模型上下文协议（MCP）简介

模型上下文协议（MCP）是一种开放标准，旨在将人工智能助手与实际存储数据的系统连接起来，这些系统包括内容存储库、业务工具以及开发环境。本质上，MCP 在大型语言模型（LLM）应用和外部数据或功能之间创建了一个通用接口。Anthropic（Claude AI 助手背后的团队）于 2024 年底推出了 MCP，以解决人工智能领域日益增长的集成挑战。开发者无需为每个数据库、API 或知识库构建一次性插件或自定义连接器，而是可以使用 MCP 作为一种通用协议，任何人工智能应用（客户端）和任何数据源（服务器）都能理解该协议。这极大地简化了人工智能系统获取上下文（相关信息）并代表用户执行操作的方式。

可以将 MCP 比作人工智能应用的“USB-C 接口”——一种标准化的即插即用接口，用于连接到各种工具和数据。就像 USB-C 让许多设备无论制造商如何都能互操作一样，MCP 定义了通用规则，让任何基于 LLM 的客户端都能与任何符合 MCP 标准的服务器进行通信。这种标准化与语言服务器协议（LSP）对编程环境所做的贡献相媲美：LSP 允许任何代码编辑器通过通用协议支持任何编程语言，将 M×N 的集成问题转变为 M+N。

关键在于减少需要管理的直接交互数量。在 M×N 的集成设置中，第一组的每个组件都必须与第二组的每个组件连接，从而产生 M×N 对。相比之下，当将其转变为基于 M+N LSP 的方法时，你可以让 M 个组件和 N 个组件中的每一个都与一个集中式的协议（即语言服务器协议）通信。这意味着你只需要管理 M+N 个连接，而不是每一个可能的配对。

类似地，MCP 将复杂的自定义人工智能集成转变为一个更易管理的生态系统——人工智能助手和数据/服务只需实现一次 MCP 即可相互协作。目标是实现更相关、更及时的人工智能（访问实时数据），以及一个更可持续的集成生态系统，其中一个 MCP 服务器的改进将使所有兼容客户端受益。

MCP 的关键组件

MCP 的设计遵循客户端-服务器架构，清晰地区分了人工智能应用和数据连接器的角色。该架构中的关键组件包括：

• MCP 主机（AI 应用）——需要外部信息或功能的人工智能（AI）或大型语言模型（LLM）驱动的应用。主机可以是聊天机器人、集成开发环境（IDE）或任何嵌入了 LLM 的工具。例如，Claude Desktop、类似 Cursor 的代码编辑器或聊天机器人界面都可以作为 MCP 主机。主机负责协调 LLM 的操作、管理多个连接，并将 AI 输出与检索到的上下文合并。它通常集成一个或多个 MCP 客户端。
• MCP 客户端——客户端是主机应用中的一个组件（通常是库或进程），管理与 MCP 服务器之间的 1:1 连接。每个数据源或工具都有其自己的客户端实例。客户端处理与服务器的所有消息交换，路由请求/响应，并跟踪服务器的能力。它们还处理会话细节，如初始化连接和与服务器协商功能。
• MCP 服务器——服务器是轻量级程序或服务，通过 MCP 接口暴露特定的数据或功能。服务器可以封装本地资源（如文件系统或数据库）或远程服务（如 Slack、Gmail、GitHub 等）。每个服务器以标准化的方式提供一种或多种功能，因此任何 MCP 客户端都可以查询或调用它们。这样，主机无需为 Google Drive、Slack 或 SQL 数据库等定制代码，因为它们各自可以有一个 MCP 服务器，主机只需通过 MCP 与它们通信。早期的服务器示例包括 Google Drive、Slack、Git 存储库、Postgres 数据库等的连接器。
• MCP 协议（基础协议）——这是客户端和服务器用于通信的语言和规则。MCP 使用 JSON-RPC 2.0 作为消息格式，加上一组定义好的方法和消息类型用于常见任务（初始化、列出功能、调用工具等）。通信可以通过不同的传输方式进行——通常是标准输入输出流（stdio，用于主机启动的本地服务器）或带有服务器发送事件（SSE）的 HTTP（用于远程服务器）。协议层处理消息的编码、交换以及会话管理（如保持连接开放以处理多个请求）。

