載入中
載入中

我們將建立一個基於 CLI 的聊天機器人,以更深入了解 MCP 客戶端與伺服器如何協同運作。這個實作專案將讓您同時獲得 MCP 架構兩端的實務經驗。

設定完成後,您應該能做到兩件事:說明客戶端在做什麼、伺服器在做什麼,以及判斷某個回覆是透過工具產生的,還是直接來自模型本身。

我們要建置什麼

我們的聊天機器人將讓使用者透過命令列介面與一系列文件互動。此系統由兩個主要元件組成:

  • 一個負責處理使用者互動的 MCP 客戶端
  • 一個負責管理文件操作的自訂 MCP 伺服器

我們的 MCP 客戶端與 MCP 伺服器雙向通訊,而伺服器的工具則可存取 document.pdf、spreadsheet.xlsx、report.txt 與 spec.md。

伺服器將提供兩個核心工具:一個用於讀取文件內容,另一個用於更新文件內容。為求簡化,所有文件都將儲存在記憶體中——不需要資料庫。

重要架構說明

在實際專案中,您通常只會實作 MCP 客戶端或 MCP 伺服器其中之一,而不是兩者都實作。您可能會建立:

  • 一個 MCP 伺服器,用來將您的服務公開給其他開發者
  • 一個 MCP 客戶端,用來連接至既有的 MCP 伺服器

我們的伺服器內含 MCP 客戶端,該客戶端與另一個獨立的 MCP 伺服器進行雙向通訊。

在本專案中,我們之所以同時建置這兩個元件,純粹是出於教學目的——為了理解它們如何溝通並協同運作。

專案設定

從本課程結尾的「下載」區段下載 cli_project.zip,並將其解壓縮到您偏好的開發目錄中。在該專案資料夾中開啟您的程式碼編輯器。

此專案包含一份詳盡的 README 檔案,內含設定說明。請依照以下步驟進行:

  1. 將您的 Anthropic API 金鑰加入 .env 檔案
  2. 使用 UV(建議)或 pip 安裝相依套件
  3. 執行入門應用程式,確認一切運作正常

執行應用程式

在終端機中切換到您的專案目錄。您會看到主要的專案檔案,包括 main.py、mcp_client.py 與 mcp_server.py。

若要啟動應用程式,請使用以下其中一個指令:

bash
# 如果使用 UV(建議)
uv run main.py

# 如果使用標準 Python
python main.py

當應用程式成功啟動後,您會看到一個聊天提示。

親自檢查基準行為。 輸入一個您能一眼驗證答案的問題,例如「1+1 是多少?」。不要只滿足於有回覆出現:請確認答案確實是 2。正確的回覆證明了您的 API 金鑰、相依套件與聊天迴圈全都運作正常。

接著輸入第二個問題,例如「文件裡寫了什麼?」。無論回覆的內容是什麼,它都不可能來自文件工具,因為您還沒有建置這些工具。這個回覆是模型自行作答的結果。請留意一旦這些功能真正建立起來後,哪個元件將負責這項工作:伺服器負責管理文件操作,而客戶端負責處理您這一端的對話。

這項檢查背後的習慣是:您驗證的謹慎程度,應該與出錯的代價相匹配。在這裡若設定出錯,代價是後續建立在此基礎上的每一堂課都會受影響;而檢查只需要兩個問題的成本。

一個值得保留的檢查習慣

值得您在這個專案之外持續沿用的行為是:每當您在 API 專案中加入新的一層——無論是工具、資料來源,還是 MCP 伺服器——在建置下一層之前,先向正在執行的系統提出一個您已經知道答案的問題。唯有您已經驗證過的基準,才是您日後能夠對照除錯的基準。

完成基本設定後,我們就可以開始實作 MCP 功能,並探索客戶端與伺服器如何透過 Model Context Protocol 進行溝通。

下載項目

  • Starter project (cli_project.zip)

    The chatbot project you build on for the rest of this section.

    下載
  • Completed project (cli_project_COMPLETE.zip)

    The finished version, for checking your work.

    下載