wordpress jetpack 使用,江西seo推广方案,网站开发文档是什么概念,网站的登记表是怎么做的目录
一、使用Trae编辑器配置高德MCP Server
1.1 Trae介绍
1.2 从mcp.so中获取配置高德地图mcp server配置信息
1.3 高德地图开发者配置
1.4 添加Filesystem 到Trae
1.5 使用结果展示
1.6 MCP常见命令行工具和包管理说明
1.7 Function Call工具和MCP技术对比
二、本地…目录
一、使用Trae编辑器配置高德MCP Server
1.1 Trae介绍
1.2 从mcp.so中获取配置高德地图mcp server配置信息
1.3 高德地图开发者配置
1.4 添加Filesystem 到Trae
1.5 使用结果展示
1.6 MCP常见命令行工具和包管理说明
1.7 Function Call工具和MCP技术对比
二、本地开发自己的MCP Server
2.1 MCP Server开发 将 MCP 添加到Python 项目中使用 uv 来管理Python 项目。
创建虚拟环境和激活 将 MCP 添加到项目依赖中
创建weather.py AI编辑器配置MCP
测试mcp server
2.2 MCP Client 开发
配置项
环境搭建 创建 client.py
2.3 整合测试 本文介绍如何使用Trae编辑器与MCP协议配置高德地图服务并开发定制化MCP Server
一、使用Trae编辑器配置高德MCP Server
1.1 Trae介绍
Trae是字节跳动于2025年推出的AI原生集成开发环境,提供 Claude 3.5、GPT-4o 等模型免费不限量调用
与 Cursor 对比Trae 更侧重中文支持、企业级协作及全流程自动化Cursor 则强于代码调试和复杂项目优化
官网地址https://www.trae.com.cn/
进入官网直接下载 然后next next 安装即可 下载后 登录 然后打开长这样: 1.2 从mcp.so中获取配置高德地图mcp server配置信息
访问https://mcp.so/ 找到高德地图官方MCP server 需要copy这个配置出来 然后在Trae中手动添加 添加到这里就可以 高德key的获取在下面章节 1.3 高德地图开发者配置
地址https://lbs.amap.com/ 访问后进入控制台 进入控制台后 初次使用需要个人信息认证 按步骤操作就可以 先创建应用 (初次使用页面上有新手指引)
然后创建key copy这个key 放到刚才Trae手动添加mcp server的地方 配置成功会有 √ 可使用标识 。出现红色的× 可以点×图标进去看看错误log
注意:安装有node环境即可即npm存在就可以 npm没装 手动配置这步是会错误的 1.4 添加Filesystem 到Trae
从Trae中添加 现在已经加好了2个 1.5 使用结果展示
选择Builder with MCP 然后再输入问题
我后天去安徽合肥玩3天的旅行。你规划下攻略 ,需要将行程和天气放一起进行规划 再加上交通工具 然后生成kmTravel.html 查看最后结果: 1.6 MCP常见命令行工具和包管理说明 npxNode.js 的 “即跑即用” 执行工具 npx是npm命令的升级版本功能强大, 侧重于执行命令的执行某个模块命令会自动安装模块但是重在执行某个命令。 在 MCP 开发中npx主要用于调试 MCP 服务器或执行与 MCP 协议相关的 Node.js 工具 uvRust 编写的 Python 极速包管理器 uv是用 Rust 开发的 Python 包与项目管理器主打极速创建虚拟环境和依赖隔离。 在 MCP 开发中uv主要用于管理 Python 实现的 MCP 服务器或工具的依赖环境适合需要快速创建、切换开发环境的场景 uvxuv 的 “临时环境执行” 扩展工具 uvx是uv工具链的扩展命令定位为临时环境执行器。 无需提前创建环境直接为单次命令创建临时虚拟环境执行后自动清理适合一次性工具调用 在 MCP 中uvx主要用于临时运行 Python 实现的 MCP 工具如官方的mcp-server-fetch 1.7 Function Call工具和MCP技术对比 MCP解决的核心问题 协议标准化: 通过定义统一的通信规范类似 USB-C 接口将传统 Tool/Function Call 的 “定制化适配” 转化为 “标准化接入” 例如开发一个 MCP 兼容的数据库服务器后可被 千问、GPT-4 等所有支持 MCP 的模型调用无需重复开发 效率提升:传统集成中开发者需为每个工具编写 API 调用代码如天气查询需处理 HTTP 请求、JSON 解析等 MCP 提供标准化 SDK开发者只需关注业务逻辑接口适配成本趋近于零。 Function Call 每个工具独立开发接口形成 “烟囱式” 架构如为 每个API数据库、 分别编写适配代码。 手动串联多个工具调用如先调用天气 API再调用地图 API流程硬编码且难以维护。 绑定特定模型迁移成本高如从 GPT-3.5 迁移至 Claude 需重写所有工具调用逻辑。 优先选择 MCP 的场景 复杂企业级应用需集成多个异构系统如 ERP、CRM、邮件、数据库且未来可能扩展新工具。 跨模型部署需支持多 LLM 供应商如同时使用 Claude 和 GPT。 敏感数据处理涉及医疗、金融等受监管数据需严格权限控制和审计
优先选择 Function Call 的场景 快速原型开发简单功能验证如天气查询、计算器追求最短开发周期。 封闭环境应用工具逻辑完全内置于当前系统如内部知识库问答无需外部交互。 深度依赖特定模型需利用专有功能如 GPT-4 的代码解释器。
混合架构策略 对于大型项目可采用 “MCPFunction Call” 混合架构 核心业务流程通过 MCP 协议实现标准化集成如数据库、API。 边缘功能模块使用 Function Call 快速实现轻量级工具调用如简单计算器。 这种策略既能享受 MCP 的扩展性与安全性又能保留 Function Call 的敏捷性。
二、本地开发自己的MCP Server
基于高德地图接口开发定制化的MCP Server
