MCP 基础 Demo

该项目演示了使用**模型上下文协议 (MCP)**的基本客户端-服务器交互。MCP 允许 AI 模型（例如通过 AI SDK 访问的模型，如 Google Gemini/Vertex AI）安全地发现和利用外部工具或资源，这些工具由单独的服务器进程提供。

在这个示例中：

• 服务器 (src/server/) 作为 MCP 提供程序，提供简单的计算工具（加法、减法等）。
• 客户端 (src/client/) 使用 AI SDK 与 Google AI 模型交互，并连接到 MCP 服务器，使 AI 在生成过程中能够使用服务器的工具。

此设置展示了如何通过让 AI 模型访问托管在 MCP 服务器上的自定义功能来扩展其能力。

先决条件

• Node.js（版本 >=23.0.0，如 package.json 中指定）
• npm（随 Node.js 提供）
• Google AI (Gemini) API Key。可以从 Google AI Studio 获得。（用于 Gemini 模型时需要）

设置

1. 克隆仓库：

   git clone git@github.com:bertrandgressier/demo-ts-mcp-client-server.git
   cd demo-mcp-basic
   

2. 安装依赖项：

   npm install
   

3. 创建环境文件： 复制示例环境文件 .env.example 为新文件 .env：

   cp .env.example .env
   

   然后编辑 .env 文件以添加实际的 API 密钥和配置。所需的可选变量如下：

   # 必填项：用于 Google Studio 模型（Gemini）
   GOOGLE_API_KEY=YOUR_GOOGLE_API_KEY
   
   # 必填项：用于 Google Vertex AI 模型
   VERTEX_PROJECT_ID=YOUR_VERTEX_PROJECT_ID
   
   # 可选：未设置时默认为 'us-central1'
   # VERTEX_LOCATION=your-vertex-location
   
   # 可选：Vertex AI 服务账户密钥文件的路径。未设置时，默认为根目录中的 'vertex-key.json'。
   # VERTEX_KEY_FILE=path/to/your/vertex-key.json
   

   替换 YOUR_GOOGLE_API_KEY 和 YOUR_VERTEX_PROJECT_ID 为您自己的值。

   注意：不要将 .env 文件提交到版本控制系统。

可用脚本

• npm run build：编译项目源代码为 JavaScript。
• npm start：运行编译后的项目。
• npm run dev：以开发模式运行，自动重新加载更改。

项目结构

• src/：包含 TypeScript 源代码。
  • client/：MCP 客户端应用程序的代码。
  • `server/``：MCP 服务器应用程序的代码。
  • model.ts：处理 AI 模型初始化和环境变量加载。
• dist/：编译后的 JavaScript 代码（在运行 npm run build 后生成）。
• .env：存储环境变量（API 密钥等） - 请勿提交此文件。
• package.json：项目元数据和依赖项。
• tsconfig.json：TypeScript 编译器配置。

说明

这个 Demo 展示了如何使用 MCP 协议在 AI 应用程序中集成外部工具。服务器提供基本的数学运算功能，而客户端则通过与 Google Gemini 的交互来调用这些服务。