优刻得模型服务平台支持MCP（含快速上手教程）
优刻得UModelVerse模型服务平台接入MCP协议，通过标准化接口简化大模型与数据源的连接，解决数据孤岛问题。文章提供快速上手教程，帮助开发者轻松集成MCP Server，适用于AI应用开发中需要高效调用外部数据或工具的场景。
数据是AI大模型的 “燃料”，当MCP协议成为事实标准后，更丰富的数据能够让模型学习到更多的知识和模式，从而提升大模型的性能和表现。
近日，优刻得UModelVerse模型服务平台通过升级服务能力，接入QwQ模型****并提供Function Call的原生能力，正式支持了MCP协议，以标准化的接口和交互方式，大大简化了模型与数据源的连接流程。
什么是MCP？
Anthropic开源的MCP（Model Context Protocol）协议，为连接AI系统与数据源提供了一个通用的、开放的标准，成功用单一协议取代了以往碎片化的集成方式，成为全球AI开发者热议的焦点。
*MCP协议架构主要包含数据传输层、接口适配层、安全认证层等关键组件，各组件协同工作，确保数据交互既高效又安全。
**简单来说，MCP是一个为LLM搭建起与外部数据源及工具直接对话的桥梁，聚焦于解决当前AI模型发展深受制约的数据孤岛难题。**MCP要求通信格式严格遵循JSON-RPC2.0标准，让不同的数据服务商、工具提供者以及前端应用，在与LLM沟通时能够畅通无阻。从此，LLM仿佛拥有了一个 “万能转接头”，只要各类资源能够符合MCP这套标准，无论是数据、文件系统、开发工具，还是Web和浏览器自动化程序，甚至是各种社区生态能力，都能与LLM实现万物互联，为AI应用赋予强大的协作工作能力。
使用UModelVerse模型快速接入MCP Server
MCP server是MCP架构中的关键组件，提供资源（Resources）、工具（Tools）、提示（Prompts）三大功能。这些功能使MCP server能够为AI应用提供丰富的上下文信息和操作能力，从而增强LLM的实用性和灵活性。
为了帮助开发者更好地理解和应用MCP协议，优刻得在此提供一个实现MCP Server的简易示例：
- 安装nodejs
链接地址🔗：https://nodejs.org/zh-cn
- 安装必要依赖
pip install mcp
pip install openai
- 运行代码
以下代码可以作为模版使用，但需注意使用您实际的UModelVerse平台API_KEY。
-
我们选择无需密钥即可使用的MCP Server web-search。
-
若您是windows系统，请打开注释# command="cmd.exe", args=["/c", "npx", "-y", "@mzxrai/mcp-webresearch@latest"]
向上滑动查看
import asyncio
import json
from typing import Optional
from contextlib import AsyncExitStack
from openai import OpenAI
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
openai_client = OpenAI(
base_url="https://api.modelverse.cn/v1", # modelverse的API地址（无需更改）
api_key="<您的api_key>", # 控制台创建API Key https://console.ucloud.cn/modelverse/experience
)
model_name = "Qwen/QwQ-32B" # 模型名称（无需更改）
class MCPClient:
def init(self):
"""初始化 MCP 客户端"""
self.exit_stack = AsyncExitStack()
self.client = openai_client
# 初始化 client
self.session: Optional[ClientSession] = None
self.exit_stack = AsyncExitStack()
async def connect_to_server(self):
# 使用无需密钥的MCP Server
server_params = StdioServerParameters(
# mac os系统使用下面的命令
command="npx",
args=["-y", "@mzxrai/mcp-webresearch@latest"],
# windows 系统使用下面命令
# command="cmd.exe", args=["/c", "npx", "-y", "@mzxrai/mcp-webresearch@latest"],
)
# 启动 MCP 服务器并建立通信
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()
# 列出 MCP 服务器上的工具
list_tools_resp = await self.session.list_tools()
list_prompt_resp = await self.session.list_prompts()
list_resource_resp = await self.session.list_resources()
self.session.get_prompt
tools = list_tools_resp.tools
print(
"\n已连接到服务器，支持以下tools:",
[tool.name for tool in tools],
"以下prompts:",
[prompt.name for prompt in list_prompt_resp.prompts],
"以下resources:",
[resource.name for resource in list_resource_resp.resources],
)
async def process_prompt(self, query: str) -> str:
"""
使用大模型处理查询并调用可用的 MCP 工具 (tool Calling)
"""
messages = [{"role": "user", "content": query}]
list_tools_resp = await self.session.list_tools()
self.session.complete
available_tools = [
{
"type": "function",
"function": {
"name": tool.name,
"description": tool.description,
"parameters": tool.inputSchema,
},
}
for tool in list_tools_resp.tools
]
resp = self.client.chat.completions.create(
model=model_name, messages=messages, tools=available_tools
)
# 处理返回的内容
content = resp.choices[0]
if content.finish_reason == "tool_calls":
# 如何是需要使用工具，就解析工具
tool_call = content.message.tool_calls[0]
tool_name = tool_call.function.name
tool_args = json.loads(tool_call.function.arguments)
# 执行工具
result = await self.session.call_tool(tool_name, tool_args)
print(f"\n\n[Calling tool {tool_name} with args {tool_args}]\n\n")
# 将模型返回的调用哪个工具数据和工具执行完成后的数据都存入messages中
messages.append(
{
"role": "tool",
"content": result.content[0].text,
"tool_call_id": tool_call.id,
}
)
# 将上面的结果再返回给大模型用于生产最终的结果
resp = self.client.chat.completions.create(
messages=messages, model=model_name, tools=available_tools
)
return resp.choices[0].message.content
return content.message.content
async def chat_loop(self):
"""运行交互式聊天循环"""
print("\n🤖 MCP Host已启动！输入 'exit' 退出")
while True:
try:
prompt = input("\n你: ").strip()
if prompt.lower() == "exit":
break
response = await self.process_prompt(prompt)
print(f"\n🤖 ModelVerse QwQ-32B: {response}")
except Exception as e:
print(f"\n⚠️ 发生错误: {str(e)}")
async def cleanup(self):
"""清理资源"""
await self.exit_stack.aclose()
async def main():
client = MCPClient()
try:
await client.connect_to_server()
await client.chat_loop()
finally:
await client.cleanup()
if name == "main":
asyncio.run(main())
- 连接效果
实际用户请求：“请帮我阅读并总结网页-UCloud文档中心（https://docs.ucloud.cn/modelverse/api_doc/chat）”
优刻得模型服务平台支持MCP协议后，可进一步降低开发者重复开发的工作量和行业准入门槛，使其能够迅速共享和复用资源，实现AI应用的拓展。
优刻得深耕智算领域，基于技术创新实践降低行业门槛、推动技术融合和解决实际问题，全面契合国家对人工智能和数字经济发展的要求。跟随技术的发展步伐，优刻得将继续秉持创新精神，不断探索、突破，为推动AI发展与国家科技进步贡献更多力量。
如需更多帮助，欢迎扫描下方二维码
联系线上客服咨询指导！