一文详解模型上下文协议(MCP):打通大模型与业务场景的关键

前言

暂且抛开MCP，这23年的时候开始搭建AI Agent智能体，对第三方插件API进行交互的时候，我就开始设想能不能自己做一个通用代码协议框架，以后AI团队统一用这个协议，方便大家code review，更好协作。AI要触及到业务就必然逃不过与业务端接口或是数据进行联通，但是之前都没有标准的交互协议，需要理解各个三方接口和协议是比较费时的事情，但如果有类似像Java工程开发标准，那么我们就很方便开发第三方接口了，不会存在那么多不同开发形态的代码，方便维护。MCP协议出现之后发现大家都在慢慢融入到开源协议框架中，故而再对一些不了解MCP的朋友详细解述这一框架协议，以后必然是以开源协议为主导的代码生态。

我是Fanstuck，致力于将复杂的技术知识以易懂的方式传递给读者，每一篇文章都凝聚着我对技术的深刻洞察。从 人工智能的基础理论到前沿研究成果，从热门框架的深度解析到实战项目的详细拆解，内容丰富多样。无论是初学者想要入门，还是资深开发者追求进阶，都能在这里找到契合自身需求的知识养分。如果你对大模型的创新应用、AI技术发展以及实际落地实践感兴趣，那么请关注Fanstuck。

什么是MCP协议？

当前大模型需要处理特定领域的数据或执行复杂任务时，往往面临着“信息孤岛”的挑战。这意味着，尽管模型本身强大，但由于无法直接访问或整合外部数据源，其应用范围和实用性受到了限制。

如果你有一个全能的助手，能够流利地与您对话，解答各种问题。但当你要求它分析公司内部的销售数据、整理本地文件，或与其他软件工具协同工作时，它却显得无能为力。这正是当前许多AI助手所面临的困境：它们被困在自己的“知识围墙”内，无法有效地与外部世界交互。

为了解决这一问题，Anthropic公司于2024年11月推出了模型上下文协议（Model Context Protocol，简称MCP） 。MCP旨在为AI模型与外部数据源和工具之间搭建一座标准化的桥梁，使AI应用能够安全、灵活地访问和操作本地及远程数据。可以将MCP比作AI领域的“USB-C接口”，它为不同的数据源和工具提供了统一的连接方式，简化了集成过程，提升了AI系统的实用性和扩展性。

通过MCP，AI助手可以直接与本地文件系统交互，读取或编辑文档；连接数据库，查询或更新数据；甚至与在线服务（如Slack、GitHub）整合，实现消息发送、代码管理等功能。这种能力的提升，使得AI助手在处理实际业务场景时更加得心应手，真正成为用户的得力助手。在接下来的章节中，我们将深入探讨MCP的工作原理、核心组件、主要功能，以及它在实际应用中的优势和案例。全面了解MCP如何为AI模型赋能，打破信息孤岛，实现更广泛的应用和更高效的工作流程。

MCP的核心目标和功能

MCP的核心目标是为AI模型提供一个通用的接口，使其能够与各种外部数据源和工具进行无缝交互。具体功能包括：

标准化数据访问：通过统一的协议，简化AI模型与不同数据源的连接，避免为每个数据源单独开发接口代码。

增强上下文感知能力：允许AI模型访问实时、相关的数据和专门的工具，基于准确的信息做出响应。

双向安全通信：在AI应用和数据源之间建立安全的双向通信通道，确保数据的隐私性和交互的完整性。

• 拉取数据：LLM 服务器查询上下文 → 例如检查您的日历
• 触发操作：LLM 指示服务器执行操作 → 例如重新安排会议，发送电子邮件

MCP 与 API：

MCP 与 Function Calling 的区别

• MCP（Model Context Protocol），模型上下文协议
• Function Calling，函数调用

这两种技术都旨在增强 AI 模型与外部数据的交互能力，但 MCP 不止可以增强 AI 模型，还可以是其他的应用系统。

MCP的工作原理

MCP采用客户端-服务器架构，主要组件包括客户端、服务器和资源。：

MCP主机（Host）：MCP主机是运行AI应用程序的环境，负责发起与外部资源的连接。例如，Claude Desktop等AI助手应用，需要通过MCP访问本地文件、数据库或远程API。在实际应用中，用户通过Claude Desktop与AI助手交互，当需要访问本地文件时，Claude Desktop作为MCP主机，协调AI助手与本地文件系统之间的通信。

MCP客户端（Client）：MCP客户端是嵌入在主机应用中的连接器，负责与MCP服务器建立一对一的连接。它充当AI模型与外部资源之间的桥梁，管理数据请求和响应的传递。例如，在Claude Desktop中，MCP客户端会向服务器请求访问特定的本地文件或远程API，并将获取的数据传递给AI模型进行处理。

