mcp-server-bash-sdk
mcp-server-bash-sdk 是一个基于纯 Bash 脚本编写的轻量级 MCP(模型上下文协议)服务器实现。它旨在解决传统 MCP 服务器依赖 Node.js、Python 等重型运行时环境的问题,为只需进行简单 API 封装或逻辑转换的场景提供了一种“零开销”的替代方案。
这款工具特别适合熟悉 Shell 脚本的开发者、系统管理员以及追求极致轻量的技术研究人员使用。如果你希望在资源受限的环境中快速部署 AI 工具接口,或者不想为了简单的功能引入庞大的依赖库,mcp-server-bash-sdk 是理想选择。
其核心技术亮点在于完全通过标准输入输出(stdio)处理 JSON-RPC 2.0 协议,并创新性地利用函数命名约定(如 tool_ 前缀)实现工具的自动发现与注册。用户只需编写具体的业务逻辑函数,配合少量的 JSON 配置文件,即可快速构建出符合标准协议的 MCP 服务。这种架构不仅降低了开发门槛,还让扩展自定义工具变得异常简单高效,真正实现了“脚本即服务”的敏捷开发体验。
使用场景
某运维团队希望让 AI 助手直接调用服务器上的本地脚本(如检查磁盘、重启服务),以实现自动化故障排查。
没有 mcp-server-bash-sdk 时
- 环境依赖重:为了暴露一个简单的 Shell 脚本给 AI,必须额外搭建 Node.js 或 Python 运行时环境,导致轻量级服务器资源浪费。
- 开发链路长:需要编写大量的“胶水代码”进行 JSON 解析和协议转换,将简单的 Bash 逻辑包裹成复杂的 API 服务。
- 维护成本高:引入额外的语言栈增加了依赖冲突风险,且调试时需要同时关注脚本逻辑和外层包装代码,排查问题困难。
- 响应延迟高:重型运行时启动慢、内存占用大,在资源受限的边缘设备或容器中难以快速响应 AI 的工具调用请求。
使用 mcp-server-bash-sdk 后
- 零依赖部署:仅需 Bash 和
jq即可运行,直接在现有运维脚本上添加tool_前缀函数,无需安装任何重型运行时。 - 原生协议支持:内置完整的 JSON-RPC 2.0 和 MCP 协议处理,自动完成参数解析与结果返回,开发者只需专注业务逻辑。
- 动态工具发现:修改配置文件即可自动注册新工具,AI 能即时感知新增的运维能力,无需重启服务或重新编译代码。
- 极致轻量高效:进程启动毫秒级完成,内存占用极低,完美适配各类 Linux 服务器及容器化环境,实现真正的“无感”集成。
mcp-server-bash-sdk 通过纯原生的 Bash 实现,消除了中间层开销,让运维脚本能以最低成本直接变身 AI 可调用的智能工具。
运行环境要求
- Linux
- macOS
未说明
未说明

快速开始
🐚 Bash 中的 MCP 服务器
一个轻量级、零开销的 Model Context Protocol (MCP) 服务器实现,完全用纯 Bash 编写。
为什么? 大多数 MCP 服务器只是带有模式转换的 API 封装。而这个实现提供了一种无需 Node.js、Python 或其他重型运行时的零开销替代方案。
📋 特性
- ✅ 通过标准输入输出支持完整的 JSON-RPC 2.0 协议
- ✅ 完整的 MCP 协议实现
- ✅ 通过函数命名约定动态发现工具
- ✅ 通过 JSON 文件进行外部配置
- ✅ 易于扩展自定义工具
🔧 需求
- Bash shell
jq用于 JSON 处理(在 macOS 上可使用brew install jq)
🚀 快速开始
- 克隆仓库
git clone https://github.com/muthuishere/mcp-server-bash-sdk
cd mcp-server-bash-sdk
- 使脚本可执行
chmod +x mcpserver_core.sh moviemcpserver.sh
- 试用
echo '{"jsonrpc": "2.0", "method": "tools/call", "params": {"name": "get_movies"}, "id": 1}' | ./moviemcpserver.sh
🏗️ 架构
┌─────────────┐ ┌────────────────────────┐
│ MCP 主机 │ │ MCP 服务器 │
│ (AI 系统) │◄──────► │ (moviemcpserver.sh) │
└─────────────┘ stdio └────────────────────────┘
│
┌───────┴──────────┐
▼ ▼
┌───────────────────┐ ┌───────────────┐
│ 协议层 │ │ 业务逻辑 │
│(mcpserver_core.sh)│ │(tool_* 函数) │
└───────────────────┘ └───────────────┘
│ │
▼ ▼
┌─────────────────┐ ┌───────────────┐
│ 配置文件 │ │ 外部服务/APIs │
│ (JSON 文件) │ │ │
└─────────────────┘ └───────────────┘
- mcpserver_core.sh: 处理 JSON-RPC 和 MCP 协议
- moviemcpserver.sh: 包含业务逻辑函数
- assets/: JSON 配置文件
🔌 创建您自己的 MCP 服务器
工具函数指南