MCP 功能（特性）：

MCP 服务器究竟可以暴露什么？协议定义了服务器可以向 AI 模型提供的三类主要功能：

• 资源——模型可以检索作为上下文的只读数据。资源就像文件或文档：它们有模型可以读取的内容，但获取它们不应触发繁重的计算或副作用。示例包括文档文本、数据库记录内容、维基页面或任何由统一资源标识符（URI）标识的静态内容。在 MCP 中，资源通常通过类似 URI 的标识符引用（例如，服务器可能定义资源 users://{id}/profile，以通过 ID 获取用户配置文件）。客户端可以请求资源，服务器返回内容以插入到 LLM 的上下文（提示）中。资源使 AI 基于真实数据——模型可以按需提供最新信息，而不是仅依赖模型的训练。
• 工具——模型可以调用（通常在用户允许的情况下）的可执行函数或操作。工具让 AI 能够做的不仅仅是读取数据：它们可以执行计算、查询 API、发送消息、更新记录等。每个工具都定义有名称、描述和输入模式，指定它期望的参数。例如，服务器可能有一个工具 get_weather(latitude, longitude)，它返回给定坐标的当前天气。AI 模型可以在需要时决定调用此工具——类似于 LLM 使用计算器或调用 API。工具很强大，因为它们支持代理行为：AI 可以作为代理，不仅进行聊天，还通过这些函数与其他系统交互。为了安全起见，客户端/主机通常会在执行前要求用户批准工具使用。与资源不同，工具可能有副作用或繁重的计算。
• 提示——预定义的提示模板或对话工作流程，帮助模型完成专门任务。可以将提示视为罐装指导或多轮模板，在需要时可以注入。例如，服务器可能提供代码审查或调试错误的提示模板，结构化模型对话的进行方式。使用提示模板确保 AI 遵循某种模式——就像使用标准表单或脚本一样——这可以为该任务产生更一致的结果。提示本质上让服务器提供最佳实践指令，因此用户或客户端无需每次从头开始制定。

这三种功能类型并不是严格的孤岛——最终，它们都只是将信息供应到模型的上下文窗口（通常为文本）。然而，区分它们有助于客户端适当处理它们（例如，工具需要传递参数和用户批准，而资源则作为内容获取和插入）。在实践中，许多 AI 集成非常注重工具（因为工具支持主动操作），但资源和提示对于提供被动上下文和指导同样重要。

用例和优势

MCP 的标准化方法为人工智能开发带来了一系列实际优势。以下是采用 MCP 的一些关键用例和优点：

总结来说，MCP（模型控制平面）的优势在于使AI系统更强大且更易构建。它为AI解锁了更丰富的功能（借助实时、上下文数据），同时减轻了希望添加这些功能的开发人员的负担。随着MCP生态系统的发展，我们可能会看到更具创意的代理行为（因为模型可以动态发现新工具）以及更多组织信任并集成AI到其工作流程中（这得益于MCP提供的安全性和控制力）。

技术细节：MCP架构和工作流程

深入探究，让我们来了解一下MCP在幕后是如何工作的——从客户端和服务器之间的初始握手到它们交换数据的方式。MCP通信基于JSON-RPC 2.0，这是一种使用JSON的轻量级RPC（远程过程调用）格式。这意味着每个请求或响应都是一个具有定义结构的JSON对象（{"jsonrpc": "2.0", "method": ..., "params": ...}等），使其与语言无关且易于解析。同时支持同步请求（带响应）和异步通知/事件。

连接和传输：MCP 设计用于客户端和服务器之间有状态的、长生命周期的连接，而不是一次性的 HTTP 调用。当 MCP 客户端开始与服务器建立连接时，通常会通过以下两种方式之一进行：

