ReaderMX.
七牛云

5 分钟搭建你的第一个 MCP Server，用 MaaS 平台的模型当大脑

七带你实践的约 6 分钟

Model Context Protocol (MCP) 作为连接 AI 宿主应用与外部工具的标准协议，解决了 AI 生态中接口碎片化的问题。然而，目前多数 MCP 文章偏向概念阐述，缺乏实际的模型服务集成方案。

在真实的工程落地中，频繁的工具调用与长文本分析往往面临两个硬伤：直连海外 API 极易因网络超时导致长链条任务中断，以及高频请求带来的高额 Token 成本。

本文将提供一个面向工程师的快速通关指南，展示如何基于 TypeScript 构建一个最小可用的 MCP 服务，接入 Claude Code，并利用七牛云 AI 大模型服务（提供国内加速节点与高并发保障）实现底层模型的无缝切换。

接口规范声明：本教程基于七牛云 AI 提供的 OpenAI 兼容 REST 接口，保持请求体结构一致，通过 MAAS_BASE_URL 与 MAAS_MODEL 参数实现模型解耦。若你的目标平台的 API 架构存在差异，请根据代码中 // TODO 标记重构相应的请求解析逻辑，整体流程无需变更。

01

本文交付目标

  1. 构建 MCP 服务端：使用 TypeScript 实现一个具备基础工具能力的 MCP Server。

  2. 多模型热切换：通过单行环境配置，动态路由至七牛云平台上的不同规模模型。

  3. 集成验证：将自定义 Server 接入 Claude Code，完成全链路闭环测试。

预计耗时：5 分钟

环境依赖：Node.js 18+

02

30 秒速览 MCP 协议架构

MCP 核心定义了 3 个角色，使得 AI 运行时（Runtime）能够以统一的标准调度外部能力：

  • Host：AI 宿主应用（例如 Claude Code、Cursor），负责接收用户输入并编排任务。

  • Client：宿主应用内部的协议通信模块，负责生命周期管理与消息路由。

  • Server：执行具体业务逻辑的实体程序，暴露具体的工具（Tools）接口。

+---------------------+              +------------------+              +------------------------+
| Claude Code (Host)  | <-- MCP -->  | 你的 MCP Server   | <-- REST --> | 七牛云 AI 大模型服务群    |
+---------------------+              +------------------+              +------------------------+

03

初始化工程环境

执行以下脚本创建项目并安装标准依赖：

Bash

mkdir mcp-maas-demo && cd mcp-maas-demo
npm init -y
npm install @modelcontextprotocol/sdk zod dotenv
npm install -D typescript @types/node tsx
npx tsc --init

在项目根目录下创建 .env 环境配置文件，配置七牛云 AI 平台凭证与路由参数：

代码段

# .env
MAAS_API_KEY=your_qiniu_api_key
MAAS_BASE_URL=https://api.qnaigc.com/v1
MAAS_MODEL=deepseek/deepseek-v4-pro # 示例模型，可按需替换为平台支持的其他模型

注：将模型标识（MAAS_MODEL）抽离至环境变量，是后续实现运行时模型热切换的核心工程设计。

04

实现最小可用 MCP 服务端

创建入口文件 src/index.ts，实现核心通信与工具注册逻辑：

TypeScript

import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { z } from "zod";
import "dotenv/config";

// ---- 1. 初始化 MCP Server ----
const server = new McpServer({
  name: "maas-demo-server",
  version: "1.0.0",
});

// ---- 2. 定义一个简单工具:查天气 ----
// 真实场景里你可以换成查订单、查文档、查库存等任意业务逻辑
server.registerTool(
"get_weather",
  {
    title: "查询天气",
    description: "根据城市名查询当前天气情况",
    inputSchema: {
      city: z.string().describe("城市名称,例如:北京、上海"),
    },
  },
  async ({ city }) => {
    // mock 数据,实际项目里换成真实天气 API
    const mockWeather = {
      city,
      temperature: `${20 + Math.floor(Math.random() * 10)}°C`,
      condition: ["晴", "多云", "小雨"][Math.floor(Math.random() * 3)],
    };
return {
      content: [
        {
type: "text",
          text: `${city}当前天气:${mockWeather.condition},气温 ${mockWeather.temperature}`,
        },
      ],
    };
  }
);

