一文读懂 MCP！大模型如何用它连接世界，打造更智能的 AI Agent？

显示全部楼层

最近，MCP^[1](模型上下文协议，Model Context Protocol）在 AI 圈子里火了起来。然而，很多人对它的概念仍然感到困惑，包括我在最初接触时也是如此。

可能有人会问：“这不就是大模型的工具调用吗？”没错，MCP 本质上就是工具调用。但不同的是，过去的工具调用需要开发人员手动编写代码，将工具嵌入应用程序，而 MCP 引入了一种标准化的调用协议。

本文除了通俗易懂的介绍什么是 MCP 协议，并通过几个小问题深入介绍，此外也会讲解如何开发一个自己的 MCP Server。

与传统方式不同，MCP 定义了一套标准化的应用调用协议。Anthropic 官方的比喻是，它就像 AI 界的USB Type-C，让所有支持 MCP 的工具都能即插即用地连接到大模型。这意味着，只要应用程序具备相应的接口，就可以由大模型直接调用，而无需开发者手动适配。

或许之前 Langchain 也发布过Agent Protocal^[2], 主要用于智能体之间的互操作协议，相对复杂。而 MCP，由于 cursor、cline 等编程工具的普及，以及多智能体应用 Manus 的火爆，让 MCP 正在成为事实上的标准。它具体是什么呢？上图又是怎么理解呢？

MCP 协议是一个客户端服务器架构。其中大模型作为调用工具方属于客户端，而工具提供方则属于服务器。在此之前，或许我们调用各种各样的官方工具，需要自己写代码。而现在随着 MCP 的普及，作为当前事实上的标准，它将驱动工具提供方主动融入 MCP，自己提供 MCP Server，从而节省开发人员的大量时间。到这，我想你应该大概了解什么是 MCP 了。

1. 只有 Cluade 能用？

首先说结论，不是，大部分的大模型都能使用。MCP 是一个通用协议，支持多种大模型。使用 MCP SDK，我们可以获取可用工具列表，并将其提供给 LLM，比如封装成 OpenAI API 调用的一部分，或者直接作为 Prompt 传递给模型。示例如下：

  response =awaitself.session.list_tools()
  available_tools = [{
   "name": tool.name,
   "description": tool.description,
   "input_schema": tool.inputSchema
  }fortoolinresponse.tools]
  # Initial Claude API call
  response = self.anthropic.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1000,
    messages=messages,
    tools=available_tools
  )

2. 都有哪些 MCP Server 工具

目前，Anthropic 官方已推出了一些常见的 MCP 工具，如数据存储、开发工具、Web 与浏览器访问、Slack 通讯、AI 工具等。

还有一些应用官方开发和社区维护的 MCP Server，比如Obsidian Markdown Notes^[3]、Qdrant^[4]、Cloudflare^[5]、Docker^[6]、Kubernetes^[7]、Todoist^[8]和Spotify^[9]等。这里有个聚合网站^[10]已经收录了 3251 个 MCP server 和 98 个 clients。

3. 怎么开发自己的 MCP Server

这里摘录自官方教程，开发一个提供天气查询的例子。

设置开发环境

# Create a new directory for our project
uv init weather
cdweather
# Create virtual environment and activate it
uv venv
source.venv/bin/activate
# Install dependencies
uv add"mcp[cli]"httpx
# Create our server file
touch weather.py

初始化

fromtypingimportAny
importhttpx
frommcp.server.fastmcpimportFastMCP
# Initialize FastMCP server
mcp = FastMCP("weather")
# Constants
NWS_API_BASE ="https://api.weather.gov"
USER_AGENT ="weather-app/1.0"

编写工具

和编写大模型工具一样，也要编写函数描述，参数描述信息，最终返回字符串供大模型理解。

@mcp.tool()
asyncdefget_alerts(state: str)-> str:
 """Get weather alerts for a US state.

