- Python
- TypeScript
- Java
- Kotlin
- C#
- Ruby
- Rust
您可以在此处找到本教程的完整代码。将 您可以在 此处 找到完整的 客户端将
系统要求
在开始之前,请确保您的系统满足以下要求:- Mac 或 Windows 电脑
- 已安装最新版本的 Python
- 已安装最新版本的
uv
设置您的环境
首先,使用uv 创建一个新的 Python 项目# Create project directory
uv init mcp-client
cd mcp-client
# Create virtual environment
uv venv
# Activate virtual environment
source .venv/bin/activate
# Install required packages
uv add mcp anthropic python-dotenv
# Remove boilerplate files
rm main.py
# Create our main file
touch client.py
# Create project directory
uv init mcp-client
cd mcp-client
# Create virtual environment
uv venv
# Activate virtual environment
.venv\Scripts\activate
# Install required packages
uv add mcp anthropic python-dotenv
# Remove boilerplate files
del main.py
# Create our main file
new-item client.py
设置您的 API 密钥
您需要从 Anthropic 控制台 获取 Anthropic API 密钥。创建一个.env 文件来存储它:echo "ANTHROPIC_API_KEY=your-api-key-goes-here" > .env
.env 添加到您的 .gitignore 中echo ".env" >> .gitignore
请务必妥善保管您的
ANTHROPIC_API_KEY!创建客户端
基本客户端结构
首先,让我们设置导入并创建基本客户端类import asyncio
from typing import Optional
from contextlib import AsyncExitStack
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from anthropic import Anthropic
from dotenv import load_dotenv
load_dotenv() # load environment variables from .env
class MCPClient:
def __init__(self):
# Initialize session and client objects
self.session: Optional[ClientSession] = None
self.exit_stack = AsyncExitStack()
self.anthropic = Anthropic()
# methods will go here
服务器连接管理
接下来,我们将实现连接到 MCP 服务器的方法async def connect_to_server(self, server_script_path: str):
"""Connect to an MCP server
Args:
server_script_path: Path to the server script (.py or .js)
"""
is_python = server_script_path.endswith('.py')
is_js = server_script_path.endswith('.js')
if not (is_python or is_js):
raise ValueError("Server script must be a .py or .js file")
command = "python" if is_python else "node"
server_params = StdioServerParameters(
command=command,
args=[server_script_path],
env=None
)
stdio_transport = await self.exit_stack.enter_async_context(stdio_client(server_params))
self.stdio, self.write = stdio_transport
self.session = await self.exit_stack.enter_async_context(ClientSession(self.stdio, self.write))
await self.session.initialize()
# List available tools
response = await self.session.list_tools()
tools = response.tools
print("\nConnected to server with tools:", [tool.name for tool in tools])
查询处理逻辑
现在让我们添加处理查询和处理工具调用的核心功能async def process_query(self, query: str) -> str:
"""Process a query using Claude and available tools"""
messages = [
{
"role": "user",
"content": query
}
]
response = await self.session.list_tools()
available_tools = [{
"name": tool.name,
"description": tool.description,
"input_schema": tool.inputSchema
} for tool in response.tools]
# Initial Claude API call
response = self.anthropic.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=1000,
messages=messages,
tools=available_tools
)
# Process response and handle tool calls
final_text = []
assistant_message_content = []
for content in response.content:
if content.type == 'text':
final_text.append(content.text)
assistant_message_content.append(content)
elif content.type == 'tool_use':
tool_name = content.name
tool_args = content.input
# Execute tool call
result = await self.session.call_tool(tool_name, tool_args)
final_text.append(f"[Calling tool {tool_name} with args {tool_args}]")
assistant_message_content.append(content)
messages.append({
"role": "assistant",
"content": assistant_message_content
})
messages.append({
"role": "user",
"content": [
{
"type": "tool_result",
"tool_use_id": content.id,
"content": result.content
}
]
})
# Get next response from Claude
response = self.anthropic.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=1000,
messages=messages,
tools=available_tools
)
final_text.append(response.content[0].text)
return "\n".join(final_text)
交互式聊天界面
现在我们将添加聊天循环和清理功能async def chat_loop(self):
"""Run an interactive chat loop"""
print("\nMCP Client Started!")
print("Type your queries or 'quit' to exit.")
while True:
try:
query = input("\nQuery: ").strip()
if query.lower() == 'quit':
break
response = await self.process_query(query)
print("\n" + response)
except Exception as e:
print(f"\nError: {str(e)}")
async def cleanup(self):
"""Clean up resources"""
await self.exit_stack.aclose()
主入口点
最后,我们将添加主要的执行逻辑async def main():
if len(sys.argv) < 2:
print("Usage: python client.py <path_to_server_script>")
sys.exit(1)
client = MCPClient()
try:
await client.connect_to_server(sys.argv[1])
await client.chat_loop()
finally:
await client.cleanup()
if __name__ == "__main__":
import sys
asyncio.run(main())
client.py 文件。关键组件说明
1. 客户端初始化
MCPClient类通过会话管理和 API 客户端进行初始化- 使用
AsyncExitStack进行正确的资源管理 - 配置 Anthropic 客户端以进行 Claude 交互
2. 服务器连接
- 支持 Python 和 Node.js 服务器
- 验证服务器脚本类型
- 建立适当的通信通道
- 初始化会话并列出可用工具
3. 查询处理
- 维护对话上下文
- 处理 Claude 的响应和工具调用
- 管理 Claude 和工具之间的消息流
- 将结果合并为连贯的响应
4. 交互式界面
- 提供简单的命令行界面
- 处理用户输入并显示响应
