Table of Contents - MCP服务，MCP服务器，MCP教程

基本能力

产品定位

MCP.science 旨在通过开源工具和 AI 技术加速科学发现，提供标准化的协议使 AI 模型能够与科学数据、工具和资源进行交互。

核心功能

1. 标准化协议：MCP 协议为 AI 模型提供了连接不同数据源和工具的标准化方式。
2. 预构建集成：提供一系列预构建的集成工具，使 LLM 能够直接使用。
3. 灵活性：支持在不同 LLM 提供商和供应商之间切换。
4. 安全性：提供最佳实践以保护数据安全。

适用场景

1. 科学研究：如材料科学数据搜索、可视化和操作。
2. 代码执行：提供安全的沙盒环境执行 Python 代码片段。
3. 远程命令执行：通过 SSH 安全运行远程命令。
4. 网页内容获取：获取和处理 HTML、PDF 和纯文本内容。
5. 学术搜索：执行学术和学术搜索。

工具列表

1. Materials Project：搜索、可视化和操作材料科学数据。
2. Python Code Execution：在安全沙盒中执行 Python 代码片段。
3. SSH Exec：通过 SSH 安全运行远程命令。
4. Web Fetch：获取和处理网页内容。
5. TXYZ Search：执行学术和学术搜索。

常见问题解答

1. 如何集成 MCP 服务器到客户端？ 使用 MCPM 工具可以轻松集成。
2. 如何构建自己的 MCP 服务器？ 提供详细的步骤指南。
3. 如何贡献代码？ 欢迎通过 GitHub 提交 Pull Request。

使用教程

使用依赖

1. 安装 MCPM：
   bash
curl -sSf https://mcpm.sh/install.sh | bash
2. 安装 UV：
   bash
curl -sSf https://astral.sh/uv/install.sh | bash

安装教程

1. 初始化服务器包：
   sh
uv init --package --no-workspace servers/your-new-server
uv add --directory servers/your-new-server mcp

2. 实现最简单的服务器：
   ```python
   def main():
   from mcp.server.fastmcp import FastMCP
   import logging

   logging.basicConfig(
   level=logging.INFO,
   format='%(asctime)s - %(levelname)s - %(name)s - %(message)s'
   )
   logger = logging.getLogger(name)

   mcp = FastMCP()

   @mcp.tool()
   async def add(a: int, b: int) -> str:
   return str(a + b)

   logger.info('Starting your-new-server')
   mcp.run('stdio')
   3. 启动服务器：sh
   uv run --directory servers/your-new-server your-new-server
   ```

调试方式

1. 检查日志输出：
   text
2025-04-01 10:22:36,402 - INFO - your_new_server - Starting your-new-server
2. 测试工具功能：
   python
@mcp.tool()
async def mean(a: int, b: int) -> str:
return str(np.mean([a, b]))
3. 集成到客户端：
   json
{
"mcpServers": {
"your-new-server": {
"command": "uv",
"args": [
"run",
"--directory",
"/path/to/your-new-server",
"mcp-your-new-server"
]
}
}
}