最近，通义灵码上线 MCP（ModelScope Cloud Platform）功能，从之前代码生成及修改的基础功能，到可以使用MCP服务连接更多功能，开发者可以实现从 代码爬取、模型推理到应用部署 的全流程自动化服务。同时，通过对魔搭社区的MCP广场的接入，不断扩展其应用范围和能力。本文将介绍如何通过通义灵码+魔搭MCP实现低代码、高效率的AI应用构建，实现一站式应用开发与部署流程。

魔搭MCP广场

魔搭MCP广场提供了中文开源社区最丰富的MCP服务，目前上线了3000多种MCP服务器，涵盖搜索、地图、文件系统、开发者工具等最热门领域。魔搭也提供简单易上手的工具和调试环境MCP实验场，让开发者在1分钟内就能搭建好自己需要的复杂MCP服务。魔搭上的这些MCP服务支持云上托管或本地部署，且均可开放被集成至第三方平台，大大降低开发者使用MCP服务的门槛。

点击链接查看详情：

https://modelscope.cn/mcp

通义灵码集成魔搭MCP广场

通义灵码目前已经具备多文件代码修改和MCP工具使用的能力，可以与开发者协同完成AI应用的开发任务，比如网页搜索、代码生成、需求实现、问题解决、单元测试用例生成、批量代码修改、代码上传部署等。

ModelScope的创空间（Studio）提供了自由灵活的AI应用展示和部署空间。我们可以使用ModelScope平台自行搭建与展示基于Gradio或Streamlit的AI应用，包括自定义的模型输入输出，多模型的组合，以及可视化交互展现形式等等。同时，创空间平台支持xGPU的部署形态， 为开发者提供了免费的多种类型GPU资源，提供了根据用户实时请求，进行实时GPU资源调度的能力。

环境配置

在魔搭测试MCP服务

首先，我们可以在魔搭的MCP实验场测试需要的MCP服务

地址：https://www.modelscope.cn/studios/modelscope/mcp-playground

AI应用开发中推荐的MCP服务：

测试流程（以Tavily智搜为例）：

进入tavily官网（https://tavily.com），获取访问API

进入魔搭MCP广场，点击Tavily智搜，填写API后点击

去试验场试用

在MCP试验场中会自动提供调用MCP工具的prompt示例，我们可以选择示例进行测试，测试中我们可以根据大模型的MCP调用提示来判断是否正常运行。

通义灵码配置

在IDE平台下载通义灵码插件（以vscode为例），在扩展商店搜索“通义灵码”进行安装

进入通义灵码，选择模式为
智能体
来调用MCP服务
推荐选择
qwen-thinking
模型，方便查看模型调用MCP情况
点击
MCP工具
→ 
MCP广场
填写对应API-KEY后进行进行相关MCP的安装