- 包含基本的错误处理
- 允许优雅退出
5. 资源管理
- 资源的正确清理
- 针对连接问题的错误处理
- 优雅的关闭程序
常见的自定义点
-
工具处理
- 修改
process_query()以处理特定工具类型 - 添加工具调用的自定义错误处理
- 实现特定于工具的响应格式化
- 修改
-
响应处理
- 自定义工具结果的格式化方式
- 添加响应过滤或转换
- 实现自定义日志记录
-
用户界面
- 添加 GUI 或 Web 界面
- 实现丰富的控制台输出
- 添加命令历史记录或自动补全
运行客户端
要使用任何 MCP 服务器运行您的客户端uv run client.py path/to/server.py # python server
uv run client.py path/to/build/index.js # node server
如果您正在继续 服务器快速入门中的天气教程,您的命令可能如下所示:
python client.py .../quickstart-resources/weather-server-python/weather.py- 连接到指定的服务器
- 列出可用工具
- 启动一个交互式聊天会话,您可以在其中
- 输入查询
- 查看工具执行
- 获取 Claude 的回复

工作原理
当您提交查询时- 客户端从服务器获取可用工具列表
- 您的查询与工具描述一起发送给 Claude
- Claude 决定使用哪些工具(如果有的话)
- 客户端通过服务器执行任何请求的工具调用
- 结果被发回给 Claude
- Claude 提供自然语言响应
- 响应显示给您
最佳实践
-
错误处理
- 始终将工具调用包裹在 try-catch 块中
- 提供有意义的错误消息
- 优雅地处理连接问题
-
资源管理
- 使用
AsyncExitStack进行正确清理 - 完成后关闭连接
- 处理服务器断开连接
- 使用
-
安全性
- 将 API 密钥安全存储在
.env中 - 验证服务器响应
- 对工具权限保持谨慎
- 将 API 密钥安全存储在
-
工具名称
- 工具名称可以根据 此处 指定的格式进行验证
- 如果工具名称符合指定格式,则不应导致 MCP 客户端验证失败
故障排除
服务器路径问题
- 仔细检查服务器脚本的路径是否正确
- 如果相对路径不起作用,请使用绝对路径
- 对于 Windows 用户,请确保在路径中使用正斜杠 (/) 或转义的反斜杠 (\)
- 验证服务器文件是否有正确的扩展名(Python 为 .py,Node.js 为 .js)
# Relative path
uv run client.py ./server/weather.py
# Absolute path
uv run client.py /Users/username/projects/mcp-server/weather.py
# Windows path (either format works)
uv run client.py C:/projects/mcp-server/weather.py
uv run client.py C:\\projects\\mcp-server\\weather.py
响应时间
- 第一次响应可能需要长达 30 秒才能返回
- 这是正常的,发生在以下情况期间
- 服务器初始化
- Claude 处理查询
- 工具正在执行
- 随后的响应通常会更快
- 在此初始等待期间,请勿中断该过程
常见错误消息
如果您看到FileNotFoundError:检查您的服务器路径Connection refused:确保服务器正在运行且路径正确Tool execution failed:验证工具所需的环境变量是否已设置Timeout error:考虑增加客户端配置中的超时时间
您可以在此处找到本教程的完整代码。更新您的 在项目根目录中创建一个 将 客户端将
系统要求
在开始之前,请确保您的系统满足以下要求:- Mac 或 Windows 电脑
- 已安装 Node.js 17 或更高版本
- 已安装最新版本的
npm - Anthropic API 密钥 (Claude)
设置您的环境
首先,让我们创建并设置我们的项目# Create project directory
mkdir mcp-client-typescript
cd mcp-client-typescript
# Initialize npm project
npm init -y
# Install dependencies
npm install @anthropic-ai/sdk @modelcontextprotocol/sdk dotenv
# Install dev dependencies
npm install -D @types/node typescript
# Create source file
touch index.ts
# Create project directory
md mcp-client-typescript
cd mcp-client-typescript
# Initialize npm project
npm init -y
# Install dependencies
npm install @anthropic-ai/sdk @modelcontextprotocol/sdk dotenv
# Install dev dependencies
npm install -D @types/node typescript
# Create source file
new-item index.ts
package.json 以设置 type: "module" 和构建脚本package.json
{
"type": "module",
"scripts": {
"build": "tsc && chmod 755 build/index.js"
}
}
tsconfig.jsontsconfig.json
{
"compilerOptions": {
"target": "ES2022",
"module": "Node16",
"moduleResolution": "Node16",
"outDir": "./build",
"rootDir": "./",
"strict": true,
"esModuleInterop": true,
"skipLibCheck": true,
"forceConsistentCasingInFileNames": true
},
"include": ["index.ts"],
"exclude": ["node_modules"]
}
设置您的 API 密钥
您需要从 Anthropic 控制台 获取 Anthropic API 密钥。创建一个.env 文件来存储它:echo "ANTHROPIC_API_KEY=<your key here>" > .env
.env 添加到您的 .gitignore 中echo ".env" >> .gitignore
请务必妥善保管您的
ANTHROPIC_API_KEY!创建客户端
基本客户端结构
首先,让我们设置导入并在index.ts 中创建基本客户端类import { Anthropic } from "@anthropic-ai/sdk";
import {
MessageParam,
Tool,
} from "@anthropic-ai/sdk/resources/messages/messages.mjs";
import { Client } from "@modelcontextprotocol/sdk/client/index.js";
import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";
import readline from "readline/promises";
import dotenv from "dotenv";
dotenv.config();
const ANTHROPIC_API_KEY = process.env.ANTHROPIC_API_KEY;
if (!ANTHROPIC_API_KEY) {
throw new Error("ANTHROPIC_API_KEY is not set");
}
class MCPClient {
private mcp: Client;
private anthropic: Anthropic;
private transport: StdioClientTransport | null = null;
private tools: Tool[] = [];
constructor() {
this.anthropic = new Anthropic({
apiKey: ANTHROPIC_API_KEY,
});
this.mcp = new Client({ name: "mcp-client-cli", version: "1.0.0" });
}
// methods will go here
}
服务器连接管理
接下来,我们将实现连接到 MCP 服务器的方法async connectToServer(serverScriptPath: string) {
try {
const isJs = serverScriptPath.endsWith(".js");
const isPy = serverScriptPath.endsWith(".py");
if (!isJs && !isPy) {
throw new Error("Server script must be a .js or .py file");
}
const command = isPy
? process.platform === "win32"
? "python"
: "python3"
: process.execPath;
this.transport = new StdioClientTransport({
command,
args: [serverScriptPath],
});
await this.mcp.connect(this.transport);
const toolsResult = await this.mcp.listTools();
this.tools = toolsResult.tools.map((tool) => {
return {
name: tool.name,
description: tool.description,
input_schema: tool.inputSchema,
};
});
console.log(
"Connected to server with tools:",
this.tools.map(({ name }) => name)
);
} catch (e) {
console.log("Failed to connect to MCP server: ", e);
throw e;
}
}
查询处理逻辑
现在让我们添加处理查询和处理工具调用的核心功能async processQuery(query: string) {
const messages: MessageParam[] = [
{
role: "user",
content: query,
},
];
const response = await this.anthropic.messages.create({
