构建 Gradio MCP 服务器

在本节中，我们将使用 Gradio 创建我们的情感分析 MCP 服务器。该服务器将公开一个情感分析工具，人类用户可以通过 Web 界面使用它，AI 模型可以通过 MCP 协议使用它。

Gradio MCP 集成简介

Gradio 提供了一种直接创建 MCP 服务器的方法，它会自动将您的 Python 函数转换为 MCP 工具。当您在 launch() 中设置 mcp_server=True 时，Gradio 会

自动将您的函数转换为 MCP 工具
将输入组件映射到工具参数模式
根据输出组件确定响应格式
设置基于 HTTP+SSE 的 JSON-RPC 用于客户端-服务器通信
创建 Web 界面和 MCP 服务器端点

项目设置

首先，我们为项目创建一个新目录并设置所需的依赖项

mkdir mcp-sentiment
cd mcp-sentiment
python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate
pip install "gradio[mcp]" textblob

创建服务器

Hugging Face Spaces 需要一个 app.py 文件来构建空间。因此，Python 文件的名称必须是 app.py

创建一个名为 app.py 的新文件，其中包含以下代码

import json
import gradio as gr
from textblob import TextBlob

def sentiment_analysis(text: str) -> str:
    """
    Analyze the sentiment of the given text.

    Args:
        text (str): The text to analyze

    Returns:
        str: A JSON string containing polarity, subjectivity, and assessment
    """
    blob = TextBlob(text)
    sentiment = blob.sentiment
    
    result = {
        "polarity": round(sentiment.polarity, 2),  # -1 (negative) to 1 (positive)
        "subjectivity": round(sentiment.subjectivity, 2),  # 0 (objective) to 1 (subjective)
        "assessment": "positive" if sentiment.polarity > 0 else "negative" if sentiment.polarity < 0 else "neutral"
    }

    return json.dumps(result)

# Create the Gradio interface
demo = gr.Interface(
    fn=sentiment_analysis,
    inputs=gr.Textbox(placeholder="Enter text to analyze..."),
    outputs=gr.Textbox(),  # Changed from gr.JSON() to gr.Textbox()
    title="Text Sentiment Analysis",
    description="Analyze the sentiment of text using TextBlob"
)

# Launch the interface and MCP server
if __name__ == "__main__":
    demo.launch(mcp_server=True)

理解代码

让我们分解关键组件

函数定义:
- sentiment_analysis 函数接受文本输入并返回一个字典
- 它使用 TextBlob 来分析情感
- 文档字符串至关重要，因为它有助于 Gradio 生成 MCP 工具模式
- 类型提示 (str 和 dict) 有助于定义输入/输出模式
Gradio 接口:
- gr.Interface 创建 Web UI 和 MCP 服务器
- 该函数自动作为 MCP 工具公开
- 输入和输出组件定义了工具的模式
- JSON 输出组件确保正确序列化
MCP 服务器:
- 设置 mcp_server=True 启用 MCP 服务器
- 服务器将在 https://:7860/gradio_api/mcp/sse 可用
- 您也可以使用环境变量启用它
```
export GRADIO_MCP_SERVER=True
```

运行服务器

通过运行以下命令启动服务器

python app.py

您应该会看到输出，表明 Web 界面和 MCP 服务器正在运行。Web 界面将在 https://:7860 可用，MCP 服务器将在 https://:7860/gradio_api/mcp/sse 可用。

测试服务器

您可以通过两种方式测试服务器

Web 界面:
- 在浏览器中打开 https://:7860
- 输入一些文本并点击“提交”
- 您应该会看到情感分析结果
MCP 模式:
- 访问 https://:7860/gradio_api/mcp/schema
- 这显示了客户端将使用的 MCP 工具模式
- 您也可以在 Gradio 应用程序底部的“查看 API”链接中找到它

故障排除提示

类型提示和文档字符串:
- 始终为您的函数参数和返回值提供类型提示
- 包含一个带有“Args:”块的文档字符串，用于每个参数
- 这有助于 Gradio 生成准确的 MCP 工具模式
字符串输入:
- 如有疑问，请将输入参数接受为 str
- 在函数内部将其转换为所需类型
- 这提供了与 MCP 客户端更好的兼容性

SSE 支持:

某些 MCP 客户端不支持基于 SSE 的 MCP 服务器

在这些情况下，请使用 mcp-remote

{
  "mcpServers": {
    "gradio": {
      "command": "npx",
      "args": [
        "mcp-remote",
        "https://:7860/gradio_api/mcp/sse"
      ]
    }
  }
}

连接问题:
- 如果遇到连接问题，请尝试重启客户端和服务器
- 检查服务器是否正在运行且可访问
- 验证 MCP 模式是否在预期 URL 可用

部署到 Hugging Face Spaces

要使您的服务器可供他人使用，您可以将其部署到 Hugging Face Spaces

在 Hugging Face 上创建一个新空间
- 访问 huggingface.co/spaces
- 点击“创建新空间”
- 选择“Gradio”作为 SDK
- 命名您的空间（例如，“mcp-sentiment”）
创建 requirements.txt 文件

gradio[mcp]
textblob

将您的代码推送到空间

git init
git add app.py requirements.txt
git commit -m "Initial commit"
git remote add origin https://huggingface.co/spaces/YOUR_USERNAME/mcp-sentiment
git push -u origin main

您的 MCP 服务器现在可在以下地址访问

https://YOUR_USERNAME-mcp-sentiment.hf.space/gradio_api/mcp/sse

后续步骤

既然我们的 MCP 服务器已在运行，我们将创建客户端与其交互。在接下来的章节中，我们将

创建一个受 Tiny Agents 启发的基于 HuggingFace.js 的客户端
实现一个基于 SmolAgents 的 Python 客户端
使用我们部署的服务器测试两个客户端

让我们开始构建我们的第一个客户端！

< > 在 GitHub 上更新

MCP 课程