前言
随着大模型的飞速发展，越来越多的 AI 创新颠覆了过往很多产品的使用体验。但你是否曾想过，在向大型语言模型提问时，它能否根据你的需求精准返回系统中的对应数据？例如，当用户查询Grafana服务时，模型是否可以返回系统的Dashboard列表以及大盘实时图片。又或者，当用户询问某天的天气时，模型能否直接提供一张清晰的天气卡片。
今天，我们将以AI世界的“USB-C”标准接口——MCP（Model Context Protocol）为例，演示如何通过MCP Server实现大模型与阿里云Grafana服务的无缝对接，让智能交互更加高效、直观。
什么是MCP ?
咨询通义千问，你会了解到MCP（Model Context Protocol）是一种开放标准的协议，旨在解决大型语言模型（LLM）数据源接入混乱的问题。它允许开发者构建服务器，以安全、标准化的方式向LLM应用程序公开数据和功能。以下是MCP的主要特点：
● 标准化 MCP通过定义统一的通信协议，简化了不同AI和服务之间的集成过程。开发者无需为每个特定服务编写定制代码，只需遵循MCP标准，即可快速接入多种AI模型和服务。
● 安全性 安全性是MCP设计的核心考量之一。MCP确保数据传输的安全性，保护用户隐私和数据安全，提供多层次的安全机制，包括数据加密、身份验证和权限控制等。
● 灵活性 MCP具有高度的灵活性，能够适应各种应用场景和需求。无论是数据库、文件还是API，MCP都能提供支持，使得开发者可以根据具体需求选择最适合的技术栈。
● 跨平台 MCP具备卓越的跨平台能力，适用于任何系统和编程语言（如Python、TypeScript、Go）。这使得MCP不局限于特定环境，而是能够在广泛的平台上实现一致的服务体验。
通过这些特性，MCP成为了连接不同服务与应用的强大桥梁，极大地提升了开发效率和用户体验。
MCP怎么工作 ？
MCP采用客户端-服务器模式，其核心组件如下：
● MCP客户端：嵌入在AI应用中（如Claude Desktop、Cherry Studio、Cursor），负责与服务器通信，向服务器发送请求并告知需要执行的操作。
● MCP服务器：一个轻量级服务，负责连接具体的数据源或工具（如数据库、文件系统、API、Git仓库等），完成实际的任务处理。
如上图所示，当你在AI应用（如Cherry Studio）的聊天窗口中询问“今天天气怎么样？”时，应用会首先将你的问题传递给选定的AI模型（如DeepSeek或Qwen）。如果该大模型支持MCP协议，则会基于配置文件信息自动建立MCP Client连接，并调用MCP Server执行相应的天气查询操作（包括Tool、Resource、Prompt）。随后，大模型根据返回的查询结果生成回答，并将其展示在聊天窗口中，完成整个交互过程。
如何开发MCP Server ？
MCP（Model Context Protocol）提供了三种主要能力：Tool、Resource 和 Prompt，每种能力都针对不同的应用场景和需求。
Tool（工具）
Tool 允许服务器公开可执行的函数，这些函数可由客户端调用，并供大型语言模型（LLM）使用以完成特定操作。通过 Tool，LLM 可以直接调用暴露的函数，从而实现对功能的主动控制。例如，查询数据库、发送消息、调用 API 或执行特定逻辑的任务。
Resource（资源）
Resource 表示服务器向客户端提供的各类只读数据，如文件、数据库记录、图片或日志等。这些资源由客户端或应用管理，用于为 LLM 提供上下文信息，帮助其更好地理解和响应用户需求。
Prompt（提示词）
Prompt 是由服务器定义的可重用指令或者模板，用户可以通过选择提示词来引导或标准化与 LLM 的交互过程，使其更精确和标准化输出。Prompt 的选择权通常掌握在用户手中，使其能够灵活定制对话体验。
除了上面3种能力，还有更高级的采样(Sampling),不过大部分客户端都没有支持。接下来，我们将以大部分客户端支持的 Tool 为例，正式开始开发一个可以连接 Grafana 的 MCP Server，展示如何利用 MCP 协议实现功能扩展与服务集成。
一、初始化项目
安装 UV 命令
curl -LsSf https://astral.sh/uv/install.sh | sh初始化 MCP 项目
# 给项目创建一个文件夹
uv init grafana-mcp-example
cd grafana-mcp-example
# 安装依赖
uv add "mcp[cli]" requests
# 创建 server 文件
touch server.py二、初始化 FastMCP Server
MCP Python SDK 现已推出全新的 FastMCP 类，该类充分利用 Python 的类型注解（如 @mcp.tool()）和文档字符串特性，能够自动生成工具定义。这一功能显著简化了 MCP 中 Tool、Resource 和 Prompt 等功能组件的创建与管理流程，使开发者可以更加高效地构建和维护相关服务。
定义MCP Server
创建一个名为 mcp 的 FastMCP 对象 ,并以stdio模式运行。
from mcp.server.fastmcp import FastMCPMCP_SERVER_NAME = "grafana-mcp-server"mcp = FastMCP(MCP_SERVER_NAME)if __name__ == "__main__": # Initialize and run the server mcp.run(transport='stdio')
添加 Tool使用 @mcp.tool() 注解将这两个函数标记为 MCP 的 Tool。并通过注释说明函数的用途。
@mcp.tool()def listFolder() -> list[any] | str: """列出所有 Grafana 文件夹名称""" return grafana.GrafanaClient().listFolder()@mcp.tool()def listDashboard(folderName: str) -> list[any] | str: """列出文件夹下所有 Grafana 大盘名称""" return grafana.GrafanaClient().listDashboard(folderName)实现 Grafana Client
这里我们简单的实现查询Grafana的文件夹列表和文件夹下Dashboard列表的Client,更多丰富功能可以自己进行实现。
