MCP Demo 2

MCPAI代理

提供方 Amplify360

AI代理 stdio · 本地进程 API Key 社区 / 第三方
查看接入方式

一个使用服务器发送事件(SSE)传输的最小化MCP(模型上下文协议)服务器实现,可作为构建可部署MCP服务器的清晰参考。

一句话选型结论

按资料字段整理

MCP Demo 2 属于AI代理类 MCP 服务器,stdio · 本地进程,API Key,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类AI代理 传输方式stdio · 本地进程 鉴权API Key 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

AI代理
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

MCP协议Python本地部署SSE传输Docker部署参考实现模型上下文

安装与配置

stdio · 本地进程 API Key
客户端在本机拉起子进程,数据不出本机
uv run python mcp_server.py

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 使用前要准备好API Key对应的凭据,并按最小权限配置。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 不方便管理密钥或第三方授权的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
MCP Demo 2当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方Amplify360上游标注的维护方 Amplify360
分类AI代理本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式API Key远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

11.8 KB
来自项目仓库与上游目录的原文,未做删改

MCP SSE服务器-参考实现

使用服务器发送事件(SSE)传输的最小MCP(模型上下文协议)服务器实现。与许多使用stdio传输的MCP服务器示例不同,这是一个可以通过Docker部署到任何托管平台的远程SSE服务器。这为构建可部署的MCP服务器提供了一个干净、易于理解的参考。

> 注: 此实现将清晰度和易理解性置于生产就绪功能之上。它不包括企业部署所需的全面生产方面,如健壮的错误处理、监控、安全强化、速率限制或可扩展性考虑。

特性

  • SSE 运输:远程MCP服务器部署的服务器发送事件
  • Docker就绪:容器化,便于部署到任何云平台
  • MCP集成
  • 清洁建筑:相关性最小,关注点明确分离
  • 可配置日志记录:控制台日志记录,可选日志级别覆盖
  • 基于环境的配置:用途 .env 安装文件

快速开始

1.环境设置

复制 .env.example 向 .env 并更新您的配置:```bash
cp .env.example .env


然后编辑 `.env` 与你的价值观:```env
# Required
MCP_SERVER_AUTH_KEY=your-mcp-auth-key

# Optional
LOG_LEVEL=INFO
ENVIRONMENT=development

# Docker/Deployment Specific (optional)
FILE_LOGGING=true

2.安装

首先,安装uv(参见 Astral安装指南):```bash

Create virtual environment and install dependencies

uv venv

Activate the virtual environment

On macOS/Linux:

source .venv/bin/activate

On Windows:

.venv\Scripts\activate

uv sync # Install dependencies into virtual environment


### 3.运行服务器```bash
uv run python mcp_server.py

部署

Docker部署```bash

Build and run

docker build -f deployment/Dockerfile -t mcp-sse-server .
docker run -d --name mcp-sse-server -p 8080:8080 --env-file .env mcp-sse-server


### Azure容器应用部署

#### 快速部署```bash
cd deployment/bicep
chmod +x deploy.sh
./deploy.sh

自定义部署选项

部署脚本现在为 BASE_NAME 和 REGION_CODE 从你的 .env 默认情况下,文件。对于一次性部署,您可以覆盖以下内容:```bash

Use custom names from environment variables

export BASE_NAME=myclient-mcp REGION_CODE=eastus
./deploy.sh

Or override via command line (takes precedence over .env)

./deploy.sh --base-name myclient-mcp --environment prod --region-code eastus

Update code only (no infrastructure changes)

./deploy.sh --update


#### 已创建Azure资源

部署将创建以下Azure资源 标准命名约定:

|资源|名称模式|示例|
|----------|--------------|---------|
|资源组|rg-{service}-{env}-{地区}|rg-mcp-se-dev-weu|
|容器应用程序|ca-{service}-{env}-{地区}|加拿大中央银行|
|容器应用环境|cae-{service}-{env}-{地区}| cae mcp sse-dev-weu|
|日志分析工作区|日志-{service}-{env}-{region}|log-mcp-sse-dev-weu|
|容器注册表|cr{service}{env}{region}|crmcpssedevweu|

**配置:**

- CPU:0.5 vCPU,内存:1GB
- 固定缩放:1个副本(最小=1,最大=1)
- HTTPS入口已启用

#### 先决条件

- 已安装并配置Azure CLI
- Docker已安装并正在运行
- `.env` 包含必需变量的文件

### 实时部署

该服务当前部署在:

- **统一资源定位符**: https://ca-mcp-sse-development-weu.mangosea-a4cea9ef.westeurope.azurecontainerapps.io
- **环境**:发展(西欧)
- **资源组**:rg mcp sse dev weu