MCP服务器（Server）：MCP服务器是一个轻量级程序，通过标准化的MCP协议开放特定功能。它负责处理来自客户端的请求，与本地或远程资源交互，并将结果返回给客户端。例如，MCP服务器可以连接到本地文件系统，提供文件读取和写入功能；或连接到远程API，获取实时数据。这种设计使得AI应用能够通过统一的接口访问多种资源，简化了开发和集成的复杂度。

当AI模型需要访问外部数据或功能时，MCP客户端向MCP服务器发送请求，服务器与相应的数据源或工具交互后，将结果返回给客户端，最终供AI模型使用。清晰地看出MCP 本身不处理复杂的逻辑；它只是协调 AI 模型和工具之间数据和指令的流动。

本地与远程资源

• 本地资源：指计算机上的数据库、文件和服务等。通过MCP，AI应用可以访问本地存储的数据，例如读取用户的文档、查询本地数据库，或调用本地服务。这使得AI助手能够在用户的计算机上执行复杂的任务，如整理文件、分析数据等。
• 远程资源：指通过互联网访问的API和服务。MCP允许AI应用连接到各种在线服务，例如获取天气信息、查询股票行情，或与云端数据库交互。这种能力使得AI助手能够提供实时的、丰富的信息和功能，满足用户的多样化需求。

假设你正在使用Claude Desktop与AI助手进行交互，希望它帮助你整理本地的PDF文件。在这种情况下，Claude Desktop作为MCP主机，内部的MCP客户端会向MCP服务器发送请求，要求访问本地的文件系统。MCP服务器接收到请求后，与本地文件系统交互，获取所需的PDF文件列表，并将结果返回给客户端。AI助手接收到这些信息后，可以进一步对文件进行分类、重命名或移动操作，从而帮助你高效地整理文件。

通过MCP的协同工作，AI应用能够灵活、安全地访问和操作各种资源，极大地扩展了AI助手的功能和应用范围。

MCP的主要功能

资源共享（Resources）

MCP允许AI模型访问所需的上下文和数据，打破了信息孤岛的限制。例如，在企业环境中，AI助手需要获取内部文档、客户信息或销售数据，以提供准确的分析和建议。通过MCP，AI助手可以安全地连接到公司的数据库或文件系统，实时获取最新信息，确保决策的准确性和时效性。这种资源共享机制使AI模型能够在更广泛的领域发挥作用，提升工作效率。

工具调用（Tools）

MCP使AI模型能够调用外部功能，如查询数据库、调用API等，扩展了其能力范围。例如，开发者在编写代码时，可能需要查询特定的API文档或检查代码库的状态。通过MCP，AI助手可以直接与代码管理工具（如GitHub）交互，获取所需信息，甚至执行代码提交、创建分支等操作。这种工具调用功能使AI助手成为开发者的得力助手，简化了开发流程。

提示模板（Prompts）

MCP支持为用户预定义完成特定任务的模板，简化交互过程。例如，在客户支持场景中，AI助手需要根据不同的客户需求提供相应的回复。通过提示模板，AI助手可以快速生成专业、准确的回复，提高客户满意度。此外，在内容创作领域，提示模板可以帮助AI助手生成符合特定风格和要求的文本，助力创作者高效完成工作。

MCP 服务器开发

要开始创建一个 MCP 服务器，需要对 Python 和异步编程有基本的了解。让我们一步步讲解如何设置和实现一个自定义的 MCP 服务器。

最简单的方法是使用官方的 MCP 服务器创建工具：

# Using uvx (recommended)uvx create-mcp-server​# Or using pippip install create-mcp-serverpip install mcp-server-gitcreate-mcp-server

需要注意的是Python版本需要3.10以上。

我们通过pycharm来创建一个基础的目录

my-server/├── README.md├── pyproject.toml└── src/    └── my_server/        ├── __init__.py        ├── __main__.py        └── server.py

我们来构建一个后端 AI Agent 项目，通过定义清晰的工具接口与 JSON Schema，实现 AI 与外部知识库（arXiv）交互，返回结构化信息。该项目完整的开发流程图解：

开始 └── 初始化MCP服务器     └── 注册工具接口 (search-arxiv)         └── 接收AI请求 (调用search-arxiv工具)             └── 验证输入参数 (keyword)                 └── 调用arxiv API 检索论文                     └── 获取论文数据                         └── 格式化数据结果                             └── 返回结构化的论文信息给AI大模型结束

1.引入库与初始化服务器

import asyncio
from mcp.server.models import InitializationOptions
import mcp.types as types
from mcp.server import NotificationOptions, Server
import mcp.server.stdio
import arxiv

server = Server("mcp-scholarly")
client = arxiv.Client()

• 引入 MCP 与 arxiv 库，实现通信与API调用。
• 初始化一个名为mcp-scholarly的AI工具服务器。
• 创建一个arxiv客户端实例，用于后续调用arXiv API。

2.定义工具接口 (@server.list_tools())

@server.list_tools()
async def handle_list_tools() -> list[types.Tool]:
    return [
        types.Tool(
            name="search-arxiv",
            description="Search arxiv for articles related to the given keyword.",
            inputSchema={
                "type": "object",
                "properties": {
                    "keyword": {"type": "string"},
                },
                "required": ["keyword"],
            },
        )
    ]