• 本地（stdio）传输：如果服务器作为本地进程运行（例如，作为命令行界面程序或由主机启动的子进程），客户端和服务器可以通过进程的标准输入/输出流进行通信。这与语言服务器协议（Language Server Protocol）通常如何运行语言服务器作为通过 stdio 通信的子进程相似。这种方式效率高，并且避免了本地工具的网络开销。
• 远程（HTTP + SSE）传输：如果服务器是远程服务或独立运行（例如，在服务器或云端上），MCP 可以通过 HTTP 运行。在此模式下，请求可能作为 HTTP POST 发送，服务器使用服务器发送事件（Server-Sent Events，SSE）将响应或事件推送回客户端。SSE 允许服务器通过 HTTP 连接流式传输数据，这在工具的结果较大或服务器发送增量更新时非常有用（想象一下流式传输长文本或进度更新）。在任何情况下，传输层都负责可靠地传输 JSON-RPC 消息。

初始化握手：当连接建立后，首先进行的是握手以初始化和协商功能。客户端发送一个初始化请求，指明其支持的MCP协议版本以及一些自身信息。服务器以其自身的版本信息和提供的功能作为回应。这个握手过程确保双方使用兼容的MCP方言，并在基本设置上达成一致（例如，如果MCP规范发展，客户端可能只支持1.1版本，而服务器支持1.2版本——它们需要找到一个共同点，否则优雅地失败）。握手还可能包括初始配置，如客户端请求的“根”或范围。在MCP中，根通常指的是服务器的基础上下文或允许的数据集——例如，文件系统服务器的根目录路径，或API服务器的帐户范围。客户端可以提供这些信息，以便服务器了解其边界或起点。

发现服务器功能：初始化后，客户端通常会查询服务器能做什么。MCP定义了列出每种功能的标准方法：

• tools/list：客户端调用此方法来获取服务器提供的所有工具列表，以及每个工具的名称、描述和输入模式等详细信息。服务器返回一个包含工具列表及其定义的JSON对象。现在，客户端（以及最终的LLM）知道有哪些可用操作。类似地，还可能有resources/list和prompts/list方法（或客户端可能在初始化响应中获取这些信息）来枚举可用的资源端点和提示模板。有了这些信息，主机可以决定如何呈现或利用这些功能。例如，IDE可能会向用户显示可访问资源（文件）的列表，或者客户端可能会将工具描述嵌入到LLM的系统提示中，以便模型了解它们。
• 使用工具（函数调用）：当AI模型决定调用一个工具时，序列可能如下：模型的输出（给客户端）表示希望使用特定工具（例如，get_weather）并提供参数（这可以通过特殊响应格式或函数调用机制发生，具体取决于AI）。然后，MCP客户端（通常在用户确认后）向服务器发送一个tools/call请求，其中包含工具的名称和要使用的参数。例如，{"method": "tools/call", "params": {"name": "get_weather", "arguments": {"latitude": 45.5, "longitude": -122.6}}}会要求服务器使用这些坐标执行天气工具。服务器执行相应的函数（这可能涉及API调用、数据库查询等）并返回结果。结果通常以结构化格式作为JSON-RPC响应的一部分返回。在MCP的设计中，服务器可以指示结果中的内容类型；例如，它可能返回一个JSON对象或文本块，以及元数据，如目标受众是谁（模型或用户）。在我们的天气示例中，服务器可能会响应{"result": {"content": [{"type": "text", "text": "{\"temperature\": 12, \"conditions\": \"cloudy\", ...}", "annotations": {"audience": ["assistant"]}}]}}——基本上以JSON文本的形式提供天气数据，标记为助理可见。客户端接收此信息并将其注入到LLM的上下文中（例如，就像助理“看到”了该文本一样），以便模型可以使用它来制定对用户的下一个回复。这一切都在幕后几秒钟内发生，使AI与外部数据的交互感觉无缝。
• 读取资源：当模型或用户需要一些上下文数据时，客户端会向服务器请求资源。这可以由模型提到资源URI或用户明确要求文件而触发。客户端发送一个resources/read（或类似）请求，其中包含资源的标识符（例如，{"method": "resources/read", "params": {"uri": "users://123/profile"}}）。然后，服务器获取该资源（例如，查找用户123的个人资料）并返回其内容（通常为文本或结构化文本）。客户端可以将该内容插入到与模型的对话中，通常作为提示的一部分（以便模型在回答时可以参考）。资源还可能支持部分读取或订阅（在日志或流数据的情况下），但从根本上说，它们的行为就像文件系统中的读取文件一样——你请求内容，然后得到它。
• 使用提示模板：当主机或用户选择特定模板来引导对话时，可能会使用提示功能。例如，如果用户说“帮我调试这个错误”，而服务器有一个debug_error提示模板，客户端可以获取该提示（可能是一系列消息或指令）并将其附加到对话的开头。在底层，这可能是一个prompts/get调用，或者在连接时提供。提示也可能通过prompts/list列出，以便客户端UI可以向用户显示“可用策略”。一旦交付，提示将指导LLM如何构建其响应或交互。