创空间配置

在魔搭社区进行创空间创建，选择编程式创建

复制step1与step3的命令行代码，以便后续通义灵码进行处理

获取模型调用API

在魔搭的模型库中选择合适的模型，点击右下角的“查看代码范例”，复制对应的API-Inference代码（或者使用模型的下载运行代码用于本地部署）

代码框架提示词编写

使用如下的提示词，主要包括任务目标、功能描述、具体要求、其他要求等：

以AI聊天Agent为例，示例提示词如下（在具体使用时可以修改需求以及提供给通义灵码的代码）：

请按照以下分步指令完成任务：
1. **搜索 Gradio 聊天界面模板**
   - 使用搜索引擎查找一个美观、现代风格的 **基于Gradio的聊天Agent界面模板或示例项目**，要求：
     - 支持自定义 CSS 样式（可美化）
     - 包含用户/机器人消息区分样式
     - 提供完整源码（Python + 可选前端资源）
     - 最好已有集成 AI 回复逻辑的示例
2. **本地文件创建**
   - 在当前文件夹创建以下结构：
     ```
     ai_chat_template_new/
     ├── app.py           # Gradio应用主代码（整合模板+魔搭API）
     ├── static/          # 存放CSS/图片等静态资源（如有）
     ├── README.md        # 项目说明文件
     └── requirements.txt # 包含 gradio, requests 等依赖
     ```
   - 将找到的 Gradio 示例项目核心代码复制到 `app.py` 中。
3. **集成魔搭社区 API 调用示例**
   - 查找如何使用魔搭社区提供的 API 进行 AI 聊天的相关示例或文档。重点关注以下方面：
     - API 认证机制（如 API Key）
     - 发起请求的方式（GET/POST 请求）
     - 数据格式（JSON）
     - 错误处理及响应解析
   - 根据找到的示例，修改 `app.py` 中的聊天函数（例如 `chatbot_response` 或 `respond`），使其通过魔搭 API 发送用户消息并接收 AI 响应。
   示例API Inference：
   from openai import OpenAI
    client = OpenAI(
        base_url='https://api-inference.modelscope.cn/v1/',
        api_key='9b16f530-adcd-4711-a998-20e070d1265d', # ModelScope Token
    )
    # set extra_body for thinking control
    extra_body = {
        # enable thinking, set to False to disable
        "enable_thinking": True,
        # use thinking_budget to contorl num of tokens used for thinking
        # "thinking_budget": 4096
    }
    response = client.chat.completions.create(
        model='Qwen/Qwen3-235B-A22B',  # ModelScope Model-Id
        messages=[
            {
              'role': 'user',
              'content': '9.9和9.11谁大'
            }
        ],
        stream=True,
        extra_body=extra_body
    )
    done_thinking = False
    for chunk in response:
        thinking_chunk = chunk.choices[0].delta.reasoning_content
        answer_chunk = chunk.choices[0].delta.content
        if thinking_chunk != '':
            print(thinking_chunk, end='', flush=True)
        elif answer_chunk != '':
            if not done_thinking:
                print('\n\n === Final Answer ===\n')
                done_thinking = True
            print(answer_chunk, end='', flush=True)
4. **Gradio 界面定制与集成**
   - 修改 `app.py` 实现以下功能：
     - 使用 Gradio 的 `Blocks` 或 `ChatInterface` 构建聊天界面
     - 若有额外 CSS，引入至 Gradio 应用中（支持主题美化）
     - 添加基础对话功能（用户输入 → 调用魔搭 API → 显示回复 → 历史记录）
5. **GitHub 仓库创建**
   - 在 GitHub 上创建一个新仓库，要求：
     - 仓库名称：`ai-chat-template_new`
     - 描述：包含关键词 `"AI Chat Template"`, `"Gradio Integration"`, `"ModelScope API"`
     - 添加 `.gitignore`, `LICENSE`, `README.md` 等标准开发文件
6. **代码验证**
   - 执行以下验证步骤：
     - 运行 `python3 app.py` 验证 Gradio 服务能否正常启动
     - 测试是否能成功调用魔搭 API 并显示回复
     - 确保 UI 美观且交互流畅（包括移动端适配）
     - 确保所有文件符合 GitHub 项目规范
7. **魔搭创空间部署**
   - 执行以下步骤：
     - 新建一个文件夹，复制ai_chat_template的所有内容
     - 克隆项目空间：
     git lfs install
git clone http://oauth2:<your_git_token>@www.modelscope.cn/studios/fengnian123/Agent-chat-test.git
     - 提交文件：
     git add .
     git commit -m "Add application file"
     git push

通义灵码执行过程

在调用MCP的每一步，通义灵码会给出调用情况并询问是否执行

可以通过模型的思考链看到指令运行情况，从而调整提示词以及运行过程

在经过通义灵码的任务处理之后，我们可以查看执行的结果

创空间构建：可以看到，通义灵码完成了基本的代码要求，完成了界面生成以及API调用，并且将我们的代码部署在创空间平台

github上传：在github仓库中，通义灵码为我们创建了新的代码仓库，并且已经将代码完成上传，符合预期效果

05

扩展：使用通义灵码快速开发并配置个人专属MCP

我们可以使用通义灵码快速构建自己的专属 MCP

首先，找到MCP代码的官方示例（https://github.com/modelcontextprotocol/python-sdk）复制我们需要的MCP功能代码（可以找到功能方向大致相同的示例代码）

将示例代码与个人需求提交给通义灵码进行代码生成（以Quickstart代码为例，做一个科学计算器）：

# server.py
from mcp.server.fastmcp import FastMCP
# Create an MCP server
mcp = FastMCP("Demo")
# Add an addition tool
@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b
# Add a dynamic greeting resource
@mcp.resource("greeting://{name}")
def get_greeting(name: str) -> str:
    """Get a personalized greeting"""
    return f"Hello, {name}!"
根据上面的代码生成一个用于科学计算的 MCP 服务器，功能：
- 表达式解析
- 支持numpy函数和自定义变量
- 常见单位转换
- 提供常用物理常数、数学常数

通义灵码生成的
server.py
：

修改通义灵码配置文件并添加MCP服务

找到lingma_mcp.json文件添加如下内容（填入实际的代码文件夹路径）：

{
  "mcpServers": {
    "science_compute": {
      "command": "/Users/{username}/.local/bin/uv",
      "args": [
        "--directory", 
        "/Users/{username}/path_to/code", // 代码文件夹路径
        "run",
        "server.py" // MCP Server 文件名
      ]
    }
  }

在通义灵码的MCP设置中选择手动添加MCP

依据
lingma_mcp.json
文件中添加的
args
配置参数

MCP服务基于模型上下文协议（Model Context Protocol），标准化大模型与外部数据源、工具的交互，实现动态调用和安全协作。在魔搭MCP广场目前提供了3000+MCP服务（如支付、多模态工具），通过MCP协议集成AI模型与特定功能，通义灵码可以实现从需求分析到代码生成部署的端到端流程自动化。