具需要输入一个关键词(keyword)进行论文检索。

3.工具调用处理函数 (@server.call_tool())

@server.call_tool()
async def handle_call_tool(
        name: str, arguments: dict | None
) -> list[types.TextContent | types.ImageContent | types.EmbeddedResource]:
    if name != "search-arxiv":
        raise ValueError(f"Unknown tool: {name}")
    
    if not arguments:
        raise ValueError("Missing arguments")
        
    keyword = arguments.get("keyword")
    if not keyword:
        raise ValueError("Missing keyword")

    # 调用arXiv API进行论文搜索
    search = arxiv.Search(
        query=keyword, 
        max_results=10, 
        sort_by=arxiv.SortCriterion.SubmittedDate
    )
    results = client.results(search)
    
    # 格式化返回结果
    formatted_results = []
    for result in results:
        article_data = "\n".join([
            f"Title: {result.title}",
            f"Summary: {result.summary}",
            f"Links: {'||'.join([link.href for link in result.links])}",
            f"PDF URL: {result.pdf_url}",
        ])
        formatted_results.append(article_data)

    return [
        types.TextContent(
            type="text",
            text=f"Search articles for {keyword}:\n"
                 + "\n\n\n".join(formatted_results)
        ),
    ]

实现实际的论文搜索逻辑：

• 验证工具调用请求。
• 使用关键词（keyword）调用arXiv API进行搜索。
• 获取并格式化论文信息（标题、摘要、链接、PDF地址）。
• 返回结构化结果给AI模型。

4.主函数

1. 启动服务器：函数的主要目的是启动一个服务器，用于处理来自MCP Inspector或其他客户端的请求。
2. 日志记录：在启动服务器时，记录一条信息日志，表明服务器正在启动。
3. 标准IO通信：使用标准输入输出（stdio）作为通信方式，这样服务器可以通过标准输入接收请求，通过标准输出发送响应，便于与其他工具（如MCP Inspector）进行交互。
4. 服务器配置：通过InitializationOptions配置服务器的基本信息和功能，包括服务器名称、版本以及支持的能力。

异步编程：

• 函数使用async def定义，表明这是一个异步函数，适合处理I/O密集型任务，如网络通信。
• async with用于异步上下文管理，确保资源（如流）在使用后正确释放。

标准IO通信：

• mcp.server.stdio.stdio_server()返回一个异步上下文管理器，用于通过标准输入输出与客户端通信。
• read_stream和write_stream分别代表输入流和输出流，用于接收和发送数据。

服务器初始化选项：

• InitializationOptions配置服务器的基本信息和功能。
• server.get_capabilities()获取服务器支持的能力，包括通知选项和实验性功能。

随后启动服务即可：

python -m src.my_server

测试MCP 服务器

MCP Inspector 提供了一个测试服务器的界面，直接在终端运行即可：

npx @modelcontextprotocol/inspector python -m src.my_server

通过界面可以调试我们的所有功能，很方便测试我们的端口：

可以看到Tools是我们之前写的工具接口，List Tools是我们写的工具调用处理函数，包含search-arxiv，直接在keyword里面输入关键词，就可以看到服务器响应返回的全部数据了。

MCP的未来发展与展望

MCP的广泛应用仍处于初期阶段，社区对其潜力和局限性的讨论也在持续。一些开发者认为，MCP有望成为AI与外部系统交互的标准接口，但也有人担心其在安全性和性能方面的挑战。随着更多开发者的参与和贡献，MCP的生态系统有望进一步丰富和完善。

尽管MCP为AI模型与外部资源的交互提供了标准化的解决方案，但在实际应用中，仍存在一些需要改进的方面：

• 安全性：MCP内置了安全机制，确保只有经过验证的请求才能访问特定资源，并支持多种加密算法，保障数据在传输过程中的安全性。
• 性能：随着AI应用对实时数据访问需求的增加，MCP需要优化其通信协议，减少延迟，提高数据传输效率，确保在高并发场景下的稳定性和响应速度。
• 功能：当前，MCP主要专注于数据访问和工具调用。未来，可以扩展其功能范围，例如支持更多类型的资源、增强对复杂任务的支持，以及提供更丰富的开发工具和文档，降低开发者的学习和使用门槛。

随着AI技术的不断发展和应用场景的日益复杂，MCP有望在未来发挥更重要的作用。我鼓励开发者积极探索和应用MCP，共同推动AI系统的能力和效率的提升，为构建更加智能和互联的贡献力量。

有更多感悟以及有关大模型的相关想法可随时联系博主深层讨论，我是Fanstuck，致力于将复杂的技术知识以易懂的方式传递给读者，热衷于分享最新的行业动向和技术趋势。如果你对大模型的创新应用、AI技术发展以及实际落地实践感兴趣，那么请关注Fanstuck，下期内容我们再见！