在为 MCP 服务器实现工具函数时,请遵循以下指南:
- 命名约定:所有工具函数必须以
tool_开头,后跟tools_list.json中定义的相同名称。 - 参数:每个函数应接受一个名为
$1的单个参数,其中包含 JSON 格式的参数。 - 成功模式:对于成功操作,输出结果并返回 0。
- 错误模式:对于验证错误,输出错误信息并返回 1。
- 自动发现:所有工具函数都会根据
tools_list.json自动暴露给 MCP 服务器。
实现步骤
- 创建您的业务逻辑文件(例如
weatherserver.sh)
#!/bin/bash
# 天气 API 实现
# 在加载核心之前覆盖配置路径
MCP_CONFIG_FILE="$(dirname "${BASH_SOURCE[0]}")/assets/weatherserver_config.json"
MCP_TOOLS_LIST_FILE="$(dirname "${BASH_SOURCE[0]}")/assets/weatherserver_tools.json"
MCP_LOG_FILE="$(dirname "${BASH_SOURCE[0]}")/logs/weatherserver.log"
# MCP 服务器工具函数指南:
# 1. 所有工具函数都应以“tool_”开头,后跟 tools_list.json 中定义的相同名称。
# 2. 函数应接受一个名为“$1”的单个参数,该参数包含 JSON 格式的参数。
# 3. 对于成功操作:输出预期结果并返回 0。
# 4. 对于错误:输出错误信息并返回 1。
# 5. 所有工具函数都会根据 tools_list.json 自动暴露给 MCP 服务器。
# 加载核心 MCP 服务器实现
source "$(dirname "${BASH_SOURCE[0]}")/mcpserver_core.sh"
# 访问环境变量
API_KEY="${MCP_API_KEY:-default_key}"
# 工具:获取某个地点的当前天气
# 参数:接收包含地点信息的 JSON 对象
# 成功:输出 JSON 格式的结果并返回 0
# 错误:输出错误信息并返回 1
tool_get_weather() {
local args="$1"
local location=$(echo "$args" | jq -r '.location')
# 参数验证
if [[ -z "$location" ]]; then
echo "缺少必需参数:location"
return 1
fi
# 调用外部 API
local weather=$(curl -s "https://api.example.com/weather?location=$location&apikey=$API_KEY")
echo "$weather"
return 0
}
# 启动 MCP 服务器
run_mcp_server "$@"
- 创建
assets/weatherserver_tools.json
{
"tools": [
{
"name": "get_weather",
"description": "获取某个地点的当前天气",
"inputSchema": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "城市名称或坐标"
}
},
"required": ["location"]
}
}
]
}
- 创建
assets/weatherserver_config.json
{
"protocolVersion": "2025-03-26",
"serverInfo": {
"name": "WeatherServer",
"version": "1.0.0"
},
"capabilities": {
"tools": {
"listChanged": true
}
},
"instructions": "此服务器提供天气信息。"
}
- 使您的文件可执行
chmod +x weatherserver.sh
🖥️ 与 VS Code 和 GitHub Copilot 配合使用
- 更新 VS Code 的 settings.json
"mcp": {
"servers": {
"my-weather-server": {
"type": "stdio",
"command": "/path/to/your/weatherserver.sh",
"args": [],
"env": {
"MCP_API_KEY": "your-api-key"
}
}
}
}
- 与 GitHub Copilot Chat 配合使用
/mcp my-weather-server 获取纽约的天气
🚫 局限性
- 不支持并发/并行处理
- 内存管理有限
- 不支持流式响应
- 并非为高吞吐量设计
但对于 AI 助手和本地工具执行来说,这些并不是主要问题。
📄 许可证
本项目采用 MIT 许可证授权——详情请参阅 LICENSE 文件。
博客:https://medium.com/@muthuishere/why-i-built-an-mcp-server-sdk-in-shell-yes-bash-6f2192072279
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。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器