model: "claude-sonnet-4-20250514",
max_tokens: 1000,
messages,
tools: this.tools,
});
const finalText = [];
for (const content of response.content) {
if (content.type === "text") {
finalText.push(content.text);
} else if (content.type === "tool_use") {
const toolName = content.name;
const toolArgs = content.input as { [x: string]: unknown } | undefined;
const result = await this.mcp.callTool({
name: toolName,
arguments: toolArgs,
});
finalText.push(
`[Calling tool ${toolName} with args ${JSON.stringify(toolArgs)}]`
);
messages.push({
role: "user",
content: result.content as string,
});
const response = await this.anthropic.messages.create({
model: "claude-sonnet-4-20250514",
max_tokens: 1000,
messages,
});
finalText.push(
response.content[0].type === "text" ? response.content[0].text : ""
);
}
}
return finalText.join("\n");
}
交互式聊天界面
现在我们将添加聊天循环和清理功能async chatLoop() {
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout,
});
try {
console.log("\nMCP Client Started!");
console.log("Type your queries or 'quit' to exit.");
while (true) {
const message = await rl.question("\nQuery: ");
if (message.toLowerCase() === "quit") {
break;
}
const response = await this.processQuery(message);
console.log("\n" + response);
}
} finally {
rl.close();
}
}
async cleanup() {
await this.mcp.close();
}
主入口点
最后,我们将添加主要的执行逻辑async function main() {
if (process.argv.length < 3) {
console.log("Usage: node index.ts <path_to_server_script>");
return;
}
const mcpClient = new MCPClient();
try {
await mcpClient.connectToServer(process.argv[2]);
await mcpClient.chatLoop();
} catch (e) {
console.error("Error:", e);
await mcpClient.cleanup();
process.exit(1);
} finally {
await mcpClient.cleanup();
process.exit(0);
}
}
main();
运行客户端
要使用任何 MCP 服务器运行您的客户端# Build TypeScript
npm run build
# Run the client
node build/index.js path/to/server.py # python server
node build/index.js path/to/build/index.js # node server
如果您正在继续 服务器快速入门中的天气教程,您的命令可能如下所示:
node build/index.js .../quickstart-resources/weather-server-typescript/build/index.js- 连接到指定的服务器
- 列出可用工具
- 启动一个交互式聊天会话,您可以在其中
- 输入查询
- 查看工具执行
- 获取 Claude 的回复
工作原理
当您提交查询时- 客户端从服务器获取可用工具列表
- 您的查询与工具描述一起发送给 Claude
- Claude 决定使用哪些工具(如果有的话)
- 客户端通过服务器执行任何请求的工具调用
- 结果被发回给 Claude
- Claude 提供自然语言响应
- 响应显示给您
最佳实践
-
错误处理
- 使用 TypeScript 的类型系统进行更好的错误检测
- 将工具调用包裹在 try-catch 块中
- 提供有意义的错误消息
- 优雅地处理连接问题
-
安全性
- 将 API 密钥安全存储在
.env中 - 验证服务器响应
- 对工具权限保持谨慎
- 将 API 密钥安全存储在
故障排除
服务器路径问题
- 仔细检查服务器脚本的路径是否正确
- 如果相对路径不起作用,请使用绝对路径
- 对于 Windows 用户,请确保在路径中使用正斜杠 (/) 或转义的反斜杠 (\)
- 验证服务器文件是否有正确的扩展名(Node.js 为 .js,Python 为 .py)
# Relative path
node build/index.js ./server/build/index.js
# Absolute path
node build/index.js /Users/username/projects/mcp-server/build/index.js
# Windows path (either format works)
node build/index.js C:/projects/mcp-server/build/index.js
node build/index.js C:\\projects\\mcp-server\\build\\index.js
响应时间
- 第一次响应可能需要长达 30 秒才能返回
- 这是正常的,发生在以下情况期间
- 服务器初始化
- Claude 处理查询
- 工具正在执行
- 随后的响应通常会更快
- 在此初始等待期间,请勿中断该过程
常见错误消息
如果您看到Error: Cannot find module:检查您的构建文件夹并确保 TypeScript 编译成功Connection refused:确保服务器正在运行且路径正确Tool execution failed:验证工具所需的环境变量是否已设置ANTHROPIC_API_KEY is not set:检查您的 .env 文件和环境变量TypeError:确保您为工具参数使用了正确的类型BadRequestError:确保您有足够的额度来访问 Anthropic API
这是一个基于 Spring AI MCP 自动配置和 boot starter 的快速入门演示。要了解如何手动创建同步和异步 MCP 客户端,请查阅 Java SDK 客户端 文档
系统要求
在开始之前,请确保您的系统满足以下要求:- Java 17 或更高版本
- Maven 3.6+
- npx 包管理器
- Anthropic API 密钥 (Claude)
- Brave Search API 密钥
设置您的环境
-
安装 npx (Node Package eXecute):首先,确保安装 npm,然后运行
npm install -g npx -
克隆存储库
git clone https://github.com/spring-projects/spring-ai-examples.git cd model-context-protocol/web-search/brave-chatbot -
设置您的 API 密钥
export ANTHROPIC_API_KEY='your-anthropic-api-key-here' export BRAVE_API_KEY='your-brave-api-key-here' -
构建应用程序
./mvnw clean install -
使用 Maven 运行应用程序
./mvnw spring-boot:run
请务必妥善保管您的
ANTHROPIC_API_KEY 和 BRAVE_API_KEY 密钥!工作原理
该应用程序通过多个组件将 Spring AI 与 Brave Search MCP 服务器集成MCP 客户端配置
- pom.xml 中的必需依赖项
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-mcp-client</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-anthropic</artifactId>
</dependency>
- 应用程序属性 (application.yml)
spring:
ai:
mcp:
client:
enabled: true
name: brave-search-client
version: 1.0.0
type: SYNC
request-timeout: 20s
stdio:
root-change-notification: true
servers-configuration: classpath:/mcp-servers-config.json
toolcallback:
enabled: true
anthropic:
api-key: ${ANTHROPIC_API_KEY}
spring-ai-starter-mcp-client,根据提供的服务器配置创建一个或多个 McpClient。spring.ai.mcp.client.toolcallback.enabled=true 属性启用了工具回调机制,该机制会自动将所有 MCP 工具注册为 Spring AI 工具。默认情况下它是禁用的。- MCP 服务器配置 (
mcp-servers-config.json)
{
"mcpServers": {
"brave-search": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-brave-search"],
"env": {
"BRAVE_API_KEY": "<PUT YOUR BRAVE API KEY>"
}
}
}
}
聊天实现
聊天机器人使用 Spring AI 的 ChatClient 和 MCP 工具集成来实现var chatClient = chatClientBuilder
.defaultSystem("You are useful assistant, expert in AI and Java.")
