構建 Gradio MCP 伺服器

在本節中，我們將使用 Gradio 建立我們的情感分析 MCP 伺服器。該伺服器將公開一個情感分析工具，人類使用者可以透過 Web 介面使用它，AI 模型可以透過 MCP 協議使用它。

Gradio MCP 整合簡介

Gradio 提供了一種直接建立 MCP 伺服器的方法，它會自動將您的 Python 函式轉換為 MCP 工具。當您在 launch() 中設定 mcp_server=True 時，Gradio 會

自動將您的函式轉換為 MCP 工具
將輸入元件對映到工具引數模式
根據輸出元件確定響應格式
設定基於 HTTP+SSE 的 JSON-RPC 用於客戶端-伺服器通訊
建立 Web 介面和 MCP 伺服器端點

專案設定

首先，我們為專案建立一個新目錄並設定所需的依賴項

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

建立伺服器

Hugging Face Spaces 需要一個 app.py 檔案來構建空間。因此，Python 檔案的名稱必須是 app.py

建立一個名為 app.py 的新檔案，其中包含以下程式碼

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)

理解程式碼

讓我們分解關鍵元件

函式定義:
- sentiment_analysis 函式接受文字輸入並返回一個字典
- 它使用 TextBlob 來分析情感
- 文件字串至關重要，因為它有助於 Gradio 生成 MCP 工具模式
- 型別提示 (str 和 dict) 有助於定義輸入/輸出模式
Gradio 介面:
- gr.Interface 建立 Web UI 和 MCP 伺服器
- 該函式自動作為 MCP 工具公開
- 輸入和輸出元件定義了工具的模式
- JSON 輸出元件確保正確序列化
MCP 伺服器:
- 設定 mcp_server=True 啟用 MCP 伺服器
- 伺服器將在 https://:7860/gradio_api/mcp/sse 可用
- 您也可以使用環境變數啟用它
```
export GRADIO_MCP_SERVER=True
```

執行伺服器

透過執行以下命令啟動伺服器

python app.py

您應該會看到輸出，表明 Web 介面和 MCP 伺服器正在執行。Web 介面將在 https://:7860 可用，MCP 伺服器將在 https://:7860/gradio_api/mcp/sse 可用。

測試伺服器

您可以透過兩種方式測試伺服器

Web 介面:
- 在瀏覽器中開啟 https://:7860
- 輸入一些文字並點選“提交”
- 您應該會看到情感分析結果
MCP 模式:
- 訪問 https://:7860/gradio_api/mcp/schema
- 這顯示了客戶端將使用的 MCP 工具模式
- 您也可以在 Gradio 應用程式底部的“檢視 API”連結中找到它

故障排除提示

型別提示和文件字串:
- 始終為您的函式引數和返回值提供型別提示
- 包含一個帶有“Args:”塊的文件字串，用於每個引數
- 這有助於 Gradio 生成準確的 MCP 工具模式
字串輸入:
- 如有疑問，請將輸入引數接受為 str
- 在函式內部將其轉換為所需型別
- 這提供了與 MCP 客戶端更好的相容性

SSE 支援:

某些 MCP 客戶端不支援基於 SSE 的 MCP 伺服器

在這些情況下，請使用 mcp-remote

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

連線問題:
- 如果遇到連線問題，請嘗試重啟客戶端和伺服器
- 檢查伺服器是否正在執行且可訪問
- 驗證 MCP 模式是否在預期 URL 可用

部署到 Hugging Face Spaces

要使您的伺服器可供他人使用，您可以將其部署到 Hugging Face Spaces

在 Hugging Face 上建立一個新空間
- 訪問 huggingface.co/spaces
- 點選“建立新空間”
- 選擇“Gradio”作為 SDK
- 命名您的空間（例如，“mcp-sentiment”）
建立 requirements.txt 檔案

gradio[mcp]
textblob

將您的程式碼推送到空間

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 伺服器現在可在以下地址訪問

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

後續步驟

既然我們的 MCP 伺服器已在執行，我們將建立客戶端與其互動。在接下來的章節中，我們將

建立一個受 Tiny Agents 啟發的基於 HuggingFace.js 的客戶端
實現一個基於 SmolAgents 的 Python 客戶端
使用我們部署的伺服器測試兩個客戶端

讓我們開始構建我們的第一個客戶端！

< > 在 GitHub 上更新

MCP 課程