Xin chào các bạn! Mình là Biên tập viên kỹ thuật tại HolySheep AI. Hôm nay mình sẽ hướng dẫn từng bước cách xây dựng một MCP Server bằng LangChain và kết nối nó với Claude Opus 4.7 thông qua cơ chế tool calling. Bài viết được viết cho người chưa từng làm API, nên mình sẽ giải thích mọi thứ bằng ví dụ cụ thể và gợi ý ảnh chụp màn hình ở từng bước.

MCP Server là gì và tại sao bạn nên quan tâm?

MCP (Model Context Protocol) là một giao thức mở giúp các mô hình AI "nói chuyện" với công cụ bên ngoài một cách chuẩn hoá. Thay vì phải viết hàng trăm dòng glue code, bạn chỉ cần khai báo một MCP Server, sau đó mô hình sẽ tự động chọn và gọi đúng công cụ khi cần. Đây là tiêu chuẩn đang được Anthropic, OpenAI và nhiều framework lớn áp dụng trong năm 2026.

Chuẩn bị môi trường trong 5 phút

Bạn cần một máy tính cài sẵn Python 3.10 trở lên. Mình khuyên dùng VS Code làm trình soạn thảo vì nó highlight code rất đẹp và có Terminal tích hợp.

Bước 1: Đăng ký HolySheep AI và lấy API key

Vì mình muốn gọi các mô hình Claude với chi phí thấp mà vẫn ổn định, mình dùng gateway của HolySheep AI. Đây là cổng tổng hợp nhiều mô hình lớn với tỷ giá ¥1 = $1 (tiết kiệm hơn 85% so với giá gốc), hỗ trợ thanh toán WeChat/Alipay, độ trễ trung bình dưới 50ms, và tặng tín dụng miễn phí khi Đăng ký tại đây.

Gợi ý ảnh: chụp màn hình trang đăng ký HolySheep, khoanh vùng nút "Get API Key" và "Recharge".

Bước 2: Cài đặt thư viện cần thiết

Mở Terminal trong thư mục dự án và chạy lệnh sau (gợi ý ảnh: chụp Terminal hiển thị dòng "Successfully installed..."):

pip install langchain langchain-mcp-adapters langchain-openai mcp python-dotenv langgraph

Giải thích ngắn từng gói để bạn không bị "rối thuật ngữ":

Bước 3: Tạo MCP Server đầu tiên

Mình sẽ tạo một server đơn giản có hai tool: get_weather và add_numbers. Tạo file server.py trong VS Code:

from mcp.server.fastmcp import FastMCP


Khởi tạo server với một cái tên dễ nhớ

mcp = FastMCP("DemoServer")

@mcp.tool()
def get_weather(city: str) -> str:
    """Tra cứu thời tiết hiện tại của một thành phố bất kỳ.
    Input: tên thành phố (tiếng Việt hoặc tiếng Anh).
    Output: chuỗi mô tả nhiệt độ và tình trạng trời.
    """
    return f"Thời tiết tại {city}: 28°C, trời nắng nhẹ, gió nhẹ 5 km/h."

@mcp.tool()
def add_numbers(a: float, b: float) -> float:
    """Cộng hai số bất kỳ và trả về kết quả."""
    return a + b

if __name__ == "__main__":
    # Chạy server qua giao tiếp stdio (chuẩn MCP)
    mcp.run(transport="stdio")

Gợi ý ảnh: VS Code hiển thị file server.py với decorator @mcp.tool() được highlight màu xanh.

Bước 4: Viết client kết nối với Claude Opus 4.7

Đầu tiên, tạo file .env để giữ key an toàn (không push lên GitHub):

HOLYSHEEP_API_KEY=YOUR_HOLYSHEEP_API_KEY
HOLYSHEEP_BASE_URL=https://api.holysheep.ai/v1

Tiếp theo, tạo file client.py — đoạn code chính của bài hôm nay:

import os
import asyncio
from dotenv import load_dotenv
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from langchain_mcp_adapters.tools import load_mcp_tools
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent


Nạp biến môi trường từ file .env

load_dotenv()

BASE_URL = os.getenv("HOLYSHEEP_BASE_URL")
API_KEY = os.getenv("HOLYSHEEP_API_KEY")


Khởi tạo LLM — dùng ChatOpenAI để tương thích OpenAI-style API


Claude Opus 4.7 là model flagship; Sonnet 4.5 có giá rõ ràng và chất lượng tư


Tài nguyên liên quan
Bài viết liên quan