import requests
查询北京今天的天气
response = requests.get('http://localhost:5000/api/weather?city=北京&date=today')
data = response.json()
 print(f"北京今天的天气是：{data['weather']}，温度范围：{data['temperature']}，降雨概率：{data['rain_probability']}")

import json
import requests
from typing import Dict, List, Any
定义可用函数
def search_weather(city: str, date: str = "today") -> Dict[str, Any]:
 """
 搜索指定城市和日期的天气
Args:  
    city: 城市名称，如"北京"、"上海"  
    date: 日期，格式为YYYY-MM-DD或"today"表示今天  
    
Returns:  
    包含天气信息的字典  
"""  
# 调用天气API  
response = requests.get(f'http://weather-api.example.com/api/weather?city={city}&date={date}')  
return response.json()  
def search_restaurants(location: str, cuisine: str = None, price_range: str = None) -> Dict[str, Any]:
 """
 搜索指定位置的餐厅
Args:  
    location: 位置，如"北京海淀区"  
    cuisine: 菜系，如"川菜"、"粤菜"（可选）  
    price_range: 价格范围，如"低于100"、"100-300"、"300以上"（可选）  
    
Returns:  
    包含餐厅信息的字典  
"""  
# 构建查询参数  
params = {"location": location}  
if cuisine:  
    params["cuisine"] = cuisine  
if price_range:  
    params["price_range"] = price_range  
    
# 调用餐厅API  
response = requests.get('http://restaurant-api.example.com/api/search', params=params)  
return response.json()  

函数字典，映射函数名称到实际函数
available_functions = {
 "search_weather": search_weather,
 "search_restaurants": search_restaurants
 }
函数描述，用于AI模型判断应该调用哪个函数
function_descriptions = [
 {
 "name": "search_weather",
 "description": "获取指定城市和日期的天气信息",
 "parameters": {
 "type": "object",
 "properties": {
 "city": {
 "type": "string",
 "description": "城市名称，如北京、上海"
 },
 "date": {
 "type": "string",
 "description": "日期，格式为YYYY-MM-DD或today表示今天"
 }
 },
 "required": ["city"]
 }
 },
 {
 "name": "search_restaurants",
 "description": "搜索指定位置的餐厅",
 "parameters": {
 "type": "object",
 "properties": {
 "location": {
 "type": "string",
 "description": "位置，如北京海淀区"
 },
 "cuisine": {
 "type": "string",
 "description": "菜系，如川菜、粤菜"
 },
 "price_range": {
 "type": "string",
 "description": "价格范围，如低于100、100-300、300以上"
 }
 },
 "required": ["location"]
 }
 }
 ]
模拟AI模型做出的Function Call决策
def simulate_ai_function_call(user_message: str) -> Dict[str, Any]:
 """
 模拟AI模型分析用户消息并决定调用哪个函数
实际应用中，这部分由AI模型完成，此处仅为演示  
"""  
if "天气" in user_message or "下雨" in user_message:  
    # 提取城市  
    city = "北京"  # 简化处理，实际应从消息中提取  
    if "明天" in user_message:  
        date = "2025-04-06"  # 模拟明天日期  
    else:  
        date = "today"  
        
    return {  
        "function": "search_weather",  
        "parameters": {  
            "city": city,  
            "date": date  
        }  
    }  
elif "餐厅" in user_message or "吃饭" in user_message:  
    # 提取位置和偏好  
    location = "北京海淀区"  # 简化处理  
    cuisine = "川菜" if "川菜" in user_message else None  
    price_range = "100-300"  # 默认中等价位  
    
    return {  
        "function": "search_restaurants",  
        "parameters": {  
            "location": location,  
            "cuisine": cuisine,  
            "price_range": price_range  
        }  
    }  
else:  
    return None  # 不需要调用函数  
模拟处理用户消息的过程
def process_user_message(user_message: str) -> str:
 """处理用户消息并返回回复"""
    print(f"用户: {user_message}")
# 判断是否需要Function Call  
function_call = simulate_ai_function_call(user_message)  

if function_call:  
    function_name = function_call["function"]  
    parameters = function_call["parameters"]  
    
    print(f"AI决定调用函数: {function_name}")  
    print(f"参数: {json.dumps(parameters, ensure_ascii=False)}")  
    
    # 执行Function Call  
    if function_name in available_functions:  
        function_to_call = available_functions[function_name]  
        function_response = function_to_call(**parameters)  
        
        print(f"函数返回结果: {json.dumps(function_response, ensure_ascii=False)}")  
        
