DevBox实战：从零开发MCP Server与Client并一键部署上线

在AI应用开发中，MCP（Model Context Protocol）正迅速成为连接大模型与外部工具的标准协议。MCP由Anthropic于2024年底开源发布，旨在解决大语言模型与外部数据源、工具之间的连接碎片化问题。在MCP出现之前，每个AI应用都需要为不同的工具和API编写定制化的集成代码，导致大量重复劳动。MCP借鉴了USB-C统一接口的理念，定义了一套通用的客户端-服务端架构：MCP Server负责暴露工具和资源，MCP Client负责与Server通信并将工具能力传递给大模型。这种标准化使得任何符合MCP协议的工具都可以被任何支持MCP的客户端调用，极大地促进了AI工具生态的互操作性。

不过，从开发到部署的全流程常常让人望而却步——环境配置、Docker镜像构建、SSL证书申请、公网暴露……每一步都可能卡住进度。

这篇文章将手把手带你使用DevBox云开发平台，从零构建一套完整的MCP服务端和客户端，并实现无需Docker基础的一键上线部署。

DevBox平台：从开发到部署的全流程解决方案

DevBox是一款面向开发者的云开发平台，核心价值在于将应用的创建、开发、调试、部署和发布全流程做到了极致简化。它具备以下几个关键特性：

• 多语言多框架支持：覆盖Python、Node.js等主流语言，并且已原生支持MCP服务模板
• 无缝集成本地IDE：可以直接在VSCode、Cursor等本地编辑器中进行开发，体验与本地开发一致
• 一键部署发布：无需掌握Docker知识，只需输入版本号即可自动构建镜像并完成部署。传统的容器化部署流程通常需要开发者编写Dockerfile、配置多阶段构建、处理依赖缓存等，而DevBox将这些复杂操作完全封装在平台内部
• 自动配置网络：部署完成后自动提供内网和公网两个访问地址，SSL证书也会自动配置好。SSL证书的自动化管理意味着开发者无需手动通过Let's Encrypt等工具申请和续期证书，服务天然支持HTTPS安全访问
• 灵活的端口管理：创建应用时可手动修改暴露端口及是否开启公网访问

此外，DevBox还集成了多种数据库服务，包括关系型数据库和向量数据库，通过简单的点击操作即可创建数据库实例。其中向量数据库对于AI应用尤为重要——它能够存储和检索文本的语义向量表示，是实现RAG（检索增强生成）等高级AI功能的基础设施，非常适合AI应用的全栈开发场景。

构建MCP服务端：定义天气查询工具

创建MCP Server项目

首先在DevBox中新建项目，关键配置如下：

• 项目名称：MCP Server
• 服务类型：选择MCP
• 运行版本：Python 3.12
• 暴露端口：修改为8081

创建完成后，可以直接在本地IDE中打开项目。DevBox会提供一个MCP服务的示例模板，我们在此基础上进行修改就行。

编写MCP工具代码

在构建MCP工具时，有一个非常重要的细节：必须通过注释对工具的功能、所需参数进行详细描述。原因很简单——大模型需要根据这些描述来判断何时调用该工具，以及如何传递参数。这背后涉及到大模型的工具调用（Function Calling）机制：开发者将可用工具的JSON Schema描述（包括函数名、功能说明、参数类型和含义）作为上下文传递给大模型，模型在推理过程中会判断当前用户请求是否需要调用某个工具。如果需要，模型会输出一个结构化的工具调用请求（包含函数名和提取的参数），而非直接生成自然语言回复。因此，描述写得越清晰，大模型的调用准确率就越高。

本次演示中，我们定义了一个"获取天气"的MCP工具，传入城市名称作为参数，返回固定的天气结果（仅作演示用途）。工具定义完成后，需要修改启动脚本中的端口号，确保与创建应用时暴露的8081端口一致。

发布与部署MCP Server

发布流程非常简单，三步搞定：

1. 在DevBox中输入版本号，平台会自动构建Python镜像
2. 点击"上线"进行自动部署，保持默认配置，确认暴露端口为8081
3. 点击"部署应用"，等待状态变为"可访问"

部署完成后，公网地址和内网地址都已就绪，MCP服务端即可对外提供服务。

构建MCP客户端：Gradio界面与大模型工具调用

创建客户端项目

在DevBox中再新建一个项目，使用Python框架，端口设置为8082。进入VSCode后，我们从头构建MCP客户端代码。

核心调用逻辑解析

客户端的核心是一个query函数，它包含了MCP客户端创建和用户输入处理的完整流程：

第一步：初始化大模型服务

构建大模型的API连接（基于OpenAI SDK），用于后续的智能决策。OpenAI SDK已经成为大模型API调用的事实标准，国内外众多模型提供商（如DeepSeek、通义千问、Moonshot等）都提供了兼容OpenAI API格式的接口，这意味着只需更换Base URL和API Key即可无缝切换不同的大模型服务。

第二步：创建SSE客户端连接

MCP服务有两种连接方式：SSE和STDIO。STDIO（标准输入输出）方式适用于本地场景，MCP Client通过启动一个子进程与MCP Server通信，数据通过进程的stdin和stdout传递，延迟极低但仅限于同一台机器。SSE（Server-Sent Events）方式则基于HTTP协议，Server通过长连接持续向Client推送事件流，天然支持远程部署和网络通信。SSE是HTML5规范的一部分，相比WebSocket更轻量，特别适合服务端向客户端单向推送数据的场景。由于我们的服务端部署在云端并使用SSE方式创建，客户端也需要初始化对应的SSE客户端来进行交互。