  Args:
    state: Two-letter US state code (e.g. CA, NY)
  """
  url =f"{NWS_API_BASE}/alerts/active/area/{state}"
  data =awaitmake_nws_request(url)

 ifnotdataor"features"notindata:
   return"Unable to fetch alerts or no alerts found."

 ifnotdata["features"]:
   return"No active alerts for this state."

  alerts = [format_alert(feature)forfeatureindata["features"]]
 return"\n---\n".join(alerts)

运行

运行后，MCP Server 便可以对外提供服务。在实际应用中，工具服务通常不会一直运行，而是在大模型需要调用时，MCP 客户端会自动启动它。

if__name__ =="__main__":
 # Initialize and run the server
  mcp.run(transport='stdio')

客户端

客户端，就是大模型的应用端。他要如何接入这个工具服务呢？首先使用 mcp 客户端初始化一个 mcp 并连接到工具服务器上，然后输入刚才的脚本地址，他就会自动启动上面的天气查询服务。

frommcpimportClientSession, StdioServerParameters
frommcp.client.stdioimportstdio_client
...
classMCPClient:
 def__init__(self):
   # Initialize session and client objects
    self.session: Optional[ClientSession] =None
    self.exit_stack = AsyncExitStack()
    self.anthropic = Anthropic()
 # methods will go here

 asyncdefconnect_to_server(self, server_script_path: str):
  """Connect to an MCP server
   Args:
     server_script_path: Path to the server script (.py or .js)
   """
   ...
   command ="python"ifis_pythonelse"node"
   server_params = StdioServerParameters(
     command=command,
     args=[server_script_path],
     env=None
   )
   stdio_transport =awaitself.exit_stack.enter_async_context(stdio_client(server_params))
   self.stdio, self.write = stdio_transport
   self.session =awaitself.exit_stack.enter_async_context(ClientSession(self.stdio, self.write))

  awaitself.session.initialize()
  # List available tools
   response =awaitself.session.list_tools()
   tools = response.tools
   print("\nConnected to server with tools:", [tool.namefortoolintools])

接下来就是调用的逻辑了，就是通过这个协议 sdk，获取工具列表然后塞到大模型就完事了。没有什么黑科技，MCP 做的就是让大模型应用能够自动通过 mcp 这套通信机制调用应用工具。可以看到，本质还是工具调用，只是自动化了外部工具的通信协议。

asyncdefprocess_query(self, query: str)-> str:
 """rocess a query using Claude and available tools"""
  messages = [
    {
     "role":"user",
     "content": query
    }
  ]

  response =awaitself.session.list_tools()
  available_tools = [{
   "name": tool.name,
   "description": tool.description,
   "input_schema": tool.inputSchema
  }fortoolinresponse.tools]

 # Initial Claude API call
  response = self.anthropic.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1000,
    messages=messages,
    tools=available_tools
  )

 # Process response and handle tool calls
  final_text = []

  assistant_message_content = []
 forcontentinresponse.content:
   ifcontent.type =='text':
      ...
   elifcontent.type =='tool_use':
      tool_name = content.name
      tool_args = content.input
     # Execute tool call
      result =awaitself.session.call_tool(tool_name, tool_args)
      final_text.append(f"[Calling tool{tool_name}with args{tool_args}]")
      ....

 return"\n".join(final_text)

我想接下来，就没有必要再深入介绍了。

5. 是否只支持 Python

官方除了发布 Python 的 SDK 之外，也支持

Typescript-sdk^[11]
Java-sdk^[12]
kotlin-sdk^[13]

其他语言也可以根据标准specification^[14]自行编写。

6. 底层通信协议

底层通信采用JSON-RPC^[15]，更具体的可以参考官方文档 Transports^[16]。

7. 总结

未来，随着大模型应用的深入，MCP Server 将变得更加丰富和强大，各类应用也将逐步适配 MCP，降低 AI 接入门槛。正如 OpenAI CEO Sam Altman 所说，2025 is“the year of the AI agent”。或许不久的将来，我们只需一句话，就能让 AI 远程操控电脑、管理手机，彻底改变人机交互方式。