《从零开发 Python MCP Server：打造自己的 AI智能体 Health Tracker 插件》

第一章：为什么我要开发自己的 MCP Server？

1.1 从一个真实需求开始

最近我在减肥，每天都需要记录自己吃了什么、摄入了多少热量。

一开始，我尝试直接使用 AI 智能体。

比如，我告诉它：

今天早餐吃了一根香蕉，中午吃了一碗米饭和一根鸡腿，帮我计算一下热量。

AI 智能体 很快就能给出答案。

它不仅能识别食物，还能根据常见份量估算热量、蛋白质、碳水化合物和脂肪。

这让我产生了一个想法：

既然 AI 智能体 已经具备食物识别和营养估算能力，为什么还要自己开发一套复杂的食物识别系统？

我真正需要解决的，其实是另一个问题：如何把这些数据长期保存下来？

今天记录的饮食，明天还能查询；一个月后，可以统计体重变化和热量摄入情况；如果发现记录有误，还能修改或删除。

我希望最终实现这样的效果。

记录饮食：

今天早上 8 点半吃了一根香蕉，帮我记录。

查询数据：

我昨天一共摄入了多少热量？

修改记录：

昨天中午的米饭不是 200 克，而是 100 克，帮我修改。

删除记录：

删除刚才那条测试饮食记录。

这些操作都通过 AI 智能体 的自然语言界面完成，而数据保存在我自己的数据库中。

1.2 为什么不直接使用 AI 智能体 的记忆功能？

可能有人会问：AI 智能体 本身不是有记忆功能吗？为什么还要开发数据库？

因为聊天记忆与结构化数据存储是两回事。

AI 智能体 的记忆功能主要用于保留与用户有关的长期背景和偏好，并不是专门设计的饮食记录数据库。

例如，我们需要统计：

• 最近 7 天每天摄入多少热量。
• 某一天早餐吃了什么。
• 最近一个月体重变化了多少。
• 删除或修改某条具体的饮食记录。

这些操作需要准确的数据查询和管理能力。

如果将饮食记录保存在 SQLite 中，就可以使用 SQL 精确查询，而不必依赖 AI 智能体 从历史对话中寻找和回忆。

所以，我决定把整个系统拆成两个部分。

AI 智能体 负责理解和分析，Python 程序负责保存和管理数据。

接下来的问题就是：如何让 AI 智能体 调用我们自己编写的 Python 程序？

这就引出了 MCP。

---

1.3 MCP 到底是什么？

MCP 的全称是 Model Context Protocol，中文通常称为模型上下文协议。

第一次看到这个名字，可能会觉得有些抽象。

我们先不研究协议的技术细节，而是从一个简单的例子理解它。

假设我编写了一个 Python 函数：

def record_food(food_name: str, calories: float):    
    print(f"记录食物：{food_name}，热量：{calories} kcal")

这个函数可以记录食物名称和热量。

但是，AI 智能体 并不能因为这个函数存在，就自动调用它。

原因很简单：AI 智能体 不知道这个函数在哪里，也不知道它接收什么参数，更没有直接执行我电脑上 Python 代码的权限。

我们需要建立一个标准接口，让 AI 智能体 能够发现并调用这个函数。

MCP 就提供了这样一套标准化的通信机制。

我们可以使用 MCP SDK 将 Python 函数注册为工具。

例如：

@mcp.tool()
def record_food(food_name: str, calories: float):    
    """记录用户摄入的食物及热量。"""    
    ...

当 AI 智能体 连接到我们的 MCP Server 后，就有机会发现这个工具，理解它的用途，并在适当的时候调用它。

需要注意，MCP 并不会让 AI 智能体 获得任意执行本地代码的权限。模型只能通过客户端提供并授权的工具接口完成操作。

1.4 MCP Server 和 AI 智能体 分别负责什么？

在 Health Tracker 项目中，我希望明确划分职责。

AI 智能体	MCP Server
理解自然语言	提供可调用的工具
识别食物名称和数量	接收结构化参数
估算热量和营养成分	验证参数
理解用户的查询需求	查询 SQLite 数据库
分析历史饮食数据	新增、修改和删除记录
用自然语言回答用户	返回实际执行结果

例如，我告诉 AI 智能体：

今天早餐吃了一根中等大小的香蕉，记录一下。

AI 智能体 可以利用自身的营养知识，估算一根中等大小香蕉的可食重量约为 118 克，热量约为 105 kcal，并进一步估算蛋白质、碳水和脂肪。

随后，它调用我们提供的 record_food 工具。

工具接收到的参数可能类似：

{
  "food_name": "香蕉",
  "calories": 105,
  "weight_g": 118,
  "protein_g": 1.3,
  "carbs_g": 27,
  "fat_g": 0.4,
  "meal_type": "breakfast"
}

这些数值属于基于常见份量的估算，并非实际称重或实验室检测结果。

MCP Server 接收参数后，执行数据库写入操作。

保存成功，再将记录 ID 返回给 AI 智能体。

AI 智能体 最后告诉我：

已记录早餐：香蕉 1 根，估计热量 105 kcal。

整个过程中，我们没有调用 OpenAI API 来开发自己的 AI 应用，也没有在 Python 中实现食物识别模型。

我们是让 AI 智能体 调用自己开发的 MCP 工具。

这也是本课程与传统大模型 API 开发课程最大的区别。

---

1.5 本课程要开发什么？

接下来，我们将使用 Python 开发一个名为 Health Tracker 的 MCP Server，并将它接入 AI 智能体。

系统主要包含四类健康数据：

数据类型	功能
饮食记录	保存食物、热量、蛋白质、碳水和脂肪
运动记录	保存运动类型、时长和消耗热量
体重记录	记录每天的体重
断食记录	保存断食开始和结束时间

在此基础上，我们还会开发数据查询、修改和删除工具。

技术选型如下：

技术	用途
Python	编写 MCP Server
MCP SDK 2.x	注册和运行 MCP 工具
SQLite	持久化存储健康数据
uv	管理 Python 项目和依赖
MCP Inspector	本地调试 MCP 工具
OpenAI Tunnel	将本地 MCP Server 连接到 AI 智能体
Docker	后续部署到云服务器

这里需要特别说明：我们不需要使用 FastAPI，也不需要开发传统 Web 前端。

MCP SDK 本身就可以运行支持 Streamable HTTP 的 MCP Server。

而 AI 智能体 就是我们现成的交互界面。

1.6 本章总结

回顾一下，我们最初只是想解决一个简单的问题：记录每天吃了什么。

但随着需求增加，我们发现，AI 智能体 虽然能够识别食物、估算营养和分析数据，却不能代替一个能够精确查询、修改和持久化记录的数据库系统。

因此，我们决定开发自己的 MCP Server。

它不负责实现 AI 推理，而是向 AI 智能体 提供操作 SQLite 数据库的能力。

最终，我们希望建立这样的关系：

AI 智能体 是智能交互入口，MCP Server 是工具服务，SQLite 是数据存储。

下一章，我们就正式开始动手。