参考官方文档https://modelcontextprotocol.io/introduction mcp.tool() 装饰器 用于标记工具函数将普通Python函数注册为MCPServer可调用的服务方法。 通常配合协议解析器使用自动暴露函数到服务接口。 mcp.resource 装饰器 用于定义资源型接口类似RESTful API处理HTTP请求或自定义协议的资源操作。 通常与URL路由或协议动作绑定支持CRUD操作。 2.1 MCP Server开发
本节内容是在window11上操作的 。MacOS/Linux 有些命令不一样 。见官网demo 将 MCP 添加到Python 项目中使用 uv 来管理Python 项目。 #安装uv环境 pip install uv uv init nnw-mcp-server-demo cd nnw-mcp-server-demo 然后再vscode中选择文件夹打开即可 创建虚拟环境和激活 uv venv # 激活虚拟环境 # On Windows: .venv\Scripts\activate # On Unix or MacOS: source .venv/bin/activate 目录前面是项目名称就可以 将 MCP 添加到项目依赖中 uv add mcp[cli] httpx 创建weather.py
from typing import Any, Optional
import httpx
from mcp.server.fastmcp import FastMCPmcp FastMCP(amap-weather)# 高德地图API常量 就是上个章节的那个Key
AMAP_API_BASE https://restapi.amap.com/v3
AMAP_API_KEY 2f92a69cxxxxxxxxxxxxxxxxxxx
USER_AGENT amap-weather-app/1.0async def make_amap_request(endpoint: str, params: dict) - dict[str, Any] | None:通用高德API请求函数带错误处理Args:endpoint: API接口路径如/weather/weatherInfoparams: 请求参数自动附加key和基础参数print(正在发起高德API请求...make_amap_request)base_params {key: AMAP_API_KEY, output: JSON}full_params {**base_params, **params}async with httpx.AsyncClient() as client:try:response await client.get(f{AMAP_API_BASE}{endpoint},paramsfull_params,headers{User-Agent: USER_AGENT},timeout30.0,)response.raise_for_status() # 检查HTTP状态码非200抛异常data response.json()# 处理高德API业务错误码如key无效、参数错误if data.get(status) ! 1:err_msg data.get(info, 未知错误)print(f高德API请求失败{err_msg})return Nonereturn dataexcept Exception as e:print(f请求异常{str(e)})return Nonedef format_realtime_weather(data: dict) - str:格式化实时天气数据为可读文本realtime data[lives][0] # 高德实时天气数据在lives数组中return f城市{realtime[city]}实时天气{realtime[weather]}{realtime[temperature]}°C湿度{realtime[humidity]}%风向{realtime[winddirection]}风速{realtime[windpower]}级更新时间{realtime[reporttime]}def format_forecast(data: dict) - str:格式化未来天气预报数据为可读文本forecasts []for day_data in data[forecasts][0][casts]: # 高德预报数据在casts数组中forecast f日期{day_data[date]}白天天气{day_data[dayweather]}夜间天气{day_data[nightweather]}最高温{day_data[daytemp]}°C最低温{day_data[nighttemp]}°C风向{day_data[daywind]}风力{day_data[daypower]}级forecasts.append(forecast)return \n---\n.join(forecasts)mcp.tool()
async def get_realtime_weather(city_adcode: str) - str:获取中国城市实时天气通过高德地图APIArgs:city_adcode: 城市编码如北京110000上海310000可通过高德城市编码表查询print(正在获取实时天气...get_realtime_weather)data await make_amap_request(endpoint/weather/weatherInfo,params{city: city_adcode,extensions: base,}, # extensionsbase表示实时天气)if not data or not data.get(lives):return 无法获取实时天气数据请检查城市编码或API Keyreturn format_realtime_weather(data)mcp.tool()
async def get_forecast(city_adcode: str) - str:获取中国城市未来多天天气预报通过高德地图APIArgs:city_adcode: 城市编码如北京110000上海310000可通过高德城市编码表查询data await make_amap_request(endpoint/weather/weatherInfo,params{city: city_adcode, extensions: all}, # extensionsall表示预报)if not data or not data.get(forecasts):return 无法获取天气预报数据请检查城市编码或API Keyreturn format_forecast(data)if __name__ __main__:# 启动MCP服务器通过标准输入输出通信mcp.run(transportstdio)AI编辑器配置MCP
