用 MCP Client 接入任意工具服务：在自写 Agent 里调用 MCP Server（Python 实战）

mkdir mcp-client-demo && cd mcp-client-demo
python -m venv .venv
# Windows 激活：  .venv\Scripts\activate
# macOS/Linux 激活：source .venv/bin/activate
pip install "mcp>=1.2.0" openai

先有一个能被调用的 Server。用官方提供的 FastMCP，加个装饰器就是一个工具：

# server.py
from mcp.server.fastmcp import FastMCP

mcp = FastMCP("demo")

@mcp.tool()
def add(a: int, b: int) -> int:
    """把两个数相加。"""
    return a + b

@mcp.tool()
def web_search(q: str) -> str:
    """返回一段示例搜索结果（演示用，不联网）。"""
    return f"关于「{q}」的示例结果：MCP 让 Agent 调用外部工具。"

if __name__ == "__main__":
    mcp.run()   # 默认 stdio 传输

这才是本文的主角。stdio_client 负责拉起 Server，ClientSession 负责协议握手和调用：

# client.py
import asyncio
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

async def main():
    params = StdioServerParameters(command="python", args=["server.py"])
    async with stdio_client(params) as (read, write):
        async with ClientSession(read, write) as session:
            await session.initialize()                 # 必须先握手
            tools = await session.list_tools()
            print("可用工具:", [t.name for t in tools.tools])
            res = await session.call_tool("add", {"a": 2, "b": 3})
            print("add(2,3) =", res.content[0].text)

asyncio.run(main())

运行：

python client.py
# 输出：
# 可用工具: ['add', 'web_search']
# add(2,3) = 5

把 Server 的工具列表转成 OpenAI 风格的 tools schema，模型就能决定「该调哪个」：

import json, openai
client = openai.OpenAI()   # 需要 OPENAI_API_KEY

tools_schema = [
    {
        "type": "function",
        "function": {
            "name": t.name,
            "description": t.description or "",
            "parameters": t.inputSchema,   # MCP 返回的 JSON Schema
        },
    }
    for t in tools.tools
]

真正的 Agent 是「循环」：模型说「我要调 add」→ Client 真去 Server 上算 → 把结果以 role=tool 回灌 → 模型继续推理，直到给出最终答案。

# agent.py 核心骨架（与 Step 3 的 session 同一上下文）
messages = [{"role": "user", "content": "帮我算 12+30，并搜一下 MCP 是什么"}]
while True:
    r = client.chat.completions.create(
        model="gpt-4o-mini", messages=messages, tools=tools_schema)
    msg = r.choices[0].message
    if not msg.tool_calls:                 # 模型认为不需要再调工具
        print(msg.content); break
    messages.append(msg)                   # 把模型的「调工具意图」记下来
    for call in msg.tool_calls:
        result = await session.call_tool(
            call.function.name, json.loads(call.function.arguments))
        messages.append({
            "role": "tool",
            "tool_call_id": call.id,
            "content": result.content[0].text,
        })

社区已经有大量现成 Server。把 StdioServerParameters 的启动命令换成它们即可，Client 代码一行都不用改：

# 例：用官方文件系统 Server，把当前目录授权给它
params = StdioServerParameters(
    command="npx",
    args=["-y", "@modelcontextprotocol/server-filesystem", "."])

# 例：网页抓取 Server
params = StdioServerParameters(
    command="npx",
    args=["-y", "@modelcontextprotocol/server-fetch"])

• 多 Server 聚合：起多个 stdio_client，把各自的 list_tools() 合并成一张工具表，你的 Agent 就同时拥有「算数 + 读文件 + 抓网页」等一揽子能力。
• 可视化调试：用官方 Inspector 看工具列表和每次调用——npx @modelcontextprotocol/inspector，浏览器打开它给的地址即可。
• 安全收敛：给工具做白名单（只允许模型调某几个）、校验参数类型、对写操作加人工确认，别让 Agent 拿到「任意工具任意参数」的完全权限。