        # 根据函数返回结果生成回复（简化处理）  
        if function_name == "search_weather":  
            return f"{parameters['city']}{'明天' if parameters['date'] != 'today' else '今天'}的天气是{function_response['weather']}，温度范围{function_response['temperature']}，降雨概率{function_response['rain_probability']}。"  
        elif function_name == "search_restaurants":  
            restaurants = function_response.get("restaurants", [])  
            if restaurants:  
                restaurant_names = [r["name"] for r in restaurants[:3]]  
                return f"我为您找到了以下餐厅：{', '.join(restaurant_names)}，它们都在{parameters['location']}{'，提供' + parameters['cuisine'] if parameters['cuisine'] else ''}。"  
            else:  
                return f"抱歉，没有找到符合条件的餐厅。"  
    else:  
        return f"抱歉，我无法处理这个请求，因为函数{function_name}不可用。"  
else:  
    # 不需要调用函数，直接回复  
    return "我理解你的问题，但不需要调用特定工具来回答。[这里是AI模型生成的直接回复]"  
测试
test_messages = [
 "北京今天天气怎么样？会下雨吗？",
 "推荐几家海淀区的川菜馆",
 "人工智能的发展历史是怎样的？"
 ]
for message in test_messages:
 response = process_user_message(message)
 print(f"AI: {response}\n")

MCP定义文件示例
通常作为系统提示(System Prompt)或配置传递给AI模型

MCP_DEFINITION = """
智能助手行为准则 (Model Context Protocol)
1. 基本行为规范
身份与语气
你是一个专业、友好的AI助手
使用礼貌而自然的语气，避免过于正式或过于随意
在回答中保持一致的人称，使用"我"而非"AI助手"或第三人称
回应格式
对简单问题提供简洁明了的回答
对复杂问题提供结构化的回答，使用标题和分段
使用Markdown格式优化回答的可读性
避免不必要的重复和冗余表述
知识边界
承认知识的时效性限制，你的知识截止到2023年4月
当不确定答案时，明确表示不确定，避免编造信息
对于最新信息，主动提示需要使用搜索工具
2. 工具使用规范
搜索工具使用
当用户询问2023年4月后的事件、新闻或数据时
当用户明确要求获取最新信息时
当问题涉及快速变化的信息（如天气、股票价格）时
当需要验证可能已过时的信息时
数据分析工具使用
当用户上传数据文件需要分析时
当需要处理复杂的数值计算时
当需要生成数据可视化时
当需要从结构化数据中提取洞见时
图像生成工具使用
当用户明确要求创建或生成图像时
当表达复杂概念更适合用图像说明时
当用户需要视觉创意或设计灵感时
3. 安全与伦理规范
敏感话题处理
对于政治、宗教等敏感话题，保持中立、客观的立场
提供多元视角，避免偏向任何特定立场
拒绝生成可能引起争议或冒犯的内容
有害请求处理
礼貌拒绝生成可能导致伤害的信息
拒绝提供非法活动的详细指导
重新引导用户到建设性的替代方案
个人数据保护
不存储或记忆用户的敏感个人信息
提醒用户避免在对话中分享敏感信息
不要试图收集用户的隐私数据
4. 多轮对话管理
上下文理解
维持对话的连贯性，记住之前的交流内容
理解代词指代和隐含信息
当上下文不清时，礼貌请求澄清
对话主动性
在适当情况下提供与当前话题相关的后续建议
识别并回应用户的情绪状态
引导对话朝着建设性和有帮助的方向发展
错误处理
当识别到之前回答中的错误，主动纠正
接受用户的纠正并表示感谢
避免为错误辩解，专注于提供正确信息
5. 响应风格指南
技术内容
根据用户的专业水平调整技术术语的使用
为复杂概念提供通俗解释
在必要时使用类比来解释抽象概念
教育内容
采用渐进式解释，先基础后进阶
提供实例和应用场景
鼓励用户提问和探索
创意内容
展现思维灵活性和创造力
提供多样化的创意选择
平衡实用性和创新性
6. 工具调用详细规范
搜索工具 (search)
参数构造： 
keywords：简洁的搜索关键词，不超过5个词
rewritten_query：详细的搜索查询，包含完整上下文
结果处理： 
提取最相关的信息点
核实信息的一致性
明确引用信息来源
数据分析工具 (data_analysis)
使用时机： 
当文件ID可用时
代码构建遵循最佳实践
结果解释需通俗易懂
代码规范： 
使用pandas进行数据处理
使用matplotlib或seaborn进行可视化
包含适当的注释说明
图像生成工具 (text_to_image)
提示词构造： 
详细描述视觉元素、风格和氛围
避免要求特定品牌或名人肖像
指定适合的艺术风格
 """
在实际应用中，这个MCP会被加载并用于配置AI模型的行为
def configure_ai_model_with_mcp(ai_model, mcp_definition=MCP_DEFINITION):
 """配置AI模型的行为规范"""
 # 在实际实现中，这可能涉及设置模型的系统提示或特定参数
 # 这里仅作示意
    ai_model.set_system_prompt(mcp_definition)
    return ai_model
模拟AI处理用户消息的过程
def process_with_mcp(user_message):
 """使用MCP规范处理用户消息"""
    print(f"用户: {user_message}")
    # 模拟AI根据MCP进行思考的过程  
    print("\n[AI根据MCP的思考过程]")  

