SageMaker MCP 服务端（直接工具示例）

使用说明

• 项目简介

  • 这是仓库中一个简明的 MCP 服务器实现示例，演示如何在服务端注册一个工具（Tool），使 LLM 客户端能够通过 MCP 协议调用外部功能（本例为对 SageMaker 端点的推理调用）。核心是一个以 FastMCP 为基础的服务端，启动后监听标准输入输出传输。
  • 该实现专注于“工具注册与暴露”这一 MCP 服务器端的关键能力，适合作为在真实环境中搭建 MCP 服务端的起点。

• 主要功能点

  • 注册工具（Tool）：将一个自定义函数包装为 MCP 工具，供客户端调用。工具内部会将输入数据转发给 SageMaker 推理端获取结果。
  • 启动服务器：通过标准输入输出传输（stdio）启动 MCP 服务器，支持与 MCP 客户端进行 JSON-RPC 风格的通信。
  • 简单的后端集成：示例中的工具通过 AWS SDK 与 SageMaker Runtime 交互，返回推理结果。

• 安装步骤

  • 安装基础依赖：Python 3.x 环境，安装 mcp 包及对 SageMaker 的依赖（如 boto3）。
  • 获取代码：将 server.py 放在本地目录中，确保路径与启动命令一致。
  • 安装依赖（示例性步骤）：pip install mcp boto3

• 服务器配置（MCP 客户端连接所需的 JSON 配置，属于 MCP 客户端侧信息，不需要服务器端代码）

  • 服务器配置示例（JSON，可直接用于 MCP 客户端进行连接）: { "server_name": "SageMakerDirectToolServer", "command": "python3 /absolute/path/to/5_agents/ml-models-as-agent-tools/1-direct/server.py", "args": [] }
  • 说明：
    • server_name: 服务器唯一标识名称，用于客户端显示与管理。
    • command: 启动服务器的完整命令，需指向 server.py 的实际路径（请替换为实际绝对路径）。
    • args: 启动服务器时需要的参数，这个示例没有额外参数（可根据实际环境扩展）。
  • 备注：MCP 客户端在连接时通常只需要知道 server_name、启动命令及必要参数；服务器端代码无需暴露给客户端配置。

• 基本使用方法

  • 启动服务器：在服务器所在目录运行前述启动命令，服务器将通过 stdio Transport 启动并等待 MCP 客户端请求。
  • 客户端使用（简述，非服务端代码）：MCP 客户端通过 MCP 协议向该服务器发送工具调用请求（如对 SageMaker 的推理请求），服务器接收请求、调用相应工具并返回结果给客户端。
  • 监控与调试：检查服务器输出与 SageMaker 调用结果，确保工具注册成功且推理端点可访问。