import os
import requests
class GrafanaClient:
'Grafana URL地址'
grafanaURL="localhost:3000"
'Grafana API Key'
grafanaApiKey=""
def __init__(self):
self.grafanaURL = os.getenv("GRAFANA_URL")
self.grafanaApiKey = os.getenv("GRAFANA_API_KEY")
def grafanaHeader(self):
#Grafana 请求Header
headers = {
"Authorization": "Bearer "+self.grafanaApiKey,
"Content-Type": "application/json"
}
return headers
def listFolder(self) -> list[any]:
#列出所有 Grafana 文件夹名称
response = requests.get(self.grafanaURL+"/api/search?type=dash-folder", headers=self.grafanaHeader())
resContent=[]
if response.status_code == 200:
for item in response.json():
resContent.append({"uid":item["uid"],"name":item["title"]})
return resContent
def listDashboard(self,folderName: str) -> list[any]:
#列出文件夹下所有 Grafana 大盘名称
resContent=[]
#查询文件夹UID
response = requests.get(self.grafanaURL+"/api/search?type=dash-folder&query="+folderName, headers=self.grafanaHeader())
folderUid=""
if response.status_code == 200:
for item in response.json():
folderUid=item["uid"]
else:
return resContent
#查询文件夹下大盘列表
response = requests.get(self.grafanaURL+"/api/search?type=dash-db&folderUIDs="+folderUid, headers=self.grafanaHeader())
if response.status_code == 200:
for item in response.json():
resContent.append({"uid":item["uid"],"name":item["title"]})
return resContent
如何集成MCP Server ？
在完成上述 MCP Server 的编码工作后，我们即可开始将其集成到 AI 应用中。
环境准备
接下来，我们将演示如何在 Cherry Studio 中配置MCP服务器，让百炼大模型对接自建的 Grafana 应用。演示环境如下：
● 系统: Apple M1 macOS 15.1 (24B83)
● 工具: Cherry Studio 1.1.2、 VS Code 1.98.2
● 大模型: 阿里云百炼 qwen-plus 2.5(需要支持MCP协议模型)
在Cherry Studio中添加阿里云百炼大模型qwen-plus
Grafana API Key 准备
接下来，您需要准备 Grafana 的 API Key 或 Service Account Token。如果您还没有 Grafana 服务，可以免费试用阿里云 Grafana 服务。具体创建步骤请参考文档的第二部分。在此过程中，请注意区分 Grafana 的版本：
Grafana 9.0.x 及以前版本：创建 API Key。
● Grafana 10.0.x 及以后版本：创建 Service Account Token。
确保根据您的 Grafana 版本选择正确的创建方法。
配置MCP服务
在Cherry Studio中添加MCP服务器，配置上面步骤中开发的MCP Server。
MCP服务器参数说明:
● 类型: STDIO
● 命令: /Users/{当前用户}/.local/bin/uv uv安装目录
● 参数: 配置mcp-grafana项目目录
● 环境变量:
○ 配置Grafana的地址和API Key (GRAFANA_URL、GRAFANA_API_KEY)
--directory
/Users/{当前用户}/grafana-mcp-example
run
server.py
大模型验证
首先，在助手菜单中依次选择大模型为“qwen-plus”，并将 MCP 服务器设置为刚刚创建的“mcp-grafana”。
至此，MCP 服务的搭建与配置已全部完成，接下来即可通过大模型查询您的应用数据。
当您提问“Grafana 文件夹列表”或“某个文件夹下的大盘列表”时，系统将返回 Grafana 中对应的文件夹与大盘信息。经过对比可以确认，返回的结果与 Grafana 中的实际数据完全一致。
至此，我们已完成了一个简单的 MCP Server 开发体验。您可以基于开源社区提供的 mcp-grafana 进行扩展，也可以根据需求自定义更多功能，例如返回某个大盘面板的曲线图等，进一步丰富应用场景。
结语
本开发实战通过构建一个Grafana MCP Server实例，展示了如何利用MCP协议增强大型语言模型（LLM）的能力，充分体现了MCP在提升LLM应用开发效率方面的显著优势。MCP不仅适用于对接Grafana，其应用场景广泛，涵盖各行各业。例如，用户可以像点外卖一样简单地使用AI完成购物、应用管理、旅行规划等任务。服务商仅需开放标准MCP接口，即可实现服务与AI的无缝集成，极大简化了用户的操作流程。作为“AI界的超级连接器”，MCP降低了技术门槛，使得每个人都能轻松享受智能生活带来的便利，使AI真正成为“生活管家”。无论是准备会议PPT还是解决学习中的难题，AI都能提供个性化的帮助，实现了科技为人服务的理想。MCP让复杂的任务变得简单高效，推动了智能化生活的普及与应用，真正做到了让科技服务于每一个人。