会话和生命周期：MCP的客户端-服务器连接保持活动状态，允许多个顺序交互。客户端管理生命周期——它可以在完成时关闭服务器，或者只要主机应用程序打开就保持服务器运行。如果服务器提供通知或事件（例如，文件资源可能在文件更改时通知），这些会作为异步JSON-RPC通知发送给客户端，客户端可以通过更新上下文或通知用户来处理这些通知。MCP是有状态的，这也意味着服务器可以在需要时跨调用维护上下文（例如，缓存数据，或跟踪到外部API的用户会话）。

所有这些细节（方法、消息格式、错误处理等）都在MCP规范中定义。目标是任何符合MCP的客户端和服务器都实现这些相同的方法和消息类型，以便它们可以互操作。使用JSON-RPC和客户端-服务器模型的技术设计确保了低耦合：AI模型本身不直接讲JSON-RPC；客户端作为中介。这将LLM接口（提示和响应）与协议分开，这对安全性和清晰度都是有益的。LLM“看到”结果或可用工具描述，但JSON API调用通过客户端在带外发生。这种设计就是为什么你可以使用OpenAI的GPT-4（支持函数调用）作为MCP的主机——客户端只是将模型的函数调用映射到MCP的tools/call请求，反之亦然。模型不需要知道MCP的存在；客户端处理它。

总结：MCP的工作流程是：连接（打开通道，握手）→发现（服务器能做什么？）→使用（模型/用户请求资源或工具，服务器返回结果）→根据需要重复使用→关闭（关闭）。在整个过程中，格式化请求和处理响应的重担由MCP客户端和服务器库承担，因此使用MCP的开发人员可以专注于高层逻辑（提供什么工具或数据），而不是网络细节。

实施指南：使用MCP Python SDK

接触MCP的最简单方法之一是使用Python SDK，这是Python中协议的参考实现。此SDK允许你创建自己的MCP服务器（或客户端）并尝试将它们连接到AI模型。在本节中，我们将逐步介绍设置SDK、构建简单的MCP服务器并运行它。

安装

MCP Python SDK可通过PyPI获得。你可以使用简单的pip命令安装它。建议包含“cli”额外功能，以获取用于测试和运行服务器的命令行工具。

pip install uv
pip install "mcp[cli]""mcp[cli]"

这将安装mcp包及相关工具。（或者，如果只需要核心功能，可以使用pip install mcp进行安装，或者按照官方文档所示，使用项目自带的环境工具uv。）

请确保你的Python版本为3.10或更高，这是SDK所要求的。安装完成后，你应该能够在终端中运行mcp --help来查看可用的命令。

创建一个简单的MCP服务器

让我们用Python构建一个基本的MCP服务器。这个服务器将展示两种功能——一个工具和一个资源——以说明如何定义每种功能。

示例：我们将创建一个MCP服务器（server.py），它能够执行简单的加法计算（工具）并提供问候消息（资源）。

# server.py
from mcp.server.fastmcp import FastMCP

# Initialize an MCP server instance with a name
mcp = FastMCP("Demo Server")
# Define a tool function (simple addition)
@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers."""
    return a + b
# Define a resource function (personalized greeting)
@mcp.resource("greeting://{name}")
def get_greeting(name: str) -> str:
    """Get a greeting message for the given name."""
    return f"Hello, {name}!"

