在 OCI 生成式 AI 上搭一个「指定地区拉面店 MCP Server」——从 0 到 1 实战记录

参考文章：OCI生成AIサービスで指定した地域のラーメン屋情報を教えてくれるMCPサーバを作ってみた

---

1. 项目缘起

顺手把最近很火的 MCP（Model Context Protocol） 拿来练手，做了一个「你报地名、我给拉面店」的小服务，跑在 Oracle Cloud Infrastructure（OCI）最新发布的 cohere.command-a-03-2025 大模型上。

一句话需求：
用户说「帮我找つくば的拉面店」，Agent 自动返回店铺列表。

---

2. 运行环境

组件	说明
计算	OCI Compute – Oracle Linux 8（1 OCPU / 16 GB）
Python	3.11（uv 管理）
LLM	cohere.command-a-03-2025（东京/大阪区域均可）
数据	ホットペッパーグルメ Web サービス API

---

3. 15 分钟极速搭环境

3.1 安装 uv 并初始化项目

curl -LsSf https://astral.sh/uv/install.sh | sh
uv init ramen && cd ramen
uv venv && source .venv/bin/activate

3.2 依赖一次到位

uv add "mcp[cli]" httpx langchain_community langchain_mcp_adapters langgraph oci

还需要本地安装/配置 oci-cli。

---

4. MCP Server 代码（ramen.py）

核心思路：

1. 根据用户给出的城市名 → 查 小エリアコード
2. 拿小エリアコード → 查拉面店列表

import os, httpx
from dotenv import load_dotenv
from typing import Annotated
from mcp.server.fastmcp import FastMCPload_dotenv()
API_KEY = os.environ["API_KEY"]
API_BASE = "http://webservice.recruit.co.jp/hotpepper"
USER_AGENT = "ramen-app/1.0"mcp = FastMCP("ramen")@mcp.tool()
async def get_small_area_code(area_name: Annotated[str, "市区町村名 例: 京都市"]
) -> str:url = f"{API_BASE}/small_area/v1/?key={API_KEY}&format=json"async with httpx.AsyncClient() as c:r = await c.get(url, headers={"User-Agent": USER_AGENT}, timeout=30)r.raise_for_status()for a in r.json()["results"]["small_area"]:if area_name in a["name"]:return a["code"]return ""@mcp.tool()
async def get_gourmet_info(small_area_code: Annotated[str, "小エリアコード 例: X587"]
) -> str:url = (f"{API_BASE}/gourmet/v1/?key={API_KEY}&small_area={small_area_code}"f"&genre=G013&format=json")async with httpx.AsyncClient() as c:r = await c.get(url, headers={"User-Agent": USER_AGENT}, timeout=30)r.raise_for_status()shops = "\n".join([f"店名: {s['name']} {s['name_kana']}\n特徴: {s['catch']}\n"for s in r.json()["results"]["shop"]])return shopsif __name__ == "__main__":mcp.run(transport="stdio")

---

5. MCP Client 代码（client.py）

让 LangGraph ReAct Agent 自动调用上面两个工具。

import asyncio, oci
from langchain_community.chat_models import ChatOCIGenAI
from langchain_mcp_adapters.client import MultiServerMCPClient
from langgraph.prebuilt import create_react_agentconfig = oci.config.from_file("~/.oci/config", "DEFAULT")
llm = ChatOCIGenAI(model_id="cohere.command-a-03-2025",service_endpoint="https://inference.generativeai.ap-osaka-1.oci.oraclecloud.com",compartment_id="your-compartment-id",model_kwargs={"temperature": 0.7, "max_tokens": 500}
)async def main():async with MultiServerMCPClient({"ramen": {"command": "python","args": ["/home/opc/ramen/ramen.py"],"transport": "stdio",}}) as client:tools = await client.get_tools()agent = create_react_agent(llm, tools)ans = await agent.ainvoke({"messages": "つくばのラーメン屋を教えて下さい。"})for m in ans["messages"]:print(f"\n--- {type(m).__name__} ---\n{m.content}")if __name__ == "__main__":asyncio.run(main())

---

6. 跑起来！

$ uv run client.py

典型输出节选

--- HumanMessage ---
content='つくばのラーメン屋を教えて下さい。'--- AIMessage ---
tool_calls=[{'name': 'get_small_area_code', 'args': {'area_name': 'つくば'}, ...}]--- ToolMessage ---
content='X587'--- AIMessage ---
tool_calls=[{'name': 'get_gourmet_info', 'args': {'small_area_code': 'X587'}, ...}]--- AIMessage ---
content='以下のラーメン屋がつくばにあります。
- 山岡家 つくば中央店
- 天下一品 つくば店
- 丸源ラーメン つくば店
- 龍郎
- 活龍'

---

7. 小结

• MCP Server 不到 100 行即可完成，可插拔 地接入任何兼容 MCP 的 Agent 框架。