我用 Python 30 分钟搭了个 MCP 网关，把四个 AI 工具统一成了一套协议

手上同时维护着 Slack bot、微信机器人和内部 CLI 工具，每个都对接了不同的 AI API，接口风格五花八门，维护成本快赶上了业务代码本身。

问题是什么

三个月前我接手了一个内部工具平台，三个 AI 功能模块——代码审查、文档问答、日志分析——分别对接了 OpenAI、Claude 和本地跑的 LLaMA 模型。每个模块的调用方式五花八门：OpenAI 用 messages 数组，Claude 用 prompt 字符串，LLaMA 又是另一种 JSON 格式。

更头疼的是，每次新增一个工具（比如搜索、计算器、查数据库），就得在每个模块里单独实现一遍。那会儿我就琢磨，得有一个统一的工具调用网关。正好 MCP（Model Context Protocol）在这时候冒了出来。

解决思路

MCP 的核心说白了就一句话：用标准化的方式，让 AI 模型发现和调用外部工具。它定义了三种基本操作：

我的方案很简单：用 Python 写一个轻量 MCP 网关，后端工具以插件方式注册，前端对接任何支持 MCP 的 AI 客户端。不折腾重量级框架，只依赖标准库 + FastMCP。

操作步骤

步骤1：安装依赖，搭好项目骨架

mkdir mcp-gateway && cd mcp-gateway
python -m venv venv && source venv/bin/activate
pip install "mcp[cli]>=1.0.0"
pip install httpx  # 调用外部 API 用

MCP 官方提供了 Python SDK，mcp 命令行工具可以直接拿来调试和测试。

项目结构：

mcp-gateway/
├── server.py          # MCP 网关主入口
├── tools/             # 工具插件目录
│   ├── __init__.py
│   ├── weather.py     # 天气查询工具
│   └── calculator.py  # 计算器工具
└── config.py          # 配置文件

步骤2：用 FastMCP 起一个网关服务

MCP Python SDK 提供了 FastMCP——一个类似 FastAPI 风格的高层封装，十来行就能跑起来。

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

# 创建 MCP 服务，名称会出现在客户端的能力列表里
mcp = FastMCP("my-tool-gateway")

# 注册一个简单的计算器工具
@mcp.tool()
def calculate(expression: str) -> str:
    """执行数学运算，传入表达式如 '1 + 2 * 3'"""
    try:
        # 安全起见用 ast 而不是 eval
        import ast
        import operator as op
        allowed_ops = {
            ast.Add: op.add, ast.Sub: op.sub,
            ast.Mult: op.mul, ast.Div: op.truediv,
            ast.Pow: op.pow, ast.USub: op.neg,
        }
        def eval_expr(node):
            if isinstance(node, ast.Constant):
                return node.value
            elif isinstance(node, ast.BinOp):
                return allowed_ops[type(node.op)](eval_expr(node.left), eval_expr(node.right))
            elif isinstance(node, ast.UnaryOp):
                return allowed_ops[type(node.op)](eval_expr(node.operand))
            else:
                raise ValueError("不支持的表达式")
        result = eval_expr(ast.parse(expression.strip(), mode='eval').body)
        return str(result)
    except Exception as e:
        return f"计算错误: {e}"

if __name__ == "__main__":
    # stdio 传输模式，适合跟 AI 客户端配合
    mcp.run(transport="stdio")

这段代码一跑起来，MCP 客户端就能通过 tools/list 拿到 calculate 工具的元信息——名称、描述、参数结构（从类型注解自动推断）。

注意: transport="stdio" 是最简单的对接方式，适合嵌入到 AI 助手的子进程里。如果要用 HTTP 接口，换成 transport="sse" 就行。

步骤3：搞个插件化注册机制

硬编码工具不是长久之计——我想要的是写一个工具就自动注册一个。下面是我搞的插件加载器：

# tools/__init__.py
import os
import importlib
import inspect
from typing import List
from mcp.server.fastmcp import FastMCP

def discover_and_register_tools(mcp: FastMCP, tools_dir: str = "tools"):
    """自动扫描 tools 目录，注册所有 tool 函数"""
    tools_path = os.path.join(os.path.dirname(__file__), "..", tools_dir)
    for f in os.listdir(tools_path):
        if f.startswith("_") or not f.endswith(".py"):
            continue
        module_name = f"{tools_dir}.{f[:-3]}"
        try:
            module = importlib.import_module(module_name)
            for name, obj in inspect.getmembers(module):
                if getattr(obj, "_is_mcp_tool", False):
                    mcp.add_tool(obj)
                    print(f"  ✓ 注册工具: {name}")
        except Exception as e:
            print(f"  ✗ 加载 {module_name} 失败: {e}")

然后给每个工具函数加个装饰器标记：

# tools/calculator.py
from functools import wraps

def tool():
    """标记函数为 MCP 工具"""
    def decorator(func):
        func._is_mcp_tool = True
        @wraps(func)
        def wrapper(*args, **kwargs):
            return func(*args, **kwargs)
        return wrapper
    return decorator

@tool()
def add(a: float, b: float) -> float:
    """两数相加"""
    return a + b

@tool()
def multiply(a: float, b: float) -> float:
    """两数相乘"""
    return a * b

# tools/weather.py
import httpx
from tools.calculator import tool

@tool()
def get_weather(city: str) -> str:
    """查询指定城市的当前天气"""
    # 用 wttr.in 的免费 API 做演示
    try:
        resp = httpx.get(f"https://wttr.in/{city}?format=%C+%t", timeout=10)
        return f"{city}: {resp.text.strip()}"
    except Exception as e:
        return f"查询天气失败: {e}"

插件化之后，加一个新工具只需要在 tools/ 下新建一个 .py 文件，写一个带 @tool() 的函数就行了。

步骤4：对接 AI 客户端——拿 Claude Code 举例

MCP 最实在的地方在于：主流 AI 工具已经开始原生支持它。Claude Code 就是其中之一。

在项目根目录创建 MCP 配置文件：

{
  "mcpServers": {
    "my-tool-gateway": {
      "command": "python",
      "args": ["server.py"],
      "env": {},
      "disabled": false,
      "autoApprove": []
    }
  }
}

桌面端 Claude App 的话，配置文件路径是 ~/claude_desktop_config.json。Claude Code CLI 则放在项目目录的 .claude/settings.json 里。

配置好后，Claude 会自动拉起 server.py 子进程，通过 stdio 通信。对话中需要计算或查天气时，Claude 会通过 MCP 协议调用注册的工具。

踩坑记录: 我第一次测试时工具没被识别，排查了半天发现是 mcp 版本问题。0.x 和 1.x 的 API 完全不兼容，FastMCP 是 1.0 才引入的。一定要 pip install "mcp>=1.0.0"。

结果与总结

整个网关从零到跑通花了大概 30 分钟，核心代码不到 80 行。最终效果：

几个坑，记住了能省不少时间：

延伸思考

这个 MVP 还有很多可以折腾的空间：

如果你也在折腾多个 AI 工具对接，MCP 值得一试。协议本身不复杂，用起来顺不顺手全看 SDK 的成熟度——Python 的 FastMCP 已经是"开箱即用"的水平了。