// ---- 3. 定义一个"调用 MaaS 模型做总结"的工具 ----
// 这里是今天的重点:展示如何在 MCP Server 内部调用 MaaS 平台的模型
server.registerTool(
"summarize_with_maas",
  {
    title: "用 MaaS 模型总结文本",
    description: "把一段较长的文本交给 MaaS 平台的模型,返回简短摘要",
    inputSchema: {
      text: z.string().describe("需要总结的原始文本"),
    },
  },
  async ({ text }) => {
    const summary = await callMaasModel(
      `请用一句话总结以下内容:\n${text}`
    );
return {
      content: [{ type: "text", text: summary }],
    };
  }
);

// ---- 4. 封装 MaaS 平台调用 ----
// 假设是 OpenAI 兼容接口,大多数 MaaS 平台都是这个形态
async function callMaasModel(prompt: string): Promise<string> {
  const response = await fetch(`${process.env.MAAS_BASE_URL}/chat/completions`, {
    method: "POST",
    headers: {
"Content-Type": "application/json",
      Authorization: `Bearer ${process.env.MAAS_API_KEY}`,
    },
    body: JSON.stringify({
      model: process.env.MAAS_MODEL, // 换模型只改这一个环境变量
      messages: [{ role: "user", content: prompt }],
      max_tokens: 300,
    }),
  });

if (!response.ok) {
    throw new Error(`MaaS 调用失败: ${response.status}${await response.text()}`);
  }

  const data = await response.json();
  // TODO: 如果你们平台的返回结构不是 OpenAI 兼容格式,改这里的取值路径
return data.choices?.[0]?.message?.content ?? "(未返回内容)";
}

// ---- 5. 启动 Server ----
const transport = new StdioServerTransport();
await server.connect(transport);

在 package.json 中配置启动脚本：

JSON

{
"scripts": {
"start": "tsx src/index.ts"
  }
}

执行本地编译验证：

Bash

npm run start

注：此时标准输入输出流（Stdio）将被挂起以等待 MCP 协议握手信号，未抛出异常即代表初始化正常（通过 Ctrl+C 终止进程）。

05

接入 Claude Code 进行集成测试

编辑 Claude Code 的全局配置文件（通常位于 ~/.claude.json，可通过 /mcp 命令确认绝对路径），注入以下服务节点：

JSON

{
"mcpServers": {
"qiniu-maas-demo": {
"command": "npx",
"args": ["tsx", "/[PROJECT_ABSOLUTE_PATH]/mcp-maas-demo/src/index.ts"],
"env": {
"MAAS_API_KEY": "your_qiniu_api_key",
"MAAS_BASE_URL": "https://api.qnaigc.com/v1",
"MAAS_MODEL": "deepseek/deepseek-v4-pro"
      }
    }
  }
}

重启 Claude Code 运行时，执行意图测试：

  • 验证业务工具：帮我查一下北京的天气

  • 验证代理工具：用 summarize_with_maas 工具帮我总结这段话:「MCP 协议正在成为 AI 应用调用外部工具的标准方式……」

Image

若正确返回业务数据与摘要结果，证明 Claude Code -> MCP Server -> 七牛云 AI 的全链路已全线贯通。

06

进阶：体验“零代码重构的配置级切换”

这是本小节的核心工程实践。得益于七牛云提供的多模型统一鉴权架构，当需要评估不同参数规模模型在特定工具场景下的表现时，你无需重构、无需重新构建编译任何 TypeScript 代码。

仅需变更配置中的 MAAS_MODEL 变量（在修改 .claude.json 里的环境变量后，客户端会自动在下一次请求中透传新模型）：

Bash

# 切换前：使用高性价比开源模型
MAAS_MODEL=deepseek/deepseek-v4-flash

# 切换后：一键切到高性能闭源/大参数模型
MAAS_MODEL=deepseek/deepseek-v4-pro

再次执行 summarize_with_maas，服务将无缝走通新模型的推理链路。你可以明显观测到在七牛云国内加速节点的支撑下，不同模型的首字延迟（TTFT）与吞吐表现。同时，你可以登录七牛云后台控制台，直观查看在同一个 API Key 下，异构模型的流量分布、调用日志与计费快照。

07

结语与后续演进

通过本文的工程实践，我们成功构建了一个具备多模型路由能力的 MCP 服务。这种将 “工具定义（MCP）” 与 “大模型算力（MaaS）” 解耦的架构，为构建企业级低延迟、低成本 AI 应用提供了标准范式。

点击「阅读原文」，立即体验。

Image

推荐阅读

Image
Image
Image

KEEP THE THREAD GOING

更多来源文章