Technology

AI Agent 0 到 1: MCP Server with Goose

即便透過觀念上的解釋：MCP AI Agent在紅什麼，不自己動手做做看，可能還是很難了解AI Agent到底是什麼。這篇文章手把手教你用MCP Server建制一個AI Agent，連接Goose或者使用Claude Desktop使用你的AI Tool。

Schwannden Kuo

20 Mar 2025 — 5 min read

AI Agent 0 到 1: MCP Server with Goose

(專案代碼在這邊)

建制你的MCP Server專案

安裝uv (python package manager): https://docs.astral.sh/uv/getting-started/installation/，確認你的uv安裝路徑

which uv 
# 我的路徑在 ${HOME}/.local/bin/uv

初始化專案

uv init --package mcp-server-demo 
cd mcp-server-demo 
uv add "mcp[cli]" pydantic loguru faker

使用你的IDE/編輯器創建

# src/mcp_server_demo/server.py 
 
import random 
from loguru import logger 
from mcp.server.fastmcp import FastMCP 
from faker import Faker 
 
fake = Faker() 
 
# Create an MCP server 
mcp = FastMCP("mcp-server-demo") 
 
# Add an addition tool 
@mcp.tool() 
def get_order_info(order_id: str) -> dict: 
    """Get the status of an order""" 
    status = ["success", "delayed", "cancelled", "pending_payment"] 
    order_info = { 
        "order_id": order_id, 
        "status": random.choice(status), 
        "client_email": fake.email(), 
    } 
    logger.info(f"Order info: {order_info}") 
    return order_info 
 
 
@mcp.tool() 
def send_coupon_to_user(order_id: str, customer_email: str) -> str: 
    """Send a coupon to the user to make user happy""" 
    logger.info(f"send coupon to {customer_email} for order {order_id}") 
    return f"Coupon sent to {customer_email}"src/mcp_server_demo/__init__.py

# src/mcp_server_demo/__init__.py 
 
from .server import mcp 
from loguru import logger 
 
def main() -> None: 
    logger.info("Starting MCP server demo") 
    mcp.run() 
 
 
if __name__ == "__main__": 
    main()

# src/mcp_server_demo/__main__.py 
 
from mcp_server_demo import main 
 
main()

測試一下 uv run mcp-server-demo

看到這些訊息就表示成功囉，可以ctrl + C關掉他了

安裝 Goose

從Goose官方文件安裝: https://block.github.io/goose/docs/quickstart

Goose 是一個開源的 MCP 客戶端，讓你可以配置自己的 LLM 提供者（使用 API 金鑰），在自己的機器上運行，並與你的 AI 代理（MCP 伺服器）互動。

如果你沒有任何LLM金鑰，也無法搭載本地的LLM，可以下載 Claude Desktop，用你的免費額度來玩玩看：https://modelcontextprotocol.io/quickstart/user

在Good 上面設定你的 LLM 供應商：https://block.github.io/goose/docs/getting-started/providers

打開Goose設定 -> Add custom extensions

Command那邊要放 {path to uv} run {path to your project}/.venv/bin mcp-server-demo

按Add，可以加入

實際場景

如果我們問了一個不清不楚的問題（沒有提供訂單資訊），透過工具提供的資訊，Goose可以請我們提供詳細資訊

當我們詢問某一筆延遲的訂單，系統主動告訴我們要不要使用coupon工具發放優惠卷，並且使用訂單查到到使用者email進行發放

如果我說好，系統還可以讓我手動審核同意再行動

下一步

看見AI Agent怎樣和Chatbot互動，應該更可以了解AI Agent的價值了吧！傳統軟體開發通常由後端整合第三方服務，前端負責 UI/UX，確保使用者體驗。但這種方式要求開發者掌握所有邏輯，並自行串接各種服務，以維持完整控制權。

隨著生成式 AI（Generative AI）與 AI Agent 的發展，設計思維開始轉變。我們可透過 AI Agent 定義業務邏輯，並透過標準化協議（如 Anthropic 的 Multi-Context Protocol, MCP）管理 AI 與 LLM（大語言模型）的互動。這讓開發者無需關注傳統的後端邏輯與前端開發，而是專注於 AI Agent 的行為設計，讓 AI 自主處理任務。

這種模式提升了開發靈活性，特別適用於快速驗證新想法（Prototype）。開發者只需定義 AI Agent 的核心功能，而無需投入大量時間與資源搭建完整的前後端架構，透過 MCP 標準化的互動，即可快速落地應用。

接著你可以：