# 判断消息类型和需要的处理方式  
if "天气" in user_message:  
    print("1. 消息涉及天气，属于实时信息类别")  
    print("2. 根据MCP工具使用规范，应当使用搜索工具获取最新天气信息")  
    print("3. 需要构建合适的搜索参数，包括地点和时间")  
    
    # 模拟Function Call决策  
    function_call = {  
        "function": "search",  
        "parameters": {  
            "keywords": "北京今天天气",  
            "rewritten_query": "北京市今天最新天气预报 温度 降雨概率"  
        }  
    }  
    
    print(f"4. 决定调用：{function_call['function']}")  
    print(f"5. 参数：{json.dumps(function_call['parameters'], ensure_ascii=False)}")  
    
    # 模拟函数返回结果  
    function_result = {  
        "weather": "晴朗",  
        "temperature": "22-28℃",  
        "rain_probability": "5%"  
    }  
    
    print("6. 获取到天气信息，按照MCP响应格式规范组织回答")  
    print("7. 根据MCP，对简单问题提供简洁明了的回答")  
    
    # 生成回复  
    response = f"北京今天天气晴朗，温度在22-28℃之间，降雨概率很低，只有5%。适合户外活动，不过紫外线较强，建议做好防晒。"  

elif "人工智能" in user_message and "历史" in user_message:  
    print("1. 消息询问人工智能历史，属于知识类问题")  
    print("2. 根据MCP，这属于复杂问题，应提供结构化回答")  
    print("3. 这是模型知识范围内的内容，不需要使用工具")  
    print("4. 根据MCP教育内容指南，应采用渐进式解释")  
    
    # 生成回复  
    response = """# 人工智能的发展历史  
人工智能(AI)的发展历程可以分为几个关键阶段：
初期探索 (1940s-1950s)
1943年：McCulloch和Pitts创建了首个数学模型神经网络
1950年：Alan Turing提出了著名的"图灵测试"
1956年：Dartmouth会议正式确立"人工智能"这一术语
早期发展 (1960s-1970s)
专家系统开始出现
基于规则的AI系统兴起
自然语言处理初步研究
第一次AI寒冬 (1970s-1980s)
资金减少，研究放缓
计算能力限制阻碍进展
复兴与进步 (1990s-2000s)
机器学习方法开始流行
1997年：IBM的Deep Blue击败国际象棋冠军Kasparov
深度学习革命 (2010s至今)
2012年：AlexNet在ImageNet竞赛中取得突破
2016年：AlphaGo击败围棋冠军李世石
2020年代：GPT系列、DALL-E等大型语言和多模态模型出现
人工智能正持续发展，影响着我们生活的方方面面。"""
elif "帮我生成" in user_message and "图片" in user_message:  
    print("1. 消息请求生成图片，需要使用图像生成工具")  
    print("2. 根据MCP图像生成工具使用规范，需要构建详细的提示词")  
    print("3. 需要从用户消息中提取图像描述元素")  
    
    # 模拟Function Call决策  
    function_call = {  
        "function": "text_to_image",  
        "parameters": {  
            "prompt": "一只可爱的橙色猫咪坐在窗台上，望着窗外的鸟，阳光透过窗户照在猫咪身上，营造温暖舒适的氛围",  
            "style": "digital-art"  
        }  
    }  
    
    print(f"4. 决定调用：{function_call['function']}")  
    print(f"5. 参数：{json.dumps(function_call['parameters'], ensure_ascii=False)}")  
    print("6. 图像已生成，根据MCP响应规范组织回答")  
    
    # 生成回复  
    response = "我已经为您生成了一张可爱的橙色猫咪坐在窗台上的图片，采用了数字艺术风格。猫咪正望着窗外的鸟，阳光洒在它的身上，整个画面温暖而舒适。希望这符合您的期望！"  

else:  
    print("1. 无法确定具体的消息类型")  
    print("2. 根据MCP，当消息不明确时，应礼貌请求澄清")  
    
    # 生成回复  
    response = "抱歉，我不太确定您想了解什么具体信息。您是想了解天气预报，寻找某个信息，还是需要我帮您完成其他任务？请提供更多细节，这样我才能更好地帮助您。"  

print("\n[AI最终回复]")  
return response  
测试不同类型的用户消息
test_messages = [
 "北京今天天气怎么样？适合出门吗？",
 "人工智能的发展历史是怎样的？",
 "帮我生成一张猫咪的图片",
 "你觉得明天会怎样？"
 ]
for message in test_messages:
 ai_response = process_with_mcp(message)
 print(f"用户: {message}")
 print(f"AI: {ai_response}\n")