{mcpServers: {weather: {command: uv,args: [--directory,C:\\soft\\test\\nnw-mcp-server-demo,run,weather.py]}}
} 配置成功后是这样的 测试mcp server
正常调用实时工具 正常调用预报工具 到这mcp server demo就开发结束啦 ~
2.2 MCP Client 开发
配置项 DASHSCOPE_API_KEY sk-xxx # 阿里云DashScope平台申请的API Key TONGYI_MODEL qwen-plus # 使用的通义千问模型 环境搭建
同上面mcp server的一致 创建 client.py
代码流程参考MCP官方案例https://modelcontextprotocol.io/quickstart/client
import asyncio
import json
import sys
from typing import Optional
from contextlib import AsyncExitStack
import httpx# ClientSessionMCP客户端会话StdioServerParameters标准输入输出服务端配置参数
from mcp import ClientSession, StdioServerParameters# 标准输入输出客户端用于通过控制台与服务端通信适用于本地进程间通信
from mcp.client.stdio import stdio_clientDASHSCOPE_API_KEY sk-090303xxxxxxxxxxxxxxxx # 阿里云DashScope平台API Key
TONGYI_MODEL qwen-plus # 使用qwen-plus模型class MCPClient:MCP客户端用于连接服务端并通过LLM调用工具def __init__(self):初始化MCP客户端和通义千问API连接# MCP客户端会话用于与服务端通信初始为None连接后赋值self.session: Optional[ClientSession] None# 异步资源栈用于自动管理后续创建的异步上下文如连接、会话等确保资源正确释放self.exit_stack AsyncExitStack()self.tools {} # 存储可用工具的字典self.tool_descriptions [] # LLM可用的工具描述async def connect_to_server(self, server_script_path: str):连接到MCP服务端Args:server_script_path: 服务端脚本路径(.py或.js)# 验证脚本类型is_python server_script_path.endswith(.py)is_js server_script_path.endswith(.js)if not (is_python or is_js):raise ValueError(服务端脚本必须是.py或.js文件)# 确定执行命令command python if is_python else nodeserver_params StdioServerParameters(commandcommand, args[server_script_path], envNone)# 建立与服务端的连接print(f正在连接到服务端: {server_script_path}...)stdio_transport await self.exit_stack.enter_async_context(stdio_client(server_params))self.stdio, self.write stdio_transportself.session await self.exit_stack.enter_async_context(ClientSession(self.stdio, self.write))await self.session.initialize()# 获取并展示可用工具response await self.session.list_tools()self.tools {tool.name: tool for tool in response.tools}# 美化工具列表输出print(\n✓ 已成功连接到服务端)print( 可用工具:)for tool_name in self.tools:print(f - {tool_name})# 为LLM准备工具描述self.tool_descriptions [{name: tool.name,parameters: (json.loads(tool.inputSchema)if isinstance(tool.inputSchema, str)else tool.inputSchema),description: tool.description,}for tool in response.tools]async def call_tool(self, tool_name: str, parameters: dict) - str:调用MCP服务端的工具Args:tool_name: 工具名称parameters: 工具参数Returns:工具执行结果if tool_name not in self.tools:raise ValueError(f未知工具: {tool_name})# 调用前显示进度print(f 正在调用工具: {tool_name})print(f 参数: {json.dumps(parameters, ensure_asciiFalse, indent2)})result await self.session.call_tool(tool_name, parameters)return result.contentasync def query_llm(self, user_query: str) - dict:调用通义千问API解析用户查询为工具调用指令Args:user_query: 用户查询内容Returns:解析后的工具调用指令字典print(f 正在分析查询: {user_query})api_url https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions# 系统提示词指导模型使用工具system_prompt f你是一个天气信息查询助手。