mcp-golang
mcp-golang 是一个专为 Go 语言开发者设计的开源库,旨在帮助用户仅用几行代码即可快速构建符合模型上下文协议(Model Context Protocol, MCP)的服务器与客户端。它解决了在 Go 生态中开发 MCP 应用时往往需要编写大量重复样板代码、手动处理数据序列化及错误逻辑等痛点,让开发者能专注于核心业务逻辑的实现。
该工具特别适合熟悉 Go 语言的后端工程师、系统架构师以及希望将现有 Go 服务快速接入大模型生态的研究人员使用。其核心技术亮点在于强大的类型安全机制:用户只需定义原生的 Go 结构体并添加标签,mcp-golang 便能自动生成标准的 JSON Schema,并自动完成参数反序列化与错误处理,极大降低了出错概率。此外,它支持高度模块化设计,内置了标准输入输出(stdio)和 HTTP 等多种传输方式,同时也允许用户自定义传输层。无论是构建复杂的交互式工具、动态提示词(Prompts),还是管理外部资源,mcp-golang 都能通过简洁的 API 轻松搞定,是 Go 开发者进入 MCP 领域的高效利器。
使用场景
某后端团队希望将内部 Go 语言编写的监控数据查询服务快速接入大模型,让 AI 助手能直接调用实时指标。
没有 mcp-golang 时
- 手动解析繁琐:开发者需手写大量代码解析 JSON-RPC 请求,并手动映射到 Go 结构体,容易出错且维护困难。
- Schema 定义割裂:OpenAPI 或 JSON Schema 文档与代码逻辑分离,一旦参数变更,需同步修改多处定义,极易产生不一致。
- 样板代码冗余:为了实现标准的 MCP 协议交互,需编写大量重复的握手、错误处理和响应封装代码,核心业务逻辑被淹没。
- 调试周期漫长:缺乏类型安全保护,参数类型错误或必填项缺失往往要在运行时才能发现,排查耗时。
使用 mcp-golang 后
- 原生结构体驱动:直接定义带
jsonschema标签的 Go 结构体作为参数,mcp-golang 自动完成 Schema 生成、反序列化及校验。 - 代码即文档:工具参数的定义完全内嵌于代码结构中,修改结构体字段即自动更新协议描述,确保逻辑与文档永远同步。
- 极简开发体验:仅需几行代码注册工具函数,mcp-golang 自动处理所有 MCP 端点路由和协议细节,开发者只关注业务实现。
- 编译期安全保障:利用 Go 的强类型特性,在编译阶段即可拦截参数类型错误,大幅减少运行时异常,提升服务稳定性。
mcp-golang 通过“代码即协议”的理念,将原本复杂的 MCP 服务端开发简化为定义结构体和函数的自然过程,极大降低了 Go 生态接入大模型的门槛。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
mcp-golang
mcp-golang 是 Model Context Protocol 的一个非官方 Go 实现。
只需几行代码,即可用 Go 编写 MCP 服务器和客户端。
文档请访问 https://mcpgolang.com
亮点
- 🛡️类型安全 - 将工具参数定义为原生 Go 结构体,其余工作由 mcp-golang 自动完成。自动模式生成、反序列化、错误处理等。
- 🚛 自定义传输层 - 可使用内置传输层(stdio 提供完整功能支持,HTTP 用于无状态通信)或编写自己的传输层。
- ⚡ 低样板代码 - mcp-golang 会为您生成所有 MCP 端点,您只需关注工具、提示和资源。
- 🧩 模块化 - 该库分为三个组件:传输层、协议层和服务器/客户端层。您可以全部使用,也可以只取所需部分。
- 🔄 双向通信 - 通过 stdio 传输层完全支持服务器端和客户端实现。
使用示例
通过 go get github.com/metoro-io/mcp-golang 安装。
服务器示例
package main
import (
"fmt"
"github.com/metoro-io/mcp-golang"
"github.com/metoro-io/mcp-golang/transport/stdio"
)
// 工具参数仅为结构体,并添加 jsonschema 标签
// 更多信息请参见 https://mcpgolang.com/tools#schema-generation
type Content struct {
Title string `json:"title" jsonschema:"required,description=要提交的标题"`
Description *string `json:"description" jsonschema:"description=要提交的描述"`
}
type MyFunctionsArguments struct {
Submitter string `json:"submitter" jsonschema:"required,description=调用此工具的实体名称(openai、google、claude 等)"`
Content Content `json:"content" jsonschema:"required,description=消息内容"`
}
func main() {
done := make(chan struct{})
server := mcp_golang.NewServer(stdio.NewStdioServerTransport())
err := server.RegisterTool("hello", "向某人问好", func(arguments MyFunctionsArguments) (*mcp_golang.ToolResponse, error) {
return mcp_golang.NewToolResponse(mcp_golang.NewTextContent(fmt.Sprintf("你好,%server!", arguments.Submitter))), nil
})
if err != nil {
panic(err)
}
err = server.RegisterPrompt("promt_test", "这是一个测试提示", func(arguments Content) (*mcp_golang.PromptResponse, error) {
return mcp_golang.NewPromptResponse("description", mcp_golang.NewPromptMessage(mcp_golang.NewTextContent(fmt.Sprintf("你好,%server!", arguments.Title)), mcp_golang.RoleUser)), nil
})
if err != nil {
panic(err)
}
err = server.RegisterResource("test://resource", "resource_test", "这是一个测试资源", "application/json", func() (*mcp_golang.ResourceResponse, error) {
return mcp_golang.NewResourceResponse(mcp_golang.NewTextEmbeddedResource("test://resource", "这是一个测试资源", "application/json")), nil
