MCP协议入门实战：从零实现一个GitHub Issue管理AI工具

什么是MCP？为什么重要？

MCP（Model Context Protocol）是由Anthropic在2025年提出的开放协议，它定义了AI模型与外部工具之间的标准通信方式。简单说，MCP就是”AI的USB接口”——让任何AI模型都能插上任何工具。

2026年，MCP已经成为AI Agent接入外部工具的事实标准。OpenAI、DeepSeek、Claude均原生支持。

本文教你从零实现一个MCP工具，让AI助手直接管理GitHub Issue。

MCP核心概念

┌─────────────┐      MCP JSON-RPC      ┌──────────────┐
│  AI Model   │ ◄─────────────────────► │  MCP Server  │
│  (客户端)    │    (stdio/HTTP)         │  (工具端)     │
└─────────────┘                         └──────┬───────┘
                                               │
                                        ┌──────┴───────┐
                                        │   GitHub API  │
                                        └──────────────┘

核心通信格式是JSON-RPC 2.0。MCP Server需要实现三个基本方法：list_tools、call_tool、resource_access。

第一步：环境准备

pip install mcp httpx

MCP官方Python SDK提供了完整的Server基类，我们只需继承它。

第二步：实现MCP Server

import httpx
from mcp.server import Server
from mcp.types import Tool, TextContent

# 初始化Server
server = Server("github-issue-manager")

@server.list_tools()
async def list_tools() -> list[Tool]:
    return [
        Tool(
            name="create_issue",
            description="在指定GitHub仓库创建Issue",
            input_schema={
                "type": "object",
                "properties": {
                    "repo": {"type": "string", "description": "仓库名，如 owner/repo"},
                    "title": {"type": "string", "description": "Issue标题"},
                    "body": {"type": "string", "description": "Issue正文"}
                },
                "required": ["repo", "title"]
            }
        ),
        Tool(
            name="list_issues",
            description="列出仓库的开放Issues",
            input_schema={
                "type": "object",
                "properties": {
                    "repo": {"type": "string"},
                    "state": {"type": "string", "enum": ["open", "closed"]}
                },
                "required": ["repo"]
            }
        )
    ]

@server.call_tool()
async def call_tool(name: str, arguments: dict) -> list[TextContent]:
    headers = {"Authorization": f"Bearer {arguments.pop('token', os.environ['GITHUB_TOKEN'])}"}
    async with httpx.AsyncClient() as client:
        if name == "create_issue":
            repo = arguments["repo"]
            res = await client.post(
                f"https://api.github.com/repos/{repo}/issues",
                json={"title": arguments["title"], "body": arguments.get("body", "")},
                headers=headers
            )
            data = res.json()
            return [TextContent(type="text", text=f"Issue created: {data['html_url']}")]
        elif name == "list_issues":
            res = await client.get(
                f"https://api.github.com/repos/{arguments['repo']}/issues",
                params={"state": arguments.get("state", "open")},
                headers=headers
            )
            issues = res.json()
            summary = "\n".join([f"- #{i['number']} {i['title']} ({i['state']})" for i in issues[:10]])
            return [TextContent(type="text", text=summary)]

第三步：启动Server

if __name__ == "__main__":
    server.run(transport="stdio")

两种传输模式：

• stdio：AI客户端通过子进程通信，适合本地使用
• http：暴露为HTTP服务，可远程调用

第四步：连接AI客户端

以Claude Desktop为例，在配置文件中添加：

{
  "mcpServers": {
    "github-issues": {
      "command": "python",
      "args": ["path/to/your/server.py"],
      "env": {
        "GITHUB_TOKEN": "your_token_here"
      }
    }
  }
}

之后Claude就能直接帮你创建、查询、管理GitHub Issues了。

进阶：添加资源（Resource）

除了Tool，MCP还支持”Resource”——让AI读取外部数据。比如加入获取Issue详情的功能：

@server.list_resources()
async def list_resources() -> list[Resource]:
    return [Resource(uri="issue://latest", name="最新的Issue", mime_type="application/json")]

总结

至此，你已经实现了一个完整的MCP工具。整个过程不过100行代码，但让你的AI助手具备了真实的软件工程能力。MCP的魅力在于：任何API都可以在两小时内变成AI可调用的工具。 工作中遇到重复性操作，不妨自己做一个小MCP Server，效率翻倍。