MCP（大模型上下文协议）快速入门 - 链载Ai

以上内容摘自MCP官方文档，我觉得已经说的非常清晰直观了，但还是很多人误以为MCP是一个神奇的工具，拥有执行命令、读取文件、查询数据等等功能。

不不不，MCP只是一个协议，LLM通过这个协议来使用各个工具。不管是执行命令、读取文件、查询数据，如果你有了这些工具，没有MCP也可以使用工具；反过来说，如果没有这些工具，光有MCP什么也做不了。

MCP的意义是LLM能够使用“远程工具”：这些工具可以使用不同语言、部署在不同设备、具有不同的功能，通过MCP把它们集成一起，供LLM选用；同样的，如果你已经有一批工具，那么也可以MCP把它们提供给任何一个LLM。

总而言之，MCP像USB一样，提供了各个LLM和各个工具之间的快速接入。

MCP底层原理

规范版本：2025-03-26

传输协议：

stdio （优先，仅本地）
SSE （弃用）
Streamable HTTP

鉴权方式：

OAuth 2.1 （仅HTTP）

如果MCP是在自己电脑里用，不用考虑鉴权什么的，那么stdio就够了，简单快捷。

如果你的MCP Server打算通过网络分享出去，基于HTTP则更加方便。此前MCP使用SSE来进行远程传输，在新的规范中则鼓励使用Streamable HTTP ，同时也支持了鉴权更加地安全。

报文内容：

JSON-RPC （UTF-8）

经典的方案，这个没什么好说的，如果你不是打算重新实现MCP Client的话，暂时不需要关注报文内容的细节。

生命周期（重点）：

申明能力：server端定义工具、资源等能力
初始化：client连接server端，协商版本和能力
操作：（双向多轮）

client使用server的能力（如工具）
server使用client的LLM
关闭：client端断开连接释放资源

前期有一个“握手”的阶段，这样Client 才能知道Server有哪些工具，进而提供给LLM进行使用。

有意思的是MCP为Server约定了一个采样（sampling）的能力：使用LLM进行内容生成，也就说LLM也被Client 提供给了Server进行使用。

不过当前版本的SDK中暂时没有实现采样，具体用法还要再等更新。

MCP应用实战

安装依赖

pip install mcp openai-Agents

mcp是MCP官方提供的SDK，内置了MCP Server 和 MCP Client实现，开箱即用

openai-agents是OpenAI开源的#Agent框架简化了LLM的操作细节

MCP Server声明能力

# server.py

importos
frommcp.server.fastmcpimportFastMCP

mcp = FastMCP("MCP Demo")


@mcp.tool()
defadd(a: int, b: int)-> int:
 """返回a和b相加结果"""
 returna + b


@mcp.tool()
defls():
 """列出目录中的文件名"""
 returnos.listdir(".")


if__name__ =='__main__':
  mcp.run() # 默认使用 stdio 传输

MCP Client初始化

# client.py
frommcpimportClientSession, StdioServerParameters, types
frommcp.client.stdioimportstdio_client

# stdio 启动参数
server_params = StdioServerParameters(
  command="python",
  args=["server.py"],
)

asyncdefrun():
 asyncwithstdio_client(server_params)as(read, write):
   asyncwithClientSession(read, write)assession:
     # 初始化
     awaitsession.initialize()

     # 查询支持的工具
      result =awaitsession.list_tools()

      print("支持的工具有：",)
     fortoolinresult.tools:
        print(f"  {tool.name}{tool.description}")

     # 调用工具
      result =awaitsession.call_tool("add", arguments={"a":1,"b":10})
      print('add的调用结果：', result.content[0].text)



if__name__ =="__main__":
 importasyncio

  asyncio.run(run())

执行结果（可以发现工具和使用工具）：

Processing request of type ListToolsRequest
Processing request of type CallToolRequest
支持的工具有：
  add 返回a和b相加结果
  ls 列出目录中的文件名
add的调用结果： 11

LLM使用远程工具

使用MCP加载工具之前

# llm.py
fromagentsimportAgent, Runner

agent = Agent(
  name="AI助手",
  instructions="使用合适的工具，生成合适的响应", # 系统提示词
)

result = Runner.run_sync(agent,'当前目录有几个文件？')

print(result.final_output)

执行结果（无法完成，开始聊天）：

请提供更具体的信息，例如：

* **操作系统:** 您使用的是 Windows, macOS, 还是 Linux?
* **您想在哪里查看文件数量？** 是在命令行 (Terminal/CMD) 还是在文件管理器中？

因为不同的操作系统和方法，查看文件数量的命令和操作方式会不同。

例如：

* **在 Linux/macOS 命令行中使用 `ls` 和 `wc` 命令:**

 ```bash
 ls -l | grep -v ^d | wc -l
 ```

 这个命令会列出当前目录下的所有文件 (不包括目录)，并统计它们的数量。

* **在 Windows 命令行中使用 `dir` 和 `find` 命令:**

 ```cmd
 dir /a-d | find /c "<DIR>"
 ```

 这个命令会列出当前目录下的所有文件，并统计它们的数量。

一旦您提供了更多信息，我可以给出更准确的答案。

使用MCP加载工具之后

# llm.py
fromagentsimportAgent, Runner
fromagents.mcpimportMCPServerStdio

asyncdefrun():
 asyncwithMCPServerStdio(
      name="基于stdio的mcp服务器",
      params={
       "command":"python",
       "args": ["server.py"],
      },
  )asmcp_server:
    agent = Agent(
      name="AI助手",
      instructions="使用合适的工具，生成合适的响应",
      mcp_servers=[mcp_server, ]
    )

    result =awaitRunner.run(agent,'当前目录有几个文件？')

    print(result.final_output)


if__name__ =='__main__':
 importasyncio

  asyncio.run(run())

为了使用MCP，这里改用异步写法，对于Agent来说和之前相比只是多了一个mcp_servers参数

  agent = Agent(
    name="AI助手",
    instructions="使用合适的工具，生成合适的响应",
++   mcp_servers=[mcp_server, ]
  )

执行结果（调用工具完成任务，并输出结果）：

Processing request of type ListToolsRequest
Processing request of type CallToolRequest
当前目录有 4 个文件。

实际上，我对Server能力中的资源、提示词还不太了解，鉴权也没有尝试。还有很多细节内容比如：错误处理、进度跟踪、接口测试等，都没有深入。