Build-MCP-Step-by-Step

这个仓库现在包含两部分内容：

• 一套从 LLM -> Agent -> MCP -> Runtime -> Evaluation -> Production 展开的长文型 notebook
• 一套最小但真实可运行的本地实现，用来证明这不是只有文稿，没有系统

• 01-12_*.ipynb
  • 解释整套系统的原理、结构、案例和工程化路径
• server/
  • 一个最小本地 MCP 风格 server
  • 通过 stdio 提供 tools / resources / prompts
• runtime/
  • 本地 Ollama 调用层
  • MCP client
  • 最小 agent runtime
• examples/
  • JD 样例
  • 候选人资料样例
• demo/run_demo.py
  • 端到端 demo 脚本

server/mcp_server.py 和 server/capabilities.py 现在已经真实暴露了三类能力：

• tools
  • extract_key_requirements
  • score_candidate_fit
  • summarize_section
• resources
  • project://prd/main
  • project://case/jd_sample
  • project://case/candidate_profile
• prompts
  • map_candidate_to_jd
  • analyze_project_brief

它不是完整 MCP SDK 实现，但已经保留了最关键的边界：

• 能力发现
• resource 读取
• prompt 获取
• tool 调用

runtime/agent_runtime.py 现在已经实现了一个最小闭环：

1. 读取 JD resource
2. 读取 candidate resource
3. 调用要求抽取工具
4. 调用匹配评分工具
5. 生成最终结构化结果

如果本地 Ollama 可用，模型会参与：

• 下一步动作规划
• 最终结果综合

如果本地模型不可用或输出结构损坏，runtime 会走 fallback 路径，确保：

• resource 链路能验证
• tool 链路能验证
• 状态推进能验证

runtime/ollama_client.py 通过 HTTP 调用本地 Ollama。

默认模型名写的是：

• gpt-oss:120b

如果你本地模型名不同，需要自己改 demo/run_demo.py 或 runtime/ollama_client.py 里的默认值。

你本地需要有：

• 已启动的 Ollama
• 可用模型，例如 gpt-oss:120b

python -B demo/run_demo.py

这个脚本会做的事情不是单纯调一次模型，而是：

1. 拉起本地 server/mcp_server.py
2. Runtime 通过 stdio 连接这个 server
3. 读取样例 resource
4. 调用本地 tool
5. 让模型参与规划和最终综合
6. 输出 trace 和最终结果

这套实现现在的定位是：

• 它已经不是纯文稿
• 但它也还不是完整生产级 MCP 系统

更准确地说，它是一个“最小真实闭环”：

• 有真实 server
• 有真实 runtime
• 有真实 resource / tool / prompt
• 有真实 demo

但还没有做重的部分，例如：

• 完整 MCP SDK 接入
• 更复杂的多任务状态治理
• 更严格的权限控制
• 完整测试体系
• 更成熟的错误恢复和评估框架实现

这个仓库想证明的不是“会不会调用 API”，而是：

• 理解大模型为什么会表现出任务性
• 理解 Agent 不等于聊天机器人
• 理解 MCP 不是工具清单，而是能力层
• 知道 runtime 才是系统中枢
• 能把这些理解真正落成一个最小可运行原型

如果后面继续扩，这个仓库最自然的方向是：

• 把当前最小 MCP 风格 server 换成正式 MCP SDK 实现
• 增加更多资源���工具和 prompt
• 把 demo 提升成更完整的案例与评估链
• 补测试、trace 和版本治理