【手撕MCP代码】从零实现天气预报查询与心情朋友圈文案生成器-拓冰网站定制

1. 从零手撕 MCP 天气预报服务：为什么值得自己写一遍

MCP（Model Context Protocol）这两年被聊得很多，但真正动手写过一个能跑通的 MCP Server 的人其实不多。大多数人停留在“装个客户端、导入别人写好的配置”这一步，一旦工具返回的数据不对、模型不调用工具、或者调用链断在中间，就完全不知道从哪查起。这篇就带你从零手撕一个 MCP 天气预报查询服务，并且把“天气数据 → 朋友圈文案”这条链路完整串起来，最后用真实城市名验证返回结果。

先说清楚这个 MCP 天气预报查询与朋友圈文案生成器到底是什么、能做什么、适合谁。它是一个基于 MCP 协议的最小可运行服务端，对外暴露两个工具：一个负责根据城市名查实时天气，一个负责把天气信息喂给大模型生成朋友圈文案。适合三类人：一是刚接触 MCP、想搞懂 Server 端到底怎么写的人；二是想把外部 API 接进 AI 客户端、做点实用小工具的人；三是想理解“工具调用链”在真实场景里怎么跑通的人。

我试过直接抄网上的示例代码，结果卡在依赖版本和 transport 配置上整整一个下午，所以这篇会把踩过的坑和排查方法都写清楚。整个链路是这样的：你在 AI 客户端里输入“查一下西安天气并配个朋友圈文案”，客户端通过 MCP 协议调用你写的 Server，Server 先调天气工具拿到数据，再把数据传给文案工具，最后把结果返回给客户端展示。听起来简单，但每一步都有细节。

MCP 的架构里，MCP 主机是发起请求的 AI 应用，MCP 客户端是主机创建的与 Server 一对一的连接，MCP Server 就是我们今天要写的东西。Server 提供三类能力：资源（Resources，类似可读取的文件或数据库）、工具（Tools，可被 LLM 调用的函数）、提示（Prompts，预编写的模板）。我们这个项目主要用 Tools，因为天气查询和文案生成都是“被调用执行”的动作。

为什么不用现成的天气插件？因为自己写一遍你才能真正理解工具注册、参数校验、返回值序列化这些环节。而且朋友圈文案这种个性化需求，现成插件基本满足不了，必须自己接大模型。下面进入实操，从环境准备开始。

2. TaoToken 前置准备：API Key 与模型接入配置

在写代码之前，先把模型调用这一环准备好。我们这个 MCP Server 里的文案生成工具需要调用大模型，所以你得有一个可用的 API Key 和对应的 Base URL。这里用 TaoToken 来做模型接入，它的接口兼容 OpenAI 格式，配置起来比较直接。

先到官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 注册账号，然后进控制台创建 API Key。控制台地址是 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，在 API Keys 页面点新建，复制生成的 Key 保存好，后面代码里要用。API 的基础地址是 https://taotoken.net/api ，注意这个地址不带任何查询参数，直接作为 base_url 使用。

模型选择上，文案生成这种任务用 DeepSeek 系列或者通用对话模型都行，你在模型对话页面可以先试一下效果，地址是 https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=models&utm_campaign=rewrite 。如果你后面打算长期做编码类或 Agent 类项目，可以了解下 Coding Plan，地址是 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite ，不过我们这个天气文案项目用按量调用就够了。

天气数据这边，你需要一个天气 API。聚合数据、和风天气之类的都行，注册后在个人中心拿到 AppKey。本文示例用聚合数据的简单天气接口，接口地址是 http://apis.juhe.cn/simpleWeather/query ，请求参数是 key 和 city。你拿到自己的 AppKey 后替换代码里的占位符即可。