第三步：获取可用工具列表

通过list_tools方法获取当前连接的MCP服务中所有可用工具的信息，包括工具名称、用途描述和所需参数。这些信息会被转换为大模型能够理解的JSON Schema格式，作为上下文的一部分传递给模型，使模型"知道"自己拥有哪些能力。

第四步：大模型决策与工具调用循环

这是整个MCP客户端最核心的部分。将可用工具信息、用户问题和系统提示词一并输入大模型，由大模型自主决定：

• 是否需要调用工具
• 调用哪个工具
• 从用户输入中提取工具所需的参数

由于采用流式输出（Streaming），处理逻辑相对复杂。流式输出是指模型不会等到完整回复生成后才返回，而是逐token地将结果推送给客户端，这样用户可以实时看到回复的生成过程，显著提升交互体验。但在工具调用场景中，客户端需要在流式数据中识别出工具调用请求，将其完整拼接后再执行实际调用。整个过程是一个循环：大模型调用工具后获取结果，将结果加入上下文，再由大模型判断是否需要继续调用其他工具。如果不需要，则跳出循环，给出最终回复。这种循环机制也是构建AI Agent的基础模式——ReAct（Reasoning + Acting），即模型交替进行推理和行动，直到任务完成。

第五步：系统提示词调优

这里要特别强调一点：在构建MCP客户端时，系统提示词（System Prompt）直接决定了客户端效果的好坏。系统提示词是在对话开始前注入给大模型的指令文本，用于定义模型的角色、行为边界和决策策略。一个精心设计的系统提示词需要明确告诉模型：何时应该调用工具而非直接回答、如何从模糊的用户表述中提取工具所需的结构化参数、在多个工具可用时如何选择最合适的工具、以及如何将工具返回的原始数据组织成用户友好的自然语言回复。提示词工程（Prompt Engineering）已经成为AI应用开发中的核心技能之一，一个优秀的系统提示词能让大模型更准确地理解用户意图，更合理地选择和调用工具。

搭建Gradio前端界面

使用Gradio搭建前端界面，提供以下可配置项：

• 大模型名称、Base URL、API Key
• 温度参数（Temperature）
• MCP服务地址
• 工具调用结果展示区域
• 大模型最终回复展示区域

Gradio是由Hugging Face维护的开源Python库，专门用于快速构建机器学习和AI应用的Web演示界面。它的核心优势在于极低的前端开发门槛——开发者只需用几行Python代码就能创建包含文本输入、滑块、下拉菜单等交互组件的完整Web应用，内置了WebSocket实时通信、队列管理、API自动生成等功能，特别适合用于AI原型验证和内部工具搭建。

其中温度参数（Temperature）是控制大模型输出随机性的关键参数，取值范围通常为0到2。温度越低，模型输出越确定和保守；温度越高，输出越多样和富有创造性。在工具调用场景中，通常建议将温度设置在较低水平（如0.1-0.3），以确保模型能够稳定、准确地生成工具调用请求。

需要注意将Gradio的监听端口设置为8082，与DevBox中暴露的端口保持一致。

安装依赖与一键部署

创建requirements.txt依赖文件，包含三个核心包：gradio、mcp、openai。激活虚拟环境后安装依赖，修改启动脚本指向客户端代码文件。

完成后同样通过DevBox一键发布和部署，等待公网地址变为可访问状态即可。

实际效果验证：完整链路测试

打开客户端的公网地址，进入Gradio界面后按以下步骤操作：

1. 配置大模型服务的相关参数（模型名称、API Key等）
2. 在MCP服务地址中填入服务端的公网地址（注意需要加上/sse后缀）
3. 输入问题，例如"北京今天天气怎么样？"

测试结果显示，MCP客户端成功完成了完整的工具调用链路：大模型从问题中提取出"北京"作为参数，调用天气查询工具，获取到返回结果"天气晴"（我们预设的固定值），最终大模型基于工具返回的结果生成了完整的自然语言回复。

整个流程验证了MCP协议从服务端工具定义、客户端SSE连接、大模型智能决策到工具调用的完整链路，所有环节都运行正常。这一过程也展示了MCP协议的核心价值：工具的定义者（Server开发者）和工具的使用者（Client开发者）可以完全解耦，只要双方遵循MCP协议规范，就能实现无缝对接。

总结与思考

通过DevBox平台，我们完成了MCP服务端和客户端的完整开发部署流程。整个过程中，开发者只需要专注于业务逻辑本身——定义MCP工具、编写客户端调用逻辑、搭建Gradio前端界面——而环境配置、镜像构建、网络配置、SSL证书等运维工作全部由平台自动处理。

对于想要快速验证MCP应用想法的开发者来说，这种云开发模式能够显著降低上手门槛和部署成本。当然，本文演示的天气查询工具比较简单，感兴趣的话可以尝试接入更复杂的开源MCP服务，比如数据库查询、文件操作、API聚合等，构建更强大的AI Agent应用。目前MCP生态正在快速发展，社区已经涌现出大量开源的MCP Server实现，涵盖GitHub操作、Slack消息发送、数据库CRUD、网页抓取等常见场景，开发者可以直接复用这些现成的工具服务，通过组合多个MCP Server来构建功能丰富的AI Agent，而无需从零开发每一个工具集成。