用户的问题将由以下工具回答{json.dumps(self.tool_descriptions, indent2, ensure_asciiFalse)}请直接生成JSON格式的工具调用指令不要包含其他解释。示例用户输入上海明天的天气如何 → {{name: get_forecast, parameters: {{city_adcode: 310000}}}}.strip()headers {Authorization: fBearer {DASHSCOPE_API_KEY},Content-Type: application/json,}payload {model: TONGYI_MODEL,messages: [{role: system, content: system_prompt},{role: user, content: user_query},],parameters: {temperature: 0.1, # 极低随机性max_tokens: 128, # 限制生成长度},}# 发送请求并处理响应async with httpx.AsyncClient() as client:print( 正在请求LLM服务...)response await client.post(api_url, headersheaders, jsonpayload)response.raise_for_status()result response.json()tool_call (result.get(choices, [{}])[0].get(message, {}).get(content, {}))try:print(✓ 成功获取工具调用指令)return json.loads(tool_call)except json.JSONDecodeError:print(f⚠️ 无效的工具调用格式: {tool_call})return Noneasync def process_query(self, user_query: str) - str:处理用户查询调用LLM并执行工具Args:user_query: 用户查询内容Returns:最终响应结果# 获取工具调用指令tool_call await self.query_llm(user_query)if not tool_call or name not in tool_call or parameters not in tool_call:return 抱歉无法理解您的查询。tool_name tool_call[name]parameters tool_call[parameters]try:return await self.call_tool(tool_name, parameters)except Exception as e:return f调用工具失败: {str(e)}async def chat_loop(self):交互式聊天循环# 显示欢迎信息print(\n * 30)print(️ 天气查询助手)print( * 30)print(输入示例北京明天天气如何/ 北京今天天气怎么样)print(输入quit、退出或bye结束对话)while True:try:query input(\n查询: ).strip()if query.lower() in [quit, 退出, bye]:print( 感谢使用再见)breakif not query:continueresponse await self.process_query(query)# 美化结果输出print(\n - * 30)print( 查询结果:)print(- * 30)print(response)print(- * 30)except Exception as e:print(f\n⚠️ 发生错误: {str(e)})async def cleanup(self):清理资源print( 正在清理资源...)await self.exit_stack.aclose()print(✓ 资源清理完成)async def main():程序入口点if len(sys.argv) 2:print(使用方法: python client.py 服务端脚本路径)sys.exit(1)print( 天气查询助手启动中...)client MCPClient()try:await client.connect_to_server(sys.argv[1])await client.chat_loop()finally:await client.cleanup()if __name__ __main__:asyncio.run(main())2.3 整合测试
本地运行 python client.py weather.py 提问合肥明天天气怎么样? 输入自然查询内容 就会去调用相应的工具 询问今天会去调用get_realtime_weather 询问明天预报类的则会去调用get_forecast 工具的调用流程 用户输入 → process_query → 调用query_llm获取工具调用指令如get_forecast 通过 MCP 协议向服务端发送指令服务端执行具体工具逻辑如调用天气 API 服务端返回结果客户端解析并展示 总结
本文介绍了如何利用Trae编辑器与MCP协议快速配置并开发基于高德地图API的定制化服务。通过具体的步骤指导我们了解了从Trae环境搭建、MCP Server的配置到实际开发应用的全过程。此外还探讨了MCP Server和Client的构建方法以及如何使用Python进行本地测试和集成。