环境方面，Python 需要 3.11 及以上，因为 MCP 的 Python SDK 对异步和类型注解有要求。依赖装这几个：mcp、litellm、requests。litellm 用来统一调用大模型接口，requests 用来请求天气 API。装依赖的命令如下：

pip install mcp==1.23.1 litellm==1.79.0 requests==2.32.3

版本号建议锁一下，MCP SDK 迭代比较快，不同版本 API 有差异。装完之后可以pip show mcp确认一下版本。到这里前置准备就完成了，接下来进入代码环节。

3. 可复制配置：MCP Server 完整代码与工具注册

这一节是核心，我会把完整的 MCP Server 代码给出来，并且逐段解释。先看整体结构：用 FastMCP 初始化一个名为 weather 的 Server，然后注册两个工具函数，最后用 stdio 传输方式启动。

先写 Server 初始化和启动部分：

from mcp.server.fastmcp import FastMCP mcp = FastMCP("weather") def main(): mcp.run(transport="stdio") if __name__ == "__main__": main()

FastMCP("weather")里的 weather 是 Server 名称，客户端配置里会用到。transport="stdio"表示通过标准输入输出通信，这是本地 MCP Server 最常用的方式，客户端启动子进程后通过 stdin/stdout 交换 JSON-RPC 消息。

接下来注册天气查询工具。用@mcp.tool()装饰器标记，函数签名和 docstring 会被 MCP 协议提取成工具描述，模型根据这个描述决定要不要调用：

import requests @mcp.tool() async def get_weather(city: str) -> dict: """获取城市的天气信息""" apiUrl = 'http://apis.juhe.cn/simpleWeather/query' apiKey = '你的天气APIKey' requestParams = { 'key': apiKey, 'city': city, } response = requests.get(apiUrl, params=requestParams) if response.status_code == 200: responseResult = response.json() return responseResult else: return {'error': '请求异常'}

注意 docstring 一定要写清楚，这是模型判断工具用途的依据。参数类型标注city: str和返回类型dict也要写，MCP 会据此生成 JSON Schema。

然后是文案生成工具，这里用 litellm 调用大模型：

import litellm @mcp.tool() async def get_wechat_article(weather: str) -> str: """根据天气信息生成朋友圈文案""" prompt = f""" 你是一个专业的社交媒体文案writer，擅长根据天气信息创作符合情景的朋友圈文案。 请根据以下天气信息创作一个文案：{weather} """ response = litellm.completion( model="openai/deepseek-ai/DeepSeek-V3", api_key="你的TaoToken APIKey", api_base="https://taotoken.net/api", messages=[{"role": "user", "content": prompt}] ) return response.choices[0].message.content

这里model字段的格式是openai/模型名，api_base填 TaoToken 的 API 地址。如果你用的模型名不同，替换掉deepseek-ai/DeepSeek-V3即可。把两个工具拼起来就是完整代码，保存为weather_article_mcp.py。

客户端配置方面，以 Cherry Studio 为例，导入下面这段 JSON，注意把路径改成你自己的文件路径：

{ "mcpServers": { "weather": { "command": "uv", "args": [ "--directory", "D:\\code\\python\\python-study\\mcp", "run", "weather_article_mcp.py" ] } } }

如果你不用 uv，把 command 改成python，args 改成["D:\\code\\python\\python-study\\mcp\\weather_article_mcp.py"]也行。配置里的三件套要对应上：Base URL 是https://taotoken.net/api，Key 是你创建的 API Key，Model ID 是deepseek-ai/DeepSeek-V3这类具体模型名。导入成功后应该能看到两个工具：get_weather 和 get_wechat_article。

4. 验证请求：用真实城市跑通天气到文案的完整链路

配置导入后，在客户端对话框里输入“查询西安天气，并配上朋友圈文案”，观察工具调用情况。正常情况下你会看到客户端先调用 get_weather，参数是{"city": "西安"}，返回一个包含天气信息的 JSON，然后把这个结果作为参数传给 get_wechat_article，最后返回一段文案。

如果天气接口返回正常，你会看到类似这样的结构：

{ "reason": "查询成功", "result": { "city": "西安", "realtime": { "temperature": "18", "info": "晴", "humidity": "45%" }, "future": [...] }, "error_code": 0 }

