面向 AI Agent 的托管 MCP Server

1创建 QVeris 账号和 API Key

注册并生成 API Key，把密钥保存在密码管理器、系统密钥存储或部署平台的 Secret Manager 中。不要提交到代码仓库，也不要出现在共享截图里。开发和生产环境应使用不同密钥。

2配置 Claude Desktop

在 Claude Desktop MCP 配置中添加 Server。Windows 环境可通过 cmd /c 可靠启动 npm 命令。

{

  "mcpServers": {

    "qveris": {

      "command": "cmd",

      "args": ["/c", "npx", "-y", "@qverisai/mcp"],

      "env": {

        "QVERIS_API_KEY": "your_api_key"

      }

    }

  }

}

保存后重启 Claude Desktop。如果启动失败，先在终端运行 npm 命令，确认 Node.js 可用，再查看客户端日志。

3配置 Cursor 或其他 MCP Client

Cursor 使用类似配置。团队应分发配置模板，而不是共享同一个个人密钥。

{

  "mcpServers": {

    "qveris": {

      "command": "npx",

      "args": ["-y", "@qverisai/mcp"],

      "env": {

        "QVERIS_API_KEY": "${env:QVERIS_API_KEY}"

      }

    }

  }

}

不同客户端对环境变量插值的支持可能不同，需要按当前 Cursor 或 OpenCode 格式调整，并确保只暴露必要工具。

4使用 Python SDK 发现能力

未运行 MCP Client 的服务可以使用 Python SDK。Discover 查询应描述需要的输出、新鲜度和资产类别。

import asyncio

import os

from qveris import AsyncQVerisClient



async def discover_tools():

    async with AsyncQVerisClient(

        api_key=os.environ["QVERIS_API_KEY"]

    ) as client:

        return await client.discover(

            query=(

                "real-time US stock quote with price, volume, "

                "exchange timestamp, and structured JSON"

            ),

            limit=5,

        )



print(asyncio.run(discover_tools()))

按照任务匹配度、数据新鲜度、供应商、延迟和成本排序，再 Inspect 所选能力，不要猜测参数。

5Inspect 并调用金融能力

Inspect 返回结果才是参数契约。下面字段仅用于示例，应替换为当前 Schema 中的真实字段。

async def inspect_and_call(capability_id: str):

    async with AsyncQVerisClient(

        api_key=os.environ["QVERIS_API_KEY"]

    ) as client:

        schema = await client.inspect(

            capability_ids=[capability_id]

        )

        print(schema)



        return await client.call(

            capability_id=capability_id,

            arguments={"symbol": "AAPL"}

        )



print(asyncio.run(

    inspect_and_call("id_from_discovery")

))

生产代码应验证输出、记录能力和执行 ID、处理超时，并区分供应商错误与真实的数据缺失。