目录
1.2 从mcp.so中获取配置高德地图mcp server配置信息
将 MCP 添加到Python 项目中，使用 uv 来管理Python 项目。
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
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
npx：Node.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
uv：Rust 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
uvx：uv 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 “MCP+Function 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 FastMCP
mcp = 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/1.0"
async 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/weatherInfo"）
params: 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}",
params=full_params,
headers={"User-Agent": USER_AGENT},
timeout=30.0,
)
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 None
return data
except Exception as e:
print(f"请求异常：{str(e)}")
return None
def 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API）
Args:
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",
}, # extensions=base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 Key）"
return 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API）
Args:
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"}, # extensions=all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 Key）"
return format_forecast(data)
if __name__ == "__main__":
# 启动MCP服务器（通过标准输入输出通信）
mcp.run(transport="stdio")
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
# ClientSession：MCP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_client
DASHSCOPE_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 "node"
server_params = StdioServerParameters(
command=command, args=[server_script_path], env=None
)
# 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_transport
self.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_ascii=False, indent=2)}")
result = await self.session.call_tool(tool_name, parameters)
return result.content
async 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, indent=2, ensure_ascii=False)}
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": f"Bearer {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, headers=headers, json=payload)
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 None
async 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！")
break
if not query:
continue
response = 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。