#### Azure管理

**门户访问:**

1. 引导到 Azure门户
1. 搜索资源组: `rg-mcp-sse-dev-weu`
1. 查找容器应用程序: `ca-mcp-sse-development-weu`

**CLI命令:**```bash
# Get container app details
az containerapp show --name ca-mcp-sse-development-weu --resource-group rg-mcp-sse-dev-weu

# View logs
az containerapp logs show --name ca-mcp-sse-development-weu --resource-group rg-mcp-sse-dev-weu

# Restart app
az containerapp restart --name ca-mcp-sse-development-weu --resource-group rg-mcp-sse-dev-weu

故障排除

常见问题:

  1. 缺少环境变量:确保 .env 文件已存在,其中包含所有必需的变量
  2. Azure CLI问题:验证登录 az account show
  3. 容器故障:检查Docker守护进程是否正在运行
  4. 运行时问题:在Azure日志分析中查看容器日志

健康检查:```bash
curl https://your-container-app-url.azurecontainerapps.io/health


## 与ngrok的地方发展

对于使用web客户端的本地开发,您可以使用ngrok公开您的本地服务器:

1. 安装ngrok:https://ngrok.com/download
1. 启动本地MCP服务器:```bash
uv run python mcp_server.py
  1. 在另一个终端中,暴露服务器:```bash
    ngrok http 8080
1. 使用提供的HTTPS URL(例如。, `https://abc123.ngrok.io`)在您的web客户端中
1. 记得包括你的 `X-API-Key` 发出请求时的标头

## 使用AI Buddy进行测试

您可以使用ngrok在AI Buddy中测试您的MCP SSE服务器,以创建安全隧道:

1. **启动本地服务器:**```bash
uv run python mcp_server.py
  1. 创建ngrok隧道:```bash
    ngrok http 8080

1. **配置AI Buddy MCP连接器:**

- 打开AI Buddy并创建新的MCP连接器
- 将服务器URL设置为您的ngrok公共URL `/sse` 端点
- 例子: `https://abc123.ngrok.io/sse`
- 设置 `X-API-Key` 标题值与您的 `MCP_SERVER_AUTH_KEY` 从 `.env`

1. **测试连接:**

- AI Buddy现在应该能够连接到您的本地MCP服务器
- 请专家透露它可以访问哪些工具调用
- 您应该看到通过ngrok和应用服务器(在控制台中)输出的请求
- 专家应在其工具清单中包括可用的行动

## 项目结构```
mcp-sse-server/
├── mcp_server.py           # Main entry point and core application logic
├── src/                    # Main source code
│   ├── __init__.py         # Package marker
│   ├── config.py           # Configuration management
│   ├── mcp_tools.py        # MCP server and tools registration
│   ├── utils/              # Utility modules
│   │   ├── __init__.py     # Package marker
│   │   └── __init__.py     # Package marker
│   └── actions/            # MCP action implementations
│       ├── __init__.py     # Package marker
│       └── status.py       # Example action with no dependencies
├── tests/                  # Test files
│   ├── test_config.py      # Configuration tests
│   ├── test_email_utils.py # Email utility tests
│   ├── test_mcp_tools.py   # MCP tools tests
│   └── test_*.py           # Other test files
├── deployment/             # Deployment files
│   ├── Dockerfile          # Container configuration
│   └── bicep/              # Azure Bicep templates and scripts
│       ├── deploy.sh       # Automated deployment script
│       └── main.bicep      # Azure resource definitions
├── logs/                   # Runtime logs (created automatically)
├── pyproject.toml          # Dependencies and project config
└── README.md              # This file

配置

环境变量

必修的:

  • MCP_SERVER_AUTH_KEY:MCP请求的身份验证密钥

可选:

  • LOG_LEVEL:日志记录级别(默认值:INFO)
  • ENVIRONMENT:环境名称(默认:开发)
  • FILE_LOGGING:启用文件日志记录(在Docker容器中使用)

发展

操作系统-添加新的MCP工具

服务器使用透明的基于动作的架构,其中每个MCP工具都作为单独的动作模块实现。依赖关系在函数签名中明确声明,使系统易于理解和扩展。

目录结构```

src/actions/
├── init.py # Package marker
└── status.py # Server status functionality (no dependencies)


#### 运作原理

该系统使用 **依赖关系注册表** 方法:

1. **中央登记处**:所有服务器依赖关系都在中声明 `src/mcp_tools.py`:```python
DEPENDENCIES: dict[str, object] = {
"postmark_api_key": api_key,
"sender_email": from_email,
# Add new dependencies here ↓
# "weather_api_key": os.getenv("WEATHER_API_KEY"),
}
  1. 基于签名的注入:只有出现在函数签名中的依赖项才会被注入,没有隐藏的行为。

添加新操作(\<60秒)

第一步:写动作

创建 src/actions/my_feature.py:```python
"""
My feature action implementation.
"""

import logging
from typing import Any

logger = logging.getLogger(name)

async def my_feature_action(
user_param1: str,
user_param2: int,
postmark_api_key: str, # Only injected if you need it
sender_email: str, # Only injected if you need it
) -> Any:
"""
Description of what this action does.