在这段代码中，我们导入了FastMCP——一个高级类，它简化了服务器的构建过程。我们创建了一个名为“Demo Server”的mcp服务器实例。然后，我们使用SDK提供的装饰器来注册一个工具和一个资源：

• @mcp.tool()装饰器将add函数转换为一个MCP工具。默认情况下，工具的名称将是函数名（即add），SDK使用类型提示和文档字符串自动生成输入模式和描述。这个工具简单地返回两个整数的和。
• @mcp.resource("greeting://{name}")装饰器将get_greeting注册为一个通过URI模式识别的资源。字符串"greeting://{name}"表示这个资源可以通过URI方案greeting://和一个动态路径（name）来访问。如果客户端稍后请求greeting://Alice，这个函数将使用name="Alice"被调用，并返回"Hello, Alice!"。文档字符串可以作为资源的文档。
• 现在点击本地主机，你将看到MCP检查器。

就这样——我们就有了一个功能齐全的MCP服务器，包含一个工具和一个资源。你可以以类似的方式添加更多工具或资源，如果需要，甚至可以使用@mcp.prompt()定义提示模板。

运行服务器

要运行这个服务器，你有多个选项：

• 开发模式（检查器）：MCP SDK包含一个名为MCP检查器的开发工具，它可以模拟客户端并让你与服务器进行交互。在确保已安装Node.js的前提下，你可以使用以下命令启动它：mcp dev server.py。

• 这将启动你的server.py，并打开一个交互式用户界面，你可以在其中测试调用add工具或读取greeting://...资源。这对于快速测试和调试非常有用。

• 直接执行：你也可以将服务器作为一个独立进程运行。例如，只需执行你的脚本：python server.py

• 在底层，因为我们使用了FastMCP，它会自动运行一个事件循环并等待客户端连接（默认使用stdio传输）。我们也可以在if __name__ == "__main__":块中显式调用mcp.run()来启动服务器。然后，服务器将等待一个MCP客户端通过stdio连接。

• 另外，SDK提供了一个快捷方式：mcp run server.py，这个命令的作用相同——运行你的服务器脚本并保持其开放以供客户端连接。

• 与AI主机集成：要看到真正的魔力，你需要将这个服务器连接到一个MCP兼容的AI客户端。如果你有Claude Desktop，你可以安装服务器以便Claude使用它。例如：mcp install server.py --name "Demo Server"

• 这个命令会在Claude Desktop中注册你的服务器（--name参数在UI中为其提供了一个友好名称）。然后，在Claude的界面中，你将能够启用并使用“Demo Server”作为数据源。Claude可以在对话中调用add工具或获取greeting资源。（通常，你可以向Claude提示类似“使用Demo Server将2和3相加”的内容，然后它会通过MCP调用工具。）

• 如果你没有Claude，还有其他客户端正在涌现。例如，你可以编写一个小型的MCP客户端脚本，连接到server.py并发出tools/call或resources/read请求——但这超出了我们这里的范围。关键是，现在任何MCP客户端都可以与这个服务器接口。

这个简单的演示只是冰山一角。使用Python SDK，你可以构建更复杂的服务器：连接到外部API、包装数据库查询，甚至控制硬件。SDK支持异步函数（如我们之前在天气示例中所使用的），并提供了用于流式传输结果、处理图像、管理认证等的实用工具。还有TypeScript、Java和Kotlin的SDK，它们具有类似的功能，使开发人员能够在自己选择的环境中实现MCP服务器。

MCP是AI工具空间中的一个相对较新的成员，自然会有人问它与其他将外部数据或功能与AI集成的方式相比如何。下面我们来看看几个相关概念以及MCP的不同之处：

结论

在这次深入探索中，我们了解了MCP的工作原理、其组件（主机、客户端、服务器）以及它支持的功能类型（资源、工具、提示）。我们通过技术工作流程展示了MCP在底层是一个任何平台都可以实现的简洁JSON-RPC协议。Python SDK示例说明，创建一个MCP连接器就像用装饰器编写几个函数一样简单，这使得任何支持MCP的AI都能立即使用这些功能。在将MCP与其他方法进行比较时，我们发现，虽然有其他方法可以将工具插入到AI中，但MCP的开放、可互操作的设计使其脱颖而出，成为不断增长的生态系统的基础。