.defaultToolCallbacks((Object[]) mcpToolAdapter.toolCallbacks())
.defaultAdvisors(new MessageChatMemoryAdvisor(new InMemoryChatMemory()))
.build();
- 使用 Claude AI 模型进行自然语言理解
- 通过 MCP 集成 Brave Search 以实现实时网络搜索功能
- 使用 InMemoryChatMemory 维护对话记忆
- 作为交互式命令行应用程序运行
构建并运行
./mvnw clean install
java -jar ./target/ai-mcp-brave-chatbot-0.0.1-SNAPSHOT.jar
./mvnw spring-boot:run
- 使用其内置知识回答问题
- 需要时使用 Brave Search 执行网络搜索
- 记住对话中先前消息的上下文
- 结合来自多个来源的信息以提供全面的回答
高级配置
MCP 客户端支持其他配置选项- 通过
McpSyncClientCustomizer或McpAsyncClientCustomizer进行客户端自定义 - 具有多种传输类型的多个客户端:
STDIO和SSE(服务器发送事件) - 与 Spring AI 的工具执行框架集成
- 自动客户端初始化和生命周期管理
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-mcp-client-webflux-spring-boot-starter</artifactId>
</dependency>
您可以在此处找到本教程的完整代码。现在,让我们创建并设置您的项目运行 验证一切设置是否正确
或者,您可以直接使用 Gradle 运行客户端将
系统要求
在开始之前,请确保您的系统满足以下要求:- JDK 11 或更高版本
- Anthropic API 密钥 (Claude)
设置您的环境
首先,如果您还没有安装java 和 gradle,请先安装它们。您可以从 Oracle JDK 官方网站 下载 java。验证您的 java 安装java --version
# Create a new directory for our project
mkdir kotlin-mcp-client
cd kotlin-mcp-client
# Initialize a new kotlin project
gradle init
# Create a new directory for our project
md kotlin-mcp-client
cd kotlin-mcp-client
# Initialize a new kotlin project
gradle init
gradle init 后,选择 Application 作为项目类型,选择 Kotlin 作为编程语言。或者,您可以使用 IntelliJ IDEA 项目向导 创建 Kotlin 应用程序。创建项目后,用以下内容替换 build.gradle.kts 的内容:build.gradle.kts
// Check latest versions at https://github.com/modelcontextprotocol/kotlin-sdk/releases
val mcpVersion = "0.9.0"
val ktorVersion = "3.2.3"
val anthropicVersion = "2.15.0"
val slf4jVersion = "2.0.17"
plugins {
kotlin("jvm") version "2.3.20"
id("com.gradleup.shadow") version "8.3.9"
application
}
application {
mainClass.set("MainKt")
}
dependencies {
implementation("io.modelcontextprotocol:kotlin-sdk:$mcpVersion")
implementation("io.ktor:ktor-client-cio:$ktorVersion")
implementation("com.anthropic:anthropic-java:$anthropicVersion")
implementation("org.slf4j:slf4j-simple:$slf4jVersion")
}
./gradlew build
设置您的 API 密钥
您需要从 Anthropic 控制台 获取 Anthropic API 密钥。设置您的 API 密钥:export ANTHROPIC_API_KEY='your-anthropic-api-key-here'
请务必妥善保管您的
ANTHROPIC_API_KEY!创建客户端
基本客户端结构
首先,让我们创建基本客户端类class MCPClient(apiKey: String) : AutoCloseable {
private val anthropic = AnthropicOkHttpClient.builder()
.apiKey(apiKey)
.build()
private val mcp: Client = Client(
clientInfo = Implementation(name = "mcp-client-cli", version = "1.0.0")
)
private var serverProcess: Process? = null
private lateinit var tools: List<ToolUnion>
// methods will go here
override fun close() {
runBlocking {
mcp.close()
}
serverProcess?.destroy()
anthropic.close()
}
}
服务器连接管理
接下来,我们将实现连接到 MCP 服务器的方法suspend fun connectToServer(serverScriptPath: String) {
val command = buildList {
when (serverScriptPath.substringAfterLast(".")) {
"js" -> add("node")
"py" -> add(if (System.getProperty("os.name").lowercase().contains("win")) "python" else "python3")
"jar" -> addAll(listOf("java", "-jar"))
else -> throw IllegalArgumentException("Server script must be a .js, .py or .jar file")
}
add(serverScriptPath)
}
val process = ProcessBuilder(command).start()
serverProcess = process
val transport = StdioClientTransport(
input = process.inputStream.asSource().buffered(),
output = process.outputStream.asSink().buffered(),
)
mcp.connect(transport)
val toolsResult = mcp.listTools()
tools = toolsResult.tools.map { tool ->
ToolUnion.ofTool(
Tool.builder()
.name(tool.name)
.description(tool.description ?: "")
.inputSchema(
Tool.InputSchema.builder()
.type(JsonValue.from(tool.inputSchema.type))
.properties(tool.inputSchema.properties?.toJsonValue() ?: EmptyJsonObject.toJsonValue())
.putAdditionalProperty("required", JsonValue.from(tool.inputSchema.required))
.build(),
)
.build(),
)
}
println("Connected to server with tools: ${tools.joinToString(", ") { it.tool().get().name() }}")
}
JsonObject.toJsonValue() 助手
JsonObject.toJsonValue() 助手
此助手使用 Jackson 将 kotlinx.serialization
JsonObject 转换为 Anthropic SDK JsonValueprivate fun JsonObject.toJsonValue(): JsonValue {
val mapper = ObjectMapper()
val node = mapper.readTree(this.toString())
return JsonValue.fromJsonNode(node)
}
查询处理逻辑
现在让我们添加处理查询和处理工具调用的核心功能suspend fun processQuery(query: String): String {
val messages = mutableListOf(
MessageParam.builder()
.role(MessageParam.Role.USER)
.content(query)
.build(),
)
val response = anthropic.messages().create(
MessageCreateParams.builder()
.model("claude-sonnet-4-20250514")
.maxTokens(1024)
.messages(messages)
.tools(tools)
.build(),
)
val finalText = mutableListOf<String>()
response.content().forEach { content ->
when {
content.isText() -> finalText.add(content.text().get().text())
content.isToolUse() -> {
val toolName = content.toolUse().get().name()
val toolArgs =
content.toolUse().get()._input().convert(object : TypeReference<Map<String, JsonValue>>() {})
val result = mcp.callTool(
name = toolName,
arguments = toolArgs ?: emptyMap(),
)
finalText.add("[Calling tool $toolName with args $toolArgs]")
messages.add(
MessageParam.builder()
.role(MessageParam.Role.USER)
.content(
result.content
.filterIsInstance<TextContent>()
.joinToString("\n") { it.text }
)
.build(),
)
val aiResponse = anthropic.messages().create(
MessageCreateParams.builder()
.model("claude-sonnet-4-20250514")
.maxTokens(1024)
.messages(messages)
.build(),
)
finalText.add(aiResponse.content().first().text().get().text())
}
}
}
return finalText.joinToString("\n")
}
交互式聊天
我们将添加聊天循环suspend fun chatLoop() {
println("\nMCP Client Started!")
println("Type your queries or 'quit' to exit.")