Args:
user_param1: User-provided parameter
user_param2: Another user-provided parameter
postmark_api_key: Postmark API key (injected)
sender_email: Sender email (injected)

Returns:
Result of the action
"""
logger.info("My feature action called")

Your implementation here

result = f"Processed {user_param1} with value {user_param2}"

logger.info("My feature action completed")
return result


**步骤2:添加新的依赖项(如果需要)**

如果您的操作需要额外的服务(如天气API密钥),请将它们添加到 `DEPENDENCIES` 注册表在 `src/mcp_tools.py`:```python
DEPENDENCIES: dict[str, object] = {
&quot;postmark_api_key&quot;: api_key,
&quot;sender_email&quot;: from_email,
&quot;weather_api_key&quot;: os.getenv(&quot;WEATHER_API_KEY&quot;),  # ← Add this
}

步骤3:重新启动服务器

就是这样!该操作会自动注册为 my_feature_tool.

行动示例

简单操作(无依赖关系):```python
async def status_action() -> dict:
"""Get server status - needs no external dependencies."""
return {"status": "ok", "version": "1.0.0"}


**仅使用用户参数的操作:**```python
async def greet_user_action(name: str, greeting: str = &quot;Hello&quot;) -&gt; str:
&quot;&quot;&quot;Greet a user - no server dependencies needed.&quot;&quot;&quot;
return f&quot;{greeting}, {name}!&quot;

使用服务器依赖关系的操作:```python
async def some_action(
message: str,
some_api_key: str, # Injected because it's in DEPENDENCIES
) -> str:
return f"Processed '{message}'"


**使用自定义依赖项的操作:**```python
async def fetch_weather_action(
city: str,
weather_api_key: str,   # Must be added to DEPENDENCIES first
) -&gt; dict:
&quot;&quot;&quot;Fetch weather data using external API.&quot;&quot;&quot;
# Use weather_api_key to call external service
return {&quot;city&quot;: city, &quot;temperature&quot;: &quot;22°C&quot;}

功能要求

命名约定:

  • 函数名必须以结尾 _action (例如。, status_action)
  • 注册的MCP工具将通过以下方式命名: _action 随着 _tool

参数:

  • 用户参数:必须记录暴露于MCP客户的信息
  • 依赖性参数:必须与中的名称匹配 DEPENDENCIES 注册表
  • 键入提示:所有参数都需要
  • 不 **kwargs:依赖关系作为显式命名参数传递

返回值:

  • 可以返回任何可序列化的类型(str、dict、list等)
  • 返回值将被发送回MCP客户端

异步函数:

  • 必须是 async 功能使用 async def
  • 可以使用 await 用于I/O操作

自动发现过程

服务器启动时:

  1. 这 register_tools() 函数填充 DEPENDENCIES 注册表(如果您的操作需要)
  2. 它扫描 src/actions/ Python模块包
  3. 它查找以结尾的异步函数 _action
  4. 对于每个操作,它都会检查函数签名
  5. 它创建了一个包装器,只注入操作请求的依赖关系
  6. 它将包装器注册为MCP工具

测试```bash

Run all tests

uv run python -m pytest tests/ -v

Test action registration specifically

uv run python -m pytest tests/test_mcp_tools.py::TestRegisterTools -v

Test individual actions

```

依赖项

  • httpx:HTTP客户端
  • mcp[cli]:模型上下文协议实现
  • 小星星:web服务器的ASGI框架
  • 优维康:ASGI服务器
  • python dotenv:环境变量加载
  • 媒染剂设置:配置管理

许可证

该项目根据 MIT许可证.

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
MCP Demo 2 怎么安装?

在客户端按下面的安装命令接入:uv run python mcp_server.py。装完在客户端配置里引用同一个包或端点。

MCP Demo 2 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

MCP Demo 2 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

MCP Demo 2 需要 API Key 吗?

资料标注需要API Key认证,使用前准备好对应凭据,并按最小权限配置。

MCP Demo 2 能提供哪些能力?

资料显示能力标签包括 模型上下文、Python、SSE传输、Docker。具体工具清单以官方文档为准。

MCP Demo 2 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

MCP Demo 2 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。