Claude MCP服务搭建全流程：从本地开发到远程部署

什么是MCP服务？

MCP（Model Context Protocol）是一种让AI模型调用外部工具和服务的标准协议。该协议由Anthropic于2024年11月正式开源，其设计灵感来源于语言服务器协议（LSP，Language Server Protocol）——正是LSP让VS Code等编辑器能够通过统一接口支持数百种编程语言。MCP试图解决AI领域同样的碎片化问题：此前每个AI应用都需要为每个外部工具单独开发集成代码，形成M×N的复杂度爆炸。MCP将这种关系标准化为M+N，任何兼容MCP的AI客户端都能调用任何兼容MCP的服务器，无需重复开发。通过MCP，Claude等AI助手可以直接与本地或远程服务进行交互，极大扩展了AI的能力边界。

目前已有多种成熟的MCP服务可供使用：

Playwright：为AI提供浏览器自动化能力，可进行自动化测试、网页浏览和数据抓取
Figma：直接调用Figma设计稿生成代码，实现设计到开发的无缝衔接
GitHub：AI直接与GitHub平台交互，进行代码管理操作

除了使用现成的MCP服务，我们也可以自己构建MCP服务器。本文将详细介绍从本地搭建到远程部署的完整流程。

本地构建MCP服务器

本地构建MCP服务器分为四个步骤：环境设置、MCP服务器开发、Claude CLI配置、工具调用。

第一步：环境设置

开发环境使用VS Code，需要完成以下准备工作：

安装Python及相关插件（Python、Python Environment）
通过命令面板创建Python虚拟环境：打开命令面板，选择"Python Create Environment"，选择venv模式
使用pip安装MCP和CLI依赖：

pip install mcp cli

如果安装速度较慢，可以使用UV工具加速安装。整个安装过程大约需要2-3分钟。

第二步：编写MCP服务器代码

创建一个Python脚本，使用FastMCP框架定义MCP服务器和工具方法。FastMCP是MCP Python SDK的高层封装，借鉴了FastAPI的设计哲学——通过Python装饰器（Decorator）将普通函数声明式地转化为可被外部调用的接口。装饰器@mcp.tool()在运行时会自动解析函数签名、参数类型注解和文档字符串，生成符合MCP规范的工具描述（Tool Schema），AI模型正是依赖这份Schema来理解工具的功能和参数要求。这种设计让开发者无需手动编写JSON Schema，大幅降低了MCP服务的开发门槛：

from fastmcp import FastMCP
import time

# 创建MCP服务器
mcp = FastMCP("MyTools")

# 获取当前时间
@mcp.tool()
def get_current_time():
    return time.strftime("%Y-%m-%d %H:%M:%S")

# 计算两个数的和
@mcp.tool()
def add(a: int, b: int):
    return a + b

# 获取商品价格
@mcp.tool()
def get_product_price(product_id: int):
    prices = {100: 10, 101: 15, 102: 20}
    return prices.get(product_id, "未找到")

if __name__ == "__main__":
    mcp.run()

这段代码定义了三个工具方法：获取当前时间、计算两数之和、查询商品价格。通过装饰器@mcp.tool()即可将普通函数注册为MCP工具，代码结构简洁直观。

第三步：在Claude CLI中注册MCP服务

MCP服务注册配置

打开终端，切换到VS Code相同的工作目录，执行注册命令：

claude mcp add --scope project MyTools python script.py

命令参数说明：

claude mcp add：添加MCP服务
--scope project：作用域为当前项目
MyTools：MCP服务的名称
后面是Python运行环境和脚本路径