文案工具拿到这个 JSON 后，会生成一段适合发朋友圈的文字，比如“西安今天晴，18度，湿度刚好，适合出门走走”之类的。你可以在客户端的调用链视图里看到完整的调用过程：用户输入 → 模型决策 → 调用 get_weather → 返回结果 → 模型决策 → 调用 get_wechat_article → 返回文案。

验证的时候建议换几个城市试，比如北京、上海、成都，看看返回的天气数据是否随城市变化。如果文案生成这一步返回空或者报错，先检查 API Key 和 Base URL 是否正确。你也可以单独测试天气接口，用 curl 直接请求：

curl "http://apis.juhe.cn/simpleWeather/query?key=你的Key&city=西安"

这样能快速定位是天气接口的问题还是 MCP 链路的问题。实测下来，只要天气接口返回正常、模型接口能通，整条链路跑通大概只需要几分钟。

5. 常见报错排查：401、local proxy failed、reading choices 怎么解

这一节把几个高频报错列出来，对照着查。

401 Unauthorized 一般出现在模型调用这一步，说明 API Key 不对或者没传。检查 litellm.completion 里的 api_key 是否填了正确的 TaoToken Key，注意不要有多余空格。如果 Key 是对的还报 401，确认 api_base 是不是https://taotoken.net/api，少写或多写路径都会导致鉴权失败。

local proxy failed 通常和网络环境或客户端配置有关。先确认你的 MCP Server 进程能正常启动，在命令行直接python weather_article_mcp.py看有没有报错。如果进程启动正常但客户端连不上，检查配置里的路径是否正确，Windows 路径要用双反斜杠或正斜杠。另外确认 command 指向的可执行文件在系统 PATH 里。

reading choices 报错一般出现在解析模型返回结果时，说明 response 结构不符合预期。可能是模型名写错了，或者接口返回了错误信息而不是正常的 choices 数组。打印一下完整 response 看看：

print(response)

如果返回的是错误对象，里面会有 message 字段说明原因。常见的是模型名不存在或没有权限，换成模型对话页面里确认可用的模型名再试。

OAuth 相关报错一般出现在需要授权的客户端场景，本地 stdio 模式的 MCP Server 通常不涉及。如果你用的是远程 MCP Server，需要检查 token 是否过期。另外工具调用返回空结果时，先确认天气 API 的 AppKey 有没有过期，聚合数据的免费接口有调用次数限制。

还有一个容易忽略的点：MCP SDK 版本和客户端版本不匹配。如果你用的客户端比较老，可能不支持某些 transport 或工具特性，升级客户端到最新版通常能解决。排查顺序建议是：先单独测天气接口，再单独测模型接口，最后测 MCP 链路，逐段排除。

6. 继续扩展：把 MCP 天气服务接进你的日常工作流

跑通这个最小示例后，你可以按同样的模式扩展更多工具。比如加一个 get_air_quality 查空气质量，或者加一个 get_weather_forecast 查未来几天天气，然后在文案生成工具里把多个数据源组合起来，生成更丰富的内容。MCP 的好处就在这，工具注册是独立的，加一个新函数就是一个新能力。

如果你想把这类服务用在长期编码或 Agent 项目里，可以了解下 Coding Plan，地址是 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite ，它更适合高频调用的场景。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，里面有更详细的参数说明和示例。API Keys 管理页面是 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite ，需要新建或轮换 Key 的时候去这里。

最后给个实用技巧：把天气 API 的 AppKey 和模型 API Key 放到环境变量里，不要硬编码在代码中，这样分享代码时不会泄露。用os.environ.get("WEATHER_API_KEY")读取，本地调试时在启动脚本里 export 一下就行。另外工具函数的 docstring 尽量写具体，模型判断是否调用工具全靠它，写得太模糊会导致该调用的时候不调用。

资讯详情