你熟悉的 HTTP 接口
  • 即时集成：与数千个现有的 REST/OpenAPI 工具、SDK 和服务无缝兼容
  • 强大自动文档支持：Swagger UI 自动生成、准确维护
  • 无需新协议开销：免去直接处理 MCP 协议复杂性和 socket 通信问题
  • 稳定安全：沿用成熟的 HTTPS、认证机制（如 JWT、API key）、FastAPI 的可靠架构
  • 面向未来：使用标准 REST/OpenAPI，长期获得社区支持与发展

  体验课时间有限，若想深度学习大模型技术，欢迎大家报名由我主讲的《2025大模型Agent智能体开发实战》(春季班)

d0c81dfe43a1becced8c07db33c3a787_

《2025大模型Agent智能体开发实战》(春季班) 为【100+小时】体系大课，总共20大模块精讲精析，零基础直达大模型企业级应用！

img image-20250318200619255

此外，若是对大模型底层原理感兴趣，也欢迎报名由我和菜菜老师共同主讲的《2025大模型原理与实战课程》(3月班)

8ac8006d9de5c40971271ac7e0273bf

两门大模型课程春季班体验课特惠持续进行中，立减2000起，合购还有更多优惠哦~详细信息扫码添加助教，回复“大模型”，即可领取课程大纲&查看课程详情👇

112dc50ee7397e91ceb7a1350d805ea