注册成功后，VS Code会自动生成mcp.json配置文件，无需手动处理。

第四步：调用MCP工具

启动Claude CLI，通过/mcp命令可以查看已连接的MCP服务状态。

调用MCP工具示例

调用MCP服务有两种方式：

隐式调用：直接向Claude提问，Agent会自动判断并调用相应的MCP工具。这一能力底层依赖大语言模型的Function Calling（函数调用）技术——模型在推理时会接收到所有已注册MCP工具的Schema描述，通过理解用户意图来决定是否调用工具、调用哪个工具以及如何填充参数。Claude、GPT-4等主流模型均经过专门的Function Calling能力训练，能够准确识别"现在几点了"这类隐含工具调用意图的问题，并生成符合JSON Schema规范的调用参数，再由MCP客户端负责实际执行。

显式调用：明确指定使用某个MCP服务的某个方法。例如"请使用MyTools服务中的add方法计算3+5"，Claude会直接调用指定的工具函数。

MCP通信模式解析

STDIO通信模式

本地MCP服务使用的是STDIO（标准输入输出）模式。STDIO是Unix系统中最基础的进程间通信机制，MCP客户端作为父进程启动MCP服务器子进程，双方通过标准输入输出流交换JSON-RPC格式的消息。这种方式延迟极低、无需网络配置，但天然局限于单机环境，适合本地开发和调试场景。

远程MCP服务则采用Streamable HTTP模式，基于HTTP/1.1或HTTP/2协议，支持服务器推送事件（SSE，Server-Sent Events），允许服务器主动向客户端推送长时间运行任务的中间状态，特别适合需要流式返回结果的AI工具调用场景。两种模式在MCP规范中均有明确定义，开发者可根据部署环境灵活切换，适合生产环境部署。

部署MCP服务到远程服务器

在实际工作中，我们通常需要将MCP服务部署到外网，供团队或用户远程调用。

Docker容器化部署

服务端改造与部署

修改传输模式：将MCP服务的通信模式从STDIO改为Streamable HTTP
容器化部署：将代码打包为Docker镜像，部署到Docker环境中。Docker容器化解决了MCP服务部署中的环境一致性问题——MCP服务器往往依赖特定版本的Python运行时、第三方库及系统工具，容器将这些依赖打包为不可变镜像（Immutable Image），确保开发、测试、生产环境的行为完全一致。在云服务器上，容器还天然支持水平扩展（Horizontal Scaling），当MCP服务请求量增大时，可通过Kubernetes等编排工具快速启动多个容器实例，配合负载均衡器分发请求，保障服务的高可用性。
云服务器部署：将容器部署到阿里云^广告、腾讯云^广告等有公网IP的服务器
网关配置：配置网络网关，确保外部可以正常访问MCP服务

客户端配置

编辑本地的claude_config.json文件，添加远程服务器的配置信息（包括远程URL地址），即可在本地直接调用远程MCP服务。

大厂MCP落地现状

目前已有多家大厂在积极推进MCP服务的落地应用：

阿里云百炼平台：已通过MCP服务集成了60多种服务，覆盖多个业务场景
腾讯云：同样支持了大量MCP服务的接入

未来，无论是新闻资讯、购物支付，还是政务服务等领域，企业都需要落地自己的MCP服务，将现有业务能力以标准化的方式暴露给AI调用。

总结

MCP服务为AI与外部系统的交互提供了标准化的解决方案。从本地开发到远程部署，整个流程清晰明了：本地使用FastMCP框架快速开发工具，通过Claude CLI注册和测试，最后通过Docker容器化部署到云服务器。随着越来越多大厂的落地实践，MCP正在成为AI应用开发的重要基础设施。

核心要点

MCP服务通过STDIO（本地）和Streamable HTTP（远程）两种通信模式，让AI能够调用外部工具和服务
本地搭建MCP服务器只需四步：环境设置、代码开发、CLI注册、工具调用，使用FastMCP框架可快速实现
远程部署需要将传输模式改为Streamable HTTP，并通过Docker容器化部署到云服务器
调用MCP服务支持隐式（AI自动判断，基于Function Calling技术）和显式（指定服务和方法）两种方式
阿里云、腾讯云等大厂已落地MCP服务，集成了60多种服务能力