while (true) {
print("\nQuery: ")
val message = readlnOrNull() ?: break
if (message.trim().lowercase() == "quit") break
try {
val response = processQuery(message)
println("\n$response")
} catch (e: Exception) {
println("\nError: ${e.message}")
}
}
}
主入口点
最后,我们将添加主要的执行函数fun main(args: Array<String>) = runBlocking {
require(args.isNotEmpty()) { "Usage: java -jar <path> <path_to_server_script>" }
val apiKey = System.getenv("ANTHROPIC_API_KEY")
require(!apiKey.isNullOrBlank()) { "ANTHROPIC_API_KEY environment variable is not set" }
val client = MCPClient(apiKey)
client.use {
client.connectToServer(args.first())
client.chatLoop()
}
}
运行客户端
要使用任何 MCP 服务器运行您的客户端./gradlew build
# Run the client
java -jar build/libs/kotlin-mcp-client-0.1.0-all.jar path/to/server.jar # JVM server
java -jar build/libs/kotlin-mcp-client-0.1.0-all.jar path/to/server.py # Python server
java -jar build/libs/kotlin-mcp-client-0.1.0-all.jar path/to/build/index.js # Node server
./gradlew run --args="path/to/server.jar"
如果您正在继续服务器快速入门中的天气教程,您的命令可能如下所示:
java -jar build/libs/kotlin-mcp-client-0.1.0-all.jar .../samples/weather-stdio-server/build/libs/weather-stdio-server-0.1.0-all.jar- 连接到指定的服务器
- 列出可用工具
- 启动一个交互式聊天会话,您可以在其中
- 输入查询
- 查看工具执行
- 获取 Claude 的回复
工作原理
这是一个高层工作流图当您提交查询时- 客户端从服务器获取可用工具列表
- 您的查询与工具描述一起发送给 Claude
- Claude 决定使用哪些工具(如果有的话)
- 客户端通过服务器执行任何请求的工具调用
- 结果被发回给 Claude
- Claude 提供自然语言响应
- 响应显示给您
最佳实践
-
错误处理
- 利用 Kotlin 的类型系统显式建模错误
- 在可能出现异常时,将外部工具和 API 调用包裹在
try-catch块中 - 提供清晰且有意义的错误消息
- 优雅地处理网络超时和连接问题
-
安全性
- 将 API 密钥和密码安全存储在
local.properties、环境变量或密钥管理器中 - 验证所有外部响应,以避免意外或不安全的数据使用
- 使用工具时,对权限和信任边界保持谨慎
- 将 API 密钥和密码安全存储在
-
环境
- 通过环境变量而不是硬编码来设置
ANTHROPIC_API_KEY - 本地开发时,请使用带有适当
.gitignore规则的.env文件
- 通过环境变量而不是硬编码来设置
故障排除
服务器路径问题
- 仔细检查服务器脚本的路径是否正确
- 如果相对路径不起作用,请使用绝对路径
- 对于 Windows 用户,请确保在路径中使用正斜杠 (/) 或转义的反斜杠 (\)
- 确保已安装所需的运行时(Java 使用 java,Node.js 使用 npm,或 Python 使用 uv)
- 验证服务器文件是否有正确的扩展名(Java 为 .jar,Node.js 为 .js,Python 为 .py)
# Relative path
java -jar build/libs/client.jar ./server/build/libs/server.jar
# Absolute path
java -jar build/libs/client.jar /Users/username/projects/mcp-server/build/libs/server.jar
# Windows path (either format works)
java -jar build/libs/client.jar C:/projects/mcp-server/build/libs/server.jar
java -jar build/libs/client.jar C:\\projects\\mcp-server\\build\\libs\\server.jar
构建问题
- 使用
./gradlew build或./gradlew shadowJar(而不是./gradlew jar)来创建包含所有依赖项的 shadow JAR - 如果您遇到 JDK 版本错误,请确保您安装的 JDK 版本符合或超过
build.gradle.kts中的jvmToolchain设置
响应时间
- 第一次响应可能需要长达 30 秒才能返回
- 这是正常的,发生在以下情况期间
- 服务器初始化
- Claude 处理查询
- 工具正在执行
- 随后的响应通常会更快
- 在此初始等待期间,请勿中断该过程
常见错误消息
如果您看到Connection refused:确保服务器正在运行且路径正确Tool execution failed:验证工具所需的环境变量是否已设置ANTHROPIC_API_KEY is not set:检查您的环境变量
您可以在此处找到本教程的完整代码。然后,将必需的依赖项添加到您的项目中这创建了一个能够从用户机密中读取 API 密钥的 .NET 控制台应用程序的雏形。接下来,我们将设置 MCP 客户端:在 这将创建一个 MCP 客户端,该客户端将连接到作为命令行参数提供的服务器。然后,它会列出来自已连接服务器的可用工具。客户端将
系统要求
在开始之前,请确保您的系统满足以下要求:- .NET 8.0 或更高版本
- Anthropic API 密钥 (Claude)
- Windows、Linux 或 macOS
设置您的环境
首先,创建一个新的 .NET 项目dotnet new console -n QuickstartClient
cd QuickstartClient
dotnet add package ModelContextProtocol --prerelease
dotnet add package Anthropic.SDK
dotnet add package Microsoft.Extensions.Hosting
dotnet add package Microsoft.Extensions.AI
设置您的 API 密钥
您需要从 Anthropic 控制台 获取 Anthropic API 密钥。dotnet user-secrets init
dotnet user-secrets set "ANTHROPIC_API_KEY" "<your key here>"
创建客户端
基本客户端结构
首先,让我们在Program.cs 文件中设置基本客户端类using Anthropic.SDK;
using Microsoft.Extensions.AI;
using Microsoft.Extensions.Configuration;
using Microsoft.Extensions.Hosting;
using ModelContextProtocol.Client;
using ModelContextProtocol.Protocol.Transport;
var builder = Host.CreateApplicationBuilder(args);
builder.Configuration
.AddEnvironmentVariables()
.AddUserSecrets<Program>();
var (command, arguments) = GetCommandAndArguments(args);
var clientTransport = new StdioClientTransport(new()
{
Name = "Demo Server",
Command = command,
Arguments = arguments,
});
await using var mcpClient = await McpClient.CreateAsync(clientTransport);
var tools = await mcpClient.ListToolsAsync();
foreach (var tool in tools)
{
Console.WriteLine($"Connected to server with tools: {tool.Name}");
}
Program.cs 文件的末尾添加此函数static (string command, string[] arguments) GetCommandAndArguments(string[] args)
{
return args switch
{
[var script] when script.EndsWith(".py") => ("python", args),
[var script] when script.EndsWith(".js") => ("node", args),
[var script] when Directory.Exists(script) || (File.Exists(script) && script.EndsWith(".csproj")) => ("dotnet", ["run", "--project", script, "--no-build"]),
_ => throw new NotSupportedException("An unsupported server script was provided. Supported scripts are .py, .js, or .csproj")
};
}
查询处理逻辑
现在让我们添加处理查询和处理工具调用的核心功能using var anthropicClient = new AnthropicClient(new APIAuthentication(builder.Configuration["ANTHROPIC_API_KEY"]))
.Messages
.AsBuilder()
.UseFunctionInvocation()
.Build();
var options = new ChatOptions
{
MaxOutputTokens = 1000,
ModelId = "claude-sonnet-4-20250514",
Tools = [.. tools]
};
Console.ForegroundColor = ConsoleColor.Green;
Console.WriteLine("MCP Client Started!");
Console.ResetColor();
PromptForInput();
while(Console.ReadLine() is string query && !"exit".Equals(query, StringComparison.OrdinalIgnoreCase))
{
if (string.IsNullOrWhiteSpace(query))
{
PromptForInput();
continue;
}
await foreach (var message in anthropicClient.GetStreamingResponseAsync(query, options))
{
Console.Write(message);
}
Console.WriteLine();
PromptForInput();
}
static void PromptForInput()
{
Console.WriteLine("Enter a command (or 'exit' to quit):");
Console.ForegroundColor = ConsoleColor.Cyan;
Console.Write("> ");
Console.ResetColor();
}
关键组件说明
1. 客户端初始化
- 客户端使用
McpClient.CreateAsync()进行初始化,该方法设置传输类型和运行服务器的命令。
2. 服务器连接
- 支持 Python、Node.js 和 .NET 服务器。
- 服务器使用参数中指定的命令启动。
- 配置为使用 stdio 与服务器进行通信。
- 初始化会话和可用工具。
3. 查询处理
- 利用 Microsoft.Extensions.AI 作为聊天客户端。
- 将
IChatClient配置为使用自动工具(函数)调用。 - 客户端读取用户输入并将其发送给服务器。
- 服务器处理查询并返回响应。
- 响应显示给用户。
运行客户端
要使用任何 MCP 服务器运行您的客户端dotnet run -- path/to/server.csproj # dotnet server
dotnet run -- path/to/server.py # python server
dotnet run -- path/to/server.js # node server
如果您正在继续服务器快速入门中的天气教程,您的命令可能如下所示:
dotnet run -- path/to/QuickstartWeatherServer。- 连接到指定的服务器
- 列出可用工具
- 启动一个交互式聊天会话,您可以在其中
- 输入查询
- 查看工具执行
- 获取 Claude 的回复
- 完成后退出会话

您可以在此处找到本教程的完整代码。将 您可以在 此处 找到完整的 客户端将
系统要求
在开始之前,请确保您的系统满足以下要求:- Mac 或 Windows 电脑
- 已安装 Ruby 3.2.0 或更高版本(Anthropic SDK 所需)
- Anthropic API 密钥 (Claude)
设置您的环境
首先,创建一个新的 Ruby 项目# Create project directory
mkdir mcp-client
cd mcp-client
# Create a Gemfile
bundle init
# Add required dependencies
bundle add anthropic base64 dotenv mcp
# Create our main file
touch client.rb
# Create project directory
mkdir mcp-client
cd mcp-client
# Create a Gemfile
bundle init
# Add required dependencies
bundle add anthropic base64 dotenv mcp
# Create our main file
new-item client.rb
设置您的 API 密钥
您需要从 Anthropic 控制台 获取 Anthropic API 密钥。创建一个.env 文件来存储它:echo "ANTHROPIC_API_KEY=your-api-key-goes-here" > .env
.env 添加到您的 .gitignore 中echo ".env" >> .gitignore
请务必妥善保管您的
ANTHROPIC_API_KEY!创建客户端
基本客户端结构
首先,让我们设置我们的 requires 并创建基本客户端类require "anthropic"
require "dotenv/load"
require "json"
require "mcp"
class MCPClient
ANTHROPIC_MODEL = "claude-sonnet-4-20250514"
def initialize
@mcp_client = nil
@transport = nil
@anthropic_client = nil
end
# methods will go here
end
服务器连接管理
接下来,我们将实现连接到 MCP 服务器的方法def connect_to_server(server_script_path)
command = case File.extname(server_script_path)
when ".rb"
"ruby"
when ".py"
"python3"
when ".js"
"node"
else
raise ArgumentError, "Server script must be a .rb, .py, or .js file."