})
err = server.Serve()
if err != nil {
panic(err)
}
<-done
}
HTTP 服务器示例
您也可以使用标准 HTTP 传输层或 Gin 框架创建基于 HTTP 的服务器:
// 标准 HTTP
transport := http.NewHTTPTransport("/mcp")
transport.WithAddr(":8080")
server := mcp_golang.NewServer(transport)
// 或使用 Gin 框架
transport := http.NewGinTransport()
router := gin.Default()
router.POST("/mcp", transport.Handler())
server := mcp_golang.NewServer(transport)
注意:HTTP 传输层是无状态的,不支持通知等双向功能。如需这些功能,请使用 stdio 传输层。
客户端示例
更多完整示例请查看 examples/client 目录。
package main
import (
"context"
"log"
mcp "github.com/metoro-io/mcp-golang"
"github.com/metoro-io/mcp-golang/transport/stdio"
)
// 定义类型安全的参数
type CalculateArgs struct {
Operation string `json:"operation"`
A int `json:"a"`
B int `json:"b"`
}
func main() {
cmd := exec.Command("go", "run", "./server/main.go")
stdin, err := cmd.StdinPipe()
if err != nil {
log.Fatalf("无法获取标准输入管道: %v", err)
}
stdout, err := cmd.StdoutPipe()
if err != nil {
log.Fatalf("无法获取标准输出管道: %v", err)
}
if err := cmd.Start(); err != nil {
log.Fatalf("无法启动服务器: %v", err)
}
defer cmd.Process.Kill()
// 创建并初始化客户端
transport := stdio.NewStdioServerTransportWithIO(stdout, stdin)
client := mcp.NewClient(transport)
if _, err := client.Initialize(context.Background()); err != nil {
log.Fatalf("初始化失败: %v", err)
}
// 使用类型化参数调用工具
args := CalculateArgs{
Operation: "add",
A: 10,
B: 5,
}
response, err := client.CallTool(context.Background(), "calculate", args)
if err != nil {
log.Fatalf("调用工具失败: %v", err)
}
if response != nil && len(response.Content) > 0 {
log.Printf("结果: %s", response.Content[0].TextContent.Text)
}
}
与 Claude Desktop 集成
在 ~/Library/Application Support/Claude/claude_desktop_config.json 中创建文件,内容如下:
{
"mcpServers": {
"golang-mcp-server": {
"command": "<您的 Go MCP 服务器可执行文件路径>",
"args": [],
"env": {}
}
}
}
贡献
我们非常欢迎贡献!请查看我们的贡献指南。
Discord
有任何建议或关于 API 和使用的问题吗?请在 Discord 服务器 上提问。维护人员将很乐意为您提供帮助。
示例
在此处可以找到使用该库的更多详细示例:
Metoro - 查询并与由 Metoro 监控的 Kubernetes 环境交互
欢迎提交 PR 来添加您自己的项目!
服务器功能实现
工具
- 工具调用
- 将原生 Go 结构体作为参数
- 自动生成的工具列表端点
- 变更通知
- 分页
提示词
- 提示词调用
- 自动生成的提示词列表端点
- 变更通知
- 分页
资源
- 资源调用
- 自动生成的资源列表端点
- 变更通知
- 分页
传输协议
- Stdio - 完全支持所有功能,包括双向通信
- HTTP - 适用于简单请求-响应场景的无状态传输(不支持通知)
- Gin - 集成 Gin 框架的 HTTP 传输(无状态,不支持通知)
- SSE
- 自定义传输协议支持
- HTTPS 并支持自定义认证 - 正在开发中。目前不在规范范围内,但我们将为其添加实验性支持。
客户端
- 调用工具
- 调用提示词
- 调用资源
- 列出工具
- 列出提示词
- 列出资源
版本历史
v0.16.12026/02/25v0.16.0-hotfix-map-race2026/02/25v0.16.02025/08/21v0.15.02025/08/21v0.14.02025/07/12v0.13.02025/05/22v0.12.02025/05/07v0.11.02025/04/18v0.10.02025/04/18v0.9.02025/04/09v0.8.02025/01/22v0.7.02025/01/22v0.6.02025/01/22v0.5.02025/01/21v0.4.02024/12/15v0.3.02024/12/13v0.2.02024/12/12v0.1.02024/12/11常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备
Deep-Live-Cam
Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具,用户仅需一张静态照片,即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点,让高质量的数字内容创作变得触手可及。 这款工具不仅适合开发者和技术研究人员探索算法边界,更因其极简的操作逻辑(仅需三步:选脸、选摄像头、启动),广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换,还是制作趣味短视频和直播互动,Deep-Live-Cam 都能提供流畅的支持。 其核心技术亮点在于强大的实时处理能力,支持口型遮罩(Mouth Mask)以保留使用者原始的嘴部动作,确保表情自然精准;同时具备“人脸映射”功能,可同时对画面中的多个主体应用不同面孔。此外,项目内置了严格的内容安全过滤机制,自动拦截涉及裸露、暴力等不当素材,并倡导用户在获得授权及明确标注的前提下合规使用,体现了技术发展与伦理责任的平衡。