end
@transport = MCP::Client::Stdio.new(command: command, args: [server_script_path])
@mcp_client = MCP::Client.new(transport: @transport)
@mcp_client.connect
tool_names = @mcp_client.tools.map(&:name)
puts "\nConnected to server with tools: #{tool_names}"
end
查询处理逻辑
现在让我们添加处理查询和处理工具调用的核心功能private
def process_query(query)
messages = [{ role: "user", content: query }]
available_tools = @mcp_client.tools.map do |tool|
{ name: tool.name, description: tool.description, input_schema: tool.input_schema }
end
# Initial Claude API call.
response = chat(messages, tools: available_tools)
# Process response and handle tool calls.
if response.content.any?(Anthropic::Models::ToolUseBlock)
assistant_content = response.content.filter_map do |content_block|
case content_block
when Anthropic::Models::TextBlock
{ type: "text", text: content_block.text }
when Anthropic::Models::ToolUseBlock
{ type: "tool_use", id: content_block.id, name: content_block.name, input: content_block.input }
end
end
messages << { role: "assistant", content: assistant_content }
end
response.content.each_with_object([]) do |content, response_parts|
case content
when Anthropic::Models::TextBlock
response_parts << content.text
when Anthropic::Models::ToolUseBlock
# Execute tool call via MCP.
result = @mcp_client.call_tool(name: content.name, arguments: content.input)
response_parts << "[Calling tool #{content.name} with args #{content.input.to_json}]"
tool_result_content = result.dig("result", "content")
result_text = if tool_result_content.is_a?(Array)
tool_result_content.filter_map { |content_item| content_item["text"] }.join("\n")
else
tool_result_content.to_s
end
messages << {
role: "user",
content: [{
type: "tool_result",
tool_use_id: content.id,
content: result_text
}]
}
# Get next response from Claude.
response = chat(messages)
response.content.each do |content_block|
response_parts << content_block.text if content_block.is_a?(Anthropic::Models::TextBlock)
end
end
end.join("\n")
end
def chat(messages, tools: nil)
params = { model: ANTHROPIC_MODEL, max_tokens: 1000, messages: messages }
params[:tools] = tools if tools
anthropic_client.messages.create(**params)
end
def anthropic_client
@anthropic_client ||= Anthropic::Client.new(api_key: ENV["ANTHROPIC_API_KEY"])
end
交互式聊天界面
现在我们将添加聊天循环和清理功能def chat_loop
puts <<~MESSAGE
MCP Client Started!
Type your queries or 'quit' to exit.
MESSAGE
loop do
print "\nQuery: "
line = $stdin.gets
break if line.nil?
query = line.chomp.strip
break if query.downcase == "quit"
next if query.empty?
begin
response = process_query(query)
puts "\n#{response}"
rescue => e
puts "\nError: #{e.message}"
end
end
end
def cleanup
@transport&.close
end
主入口点
最后,我们将添加主要的执行逻辑if ARGV.empty?
puts "Usage: ruby client.rb <path_to_server_script>"
exit 1
end
client = MCPClient.new
begin
client.connect_to_server(ARGV[0])
api_key = ENV["ANTHROPIC_API_KEY"]
if api_key.nil? || api_key.empty?
puts <<~MESSAGE
No ANTHROPIC_API_KEY found. To query these tools with Claude, set your API key:
export ANTHROPIC_API_KEY=your-api-key-here
MESSAGE
exit
end
client.chat_loop
rescue => e
puts "Error: #{e.message}"
exit 1
ensure
client.cleanup
end
client.rb 文件。关键组件说明
1. 客户端初始化
MCPClient类使用 nil 引用进行初始化以实现延迟设置- Anthropic 客户端通过
anthropic_client方法进行延迟初始化 - 使用
dotenv从.env加载环境变量
2. 服务器连接
- 支持 Ruby、Python 和 Node.js 服务器
- 使用
File.extname确定服务器脚本类型 - 使用
MCP::Client::Stdio进行 stdio 传输 - 初始化 MCP 客户端并列出可用工具
3. 查询处理
- 将 MCP 工具映射到 Anthropic 工具格式 (
name,description,input_schema) - 使用
Anthropic::Models::TextBlock和Anthropic::Models::ToolUseBlock进行模式匹配 - 在迭代工具调用之前构建助手内容
- 通过
@mcp_client.call_tool执行工具调用 - 使用
chat助手方法包裹 Anthropic API 调用 - 使用
result.dig("result", "content")提取工具结果内容 - 将工具结果传回给 Claude 以获得最终响应
4. 交互式界面
- 提供简单的命令行界面
- 处理用户输入并显示响应
- 跳过空查询
- 包含基本的错误处理
5. 资源管理
- 通过
begin...ensure正确清理传输 - 用于错误处理的顶级
rescue - 服务器连接后的 API 密钥验证
运行客户端
要使用任何 MCP 服务器运行您的客户端bundle exec ruby client.rb path/to/server.rb # ruby server
bundle exec ruby client.rb path/to/server.py # python server
bundle exec ruby client.rb path/to/build/index.js # node server
如果您正在继续 服务器快速入门中的天气教程,您的命令可能如下所示:
bundle exec ruby client.rb /path/to/weather-server-ruby/weather.rb- 连接到指定的服务器
- 列出可用工具
- 启动一个交互式聊天会话,您可以在其中
- 输入查询
- 查看工具执行
- 获取 Claude 的回复
工作原理
当您提交查询时- 客户端从服务器获取可用工具列表
- 您的查询与工具描述一起发送给 Claude
- Claude 决定使用哪些工具(如果有的话)
- 客户端通过服务器执行任何请求的工具调用
- 结果被发回给 Claude
- Claude 提供自然语言响应
- 响应显示给您
最佳实践
-
错误处理
- 将工具调用包裹在
begin...rescue块中 - 提供有意义的错误消息
- 优雅地处理连接问题
- 将工具调用包裹在
-
资源管理
- 完成后始终关闭传输
- 使用
begin...ensure进行正确清理 - 处理服务器断开连接
-
安全性
- 将 API 密钥安全存储在
.env中 - 验证服务器响应
- 对工具权限保持谨慎
- 将 API 密钥安全存储在
-
工具名称
- 工具名称可以根据 此处 指定的格式进行验证
- 如果工具名称符合指定格式,则不应导致 MCP 客户端验证失败
故障排除
服务器路径问题
- 仔细检查服务器脚本的路径是否正确
- 如果相对路径不起作用,请使用绝对路径
- 对于 Windows 用户,请确保在路径中使用正斜杠 (/) 或转义的反斜杠 (\)
- 验证服务器文件是否有正确的扩展名(Python 为 .py,Node.js 为 .js,Ruby 为 .rb)
# Relative path
bundle exec ruby client.rb ./server/weather.rb
# Absolute path
bundle exec ruby client.rb /Users/username/projects/mcp-server/weather.rb
# Windows path (either format works)
bundle exec ruby client.rb C:/projects/mcp-server/weather.rb
bundle exec ruby client.rb C:\\projects\\mcp-server\\weather.rb
响应时间
- 第一次响应可能需要长达 30 秒才能返回
- 这是正常的,发生在以下情况期间
- 服务器初始化
- Claude 处理查询
- 工具正在执行
- 随后的响应通常会更快
- 在此初始等待期间,请勿中断该过程
常见错误消息
如果您看到Errno::ENOENT:检查您的服务器路径并确保命令 (ruby,python3,node) 可用Connection refused:确保服务器正在运行且路径正确Tool execution failed:验证工具所需的环境变量是否已设置Anthropic::Errors::AuthenticationError:检查您的.env文件是否包含有效的ANTHROPIC_API_KEY
您可以在此处找到本教程的完整代码。用以下内容替换 将 客户端保存模型 API 客户端、活动的 MCP 会话以及已连接服务器宣告的工具。此方法MCP 和模型 API 使用类似的信息但不同的 Rust 类型来描述工具。这会将模型请求处理保存在一处,并在 API 请求失败时添加有用的上下文。该方法首先将用户的查询和可用工具发送给 Claude。当 Claude 请求工具时,客户端通过 MCP 会话执行每个请求,将结果发回给 Claude,并收集最终的文本响应。该循环接受查询,直到用户输入 该入口点加载 不带服务器命令运行纯 客户端将如果找不到命令,请使用其绝对路径或验证它在您的
系统要求
在开始之前,请确保您的 Linux 系统满足以下要求- 最新稳定版本的 Rust 和 Cargo
- Anthropic API 密钥 (Claude)
- 一个可连接的 Python、Node.js 或可执行 MCP 服务器
设置您的环境
首先,创建一个新的 Rust 项目cargo new mcp-client-rust
cd mcp-client-rust
Cargo.toml 的内容Cargo.toml
[package]
name = "mcp-client-rust"
version = "0.1.0"
edition = "2024"
[dependencies]
anyhow = "1.0.100"
genai = "0.4.2"
rmcp = { version = "0.8.0", features = ["server", "client", "transport-io", "transport-child-process"] }
tokio = { version = "1.47.1", features = ["full"] }
tracing = "0.1.41"
tracing-subscriber = { version = "0.3", features = ["env-filter"] }
serde_json = "1.0.128"
dotenvy = "0.15.7"
reqwest = "0.12.23"
rmcp crate 提供了 Rust MCP SDK 和子进程传输。此示例使用 genai crate 向 Claude 发送请求并在模型请求中表示工具。设置您的 API 密钥
您需要从 Anthropic 控制台 获取 Anthropic API 密钥。创建一个.env 文件来存储它:echo "ANTHROPIC_API_KEY=your-api-key-goes-here" > .env
.env 添加到您的 .gitignore 中echo ".env" >> .gitignore
请务必妥善保管您的
ANTHROPIC_API_KEY!创建客户端
打开src/main.rs 并根据以下部分替换其内容。导入和客户端结构
首先,添加导入、模型常量和基本客户端结构use anyhow::{Context, Result, bail};
use genai::Client;
use genai::chat::{
ChatMessage, ChatRequest, ChatResponse, ContentPart, Tool as GenaiTool, ToolResponse,
};
use rmcp::model::{CallToolRequestParam, Tool as McpTool};
use rmcp::service::{RoleClient, RunningService, ServiceExt};
use rmcp::transport::TokioChildProcess;
use serde_json::Value;
use tokio::io::{self, AsyncBufReadExt, BufReader};
use tokio::process::Command;
const MODEL_ANTHROPIC: &str = "claude-sonnet-4-20250514";
struct MCPClient {
anthropic: Client,
session: Option<RunningService<RoleClient, ()>>,
tools: Vec<GenaiTool>,
}
客户端初始化
接下来,初始化模型客户端,并在没有 MCP 会话或工具的情况下启动impl MCPClient {
fn new() -> Result<Self> {
Ok(MCPClient {
anthropic: Client::default(),
session: None,
tools: Vec::new(),
})
}
// Additional methods will go here.
}
genai::Client::default() 在发送请求时会读取 ANTHROPIC_API_KEY 环境变量。服务器连接管理
在impl MCPClient 块中添加此方法async fn connect_to_server(&mut self, server_args: &[String]) -> Result<()> {
if self.session.is_some() {
bail!("Client is already connected to a server");
}
let mut command = Command::new(&server_args[0]);
command.args(&server_args[1..]);
let process = TokioChildProcess::new(command)
.with_context(|| format!("Failed to spawn server process for {:?}", server_args))?;
let session = ().serve(process).await?;
let rmcp_tools = session
.list_all_tools()
.await
.context("Unable to list tools from server")?;
let tool_names: Vec<String> = rmcp_tools
.iter()
.map(|tool| tool.name.to_string())
.collect();
println!("Connected to server with tools: {tool_names:?}");
self.tools = convert_tools(&rmcp_tools);
self.session = Some(session);
Ok(())
}
- 使用命令行上提供的命令和参数启动服务器作为子进程
- 通过 stdio 建立 MCP 会话
- 列出服务器宣告的所有工具
- 将这些工具转换为模型请求中使用的格式
转换 MCP 工具
在impl MCPClient 块之外添加此函数fn convert_tools(tools: &[McpTool]) -> Vec<GenaiTool> {
tools
.iter()
.map(|tool| GenaiTool {
name: tool.name.to_string(),
description: tool.description.as_deref().map(str::to_string),
schema: Some(Value::Object(tool.input_schema.as_ref().clone())),
config: None,
})
.collect()
}
convert_tools 将每个 MCP 工具的名称、描述和输入模式映射为 genai 工具定义。发送模型请求
在impl MCPClient 中添加此辅助方法async fn request_model(&self, chat_req: &ChatRequest) -> Result<ChatResponse> {
let response = self
.anthropic
.exec_chat(MODEL_ANTHROPIC, chat_req.clone(), None)
.await
.context("Anthropic chat request failed")?;
Ok(response)
}
查询处理逻辑
现在,在impl MCPClient 中添加核心查询处理方法async fn process_query(&mut self, query: &str) -> Result<String> {
let session = self
.session
.as_ref()
.context("Client is not connected to any server")?;
let mut messages = vec![ChatMessage::user(query)];
let mut final_text = Vec::new();
// Initial Claude API call with tools
let mut chat_req = ChatRequest::new(messages.clone()).with_tools(self.tools.clone());
let mut chat_rsp = self.request_model(&chat_req).await?;
// Process response content - collect text and handle tool calls
for text in chat_rsp.texts() {
final_text.push(text.to_string());
}
let tool_calls = chat_rsp.tool_calls();
if !tool_calls.is_empty() {
// Append assistant's response to message history
messages.push(ChatMessage::assistant(chat_rsp.content.clone()));
// Execute each tool call and collect responses
let mut tool_results = Vec::new();
for tool_call in tool_calls {
// Add information about the tool call to final text
let tool_args_str = serde_json::to_string(&tool_call.fn_arguments)
.unwrap_or_else(|_| "{}".to_string());
final_text.push(format!(
"[Calling tool {} with args {}]",
tool_call.fn_name, tool_args_str
));
// Query the MCP server
let tool_result = session
.call_tool(CallToolRequestParam {
name: tool_call.fn_name.clone().into(),
arguments: tool_call.fn_arguments.as_object().cloned(),
})
.await
.with_context(|| format!("Tool call {} failed", tool_call.fn_name))?;
let payload = serde_json::to_string(&tool_result)
.context("Failed to serialize tool result")?;
tool_results.push(ContentPart::ToolResponse(ToolResponse::new(
tool_call.call_id.clone(),
payload,
)));
}
// Append tool responses to message history
messages.push(ChatMessage::user(tool_results));
// Build the next request and query model
chat_req = ChatRequest::new(messages.clone());
chat_rsp = self.request_model(&chat_req).await?;
// Collect text from response
for text in chat_rsp.texts() {
final_text.push(text.to_string());
}
}
Ok(final_text.join("\n"))
}
交互式聊天界面
在impl MCPClient 中添加交互式终端循环async fn chat_loop(&mut self) -> Result<()> {
println!("\nMCP Client Started!");
println!("Type your queries or 'quit' to exit.");
let mut stdin = BufReader::new(io::stdin());
let mut input = String::new();
loop {
print!("\nQuery: ");
std::io::Write::flush(&mut std::io::stdout())?;
input.clear();
if stdin.read_line(&mut input).await? == 0 {
break; // EOF
}
let query = input.trim();
if query.eq_ignore_ascii_case("quit") {
break;
}
if query.is_empty() {
continue;
}
match self.process_query(query).await {
Ok(response) => println!("\n{}", response),
Err(err) => println!("\nError: {}", err),
}
}
Ok(())
}
quit 或关闭标准输入。查询错误会打印出来,但不会终止客户端。清理
在impl MCPClient 中添加此方法以停止 MCP 会话和子进程async fn cleanup(&mut self) -> Result<()> {
if let Some(session) = self.session.take() {
let _ = session.cancel().await;
}
Ok(())
}
主入口点
最后,在impl MCPClient 块之外添加异步入口点#[tokio::main]
async fn main() -> Result<()> {
dotenvy::dotenv().context("Failed to load env file")?;
let mut args = std::env::args();
let _ = args.next();
let server_args: Vec<String> = args.collect();
if server_args.is_empty() {
eprintln!("Usage: cargo run -- <server_script_or_binary> [args...]");
std::process::exit(1);
}
let mut client = MCPClient::new()?;
let result = async {
client.connect_to_server(&server_args).await?;
client.chat_loop().await
}
.await;
let cleanup_result = client.cleanup().await;
result?;
cleanup_result?;
Ok(())
}
.env,将所有剩余的命令行参数视为服务器命令,连接客户端,启动聊天循环,并确保在退出前运行清理。验证完整文件
在运行客户端之前,确认src/main.rs 中的项目放置在正确的作用域内new,connect_to_server,process_query,request_model,chat_loop, 和cleanup是单个impl MCPClient块中的方法。main和convert_tools是在impl MCPClient块之外的函数。
src/main.rs 示例 进行比较,然后检查它是否能编译cargo fmt --check
cargo check
运行客户端
使用cargo run -- 后跟您通常用于启动 MCP 服务器的命令# Python server
cargo run -- python path/to/server.py
# Node.js server
cargo run -- node path/to/build/index.js
# Executable server
cargo run -- path/to/server-binary
cargo run 会打印用法消息并退出。如果您正在继续 服务器快速入门中的天气教程,请先构建服务器,然后运行类似于以下的命令:
cargo run -- ../weather-server-rust/target/debug/weather- 启动并连接到指定的 MCP 服务器
- 列出该服务器提供的工具
- 启动一个交互式聊天会话,您可以在其中
- 输入查询
- 查看工具执行
- 获取 Claude 的回复
工作原理
当您提交查询时- 客户端将您的查询和服务器的可用工具发送给 Claude
- Claude 决定使用哪些工具(如果有的话)
- 客户端通过 MCP 会话执行请求的工具
- 工具结果被发送回 Claude
- Claude 提供自然语言响应
- 响应显示在终端中
最佳实践
-
错误处理
- 在进程、MCP、模型 API 和序列化边界处为错误添加上下文
- 报告单个查询错误而不终止交互式会话
- 在运行服务器命令之前对其进行验证
-
资源管理
- 始终在清理期间取消 MCP 会话
- 确保即使在连接或聊天循环操作失败时也能运行清理
- 避免在会话处于活动状态时启动第二个服务器
-
安全性
- 将 API 密钥安全存储在
.env中 - 在允许模型驱动的调用之前,请审查服务器公开的工具
- 仅连接到您信任的服务器和可执行命令
- 将 API 密钥安全存储在
故障排除
服务器命令问题
cargo run -- 之后的参数必须构成一个完整的命令。解释型服务器脚本需要它们的运行时# Correct
cargo run -- python ./server/weather.py
cargo run -- node ./server/build/index.js
# Incorrect: a Python script is not necessarily executable by itself
cargo run -- ./server/weather.py
PATH 中可用。环境文件问题
如果您看到Failed to load env file,请确保 .env 存在于您运行客户端的目录中。如果模型请求报告缺少 API 密钥,请确认 .env 包含:ANTHROPIC_API_KEY=your-api-key-goes-here
工具和响应错误
Unable to list tools from server:验证服务器是否成功启动并通过 stdio 进行通信Tool call ... failed:验证服务器工具所需的参数和环境变量Failed to serialize tool result:检查服务器响应中是否存在不支持或格式错误的内容
后续步骤
示例服务器
查看我们的官方 MCP 服务器和实现库