让你彻底弄懂 MCP 的一切

AI界的TYPE-C接口：模型上下文协议！

MCP 模型上下文协议(Model Context Protocol)是 AI 领域的一种 标准化通信协议，是由 Anthropic 于 2024 年 11 月推出，旨在解决大语言模型(LLM)与外部工具、数据源之间的碎片化集成问题。其核心目标是充当 AI领域的USB-C接口，实现模型与工具的即插即用式连接，推动 AI 从被动生成文本转向主动执行任务。

1. 技术原理与架构

MCP 促进了AI 模型与外部世界之间的连接和交互。

MCP 的核心是通过 标准化接口 统一 AI 模型与外部资源的交互方式，技术架构分为三个核心组件：MCP Host(运行 AI 模型的应用程序；负责发起用户请求)、MCP Client(集成在 Host 内并与Server通信；负责将 LLM 的请求转换为标准化消息)、MCP Server(轻量级服务端；封装特定工具或数据源的功能；通过 JSON-RPC 2.0 协议暴露接口)。

> 工作流程

1. 工具发现：Client 从 Server 获取可用工具列表，比如发送邮件等。2. 请求处理：用户查询+工具描述发送给 LLM，LLM 决策需调用的工具及参数。3. 工具执行：Client 调用对应 Server 执行操作，比如查询 GitHub 仓库。4. 结果整合：Server 返回结果至 LLM，然后 LLM 生成自然语言响应给用户。

需要注意的是，MCP 选择 JSON-RPC 2.0 作为通信协议核心。主要原因是，解决 LLM 工具调用的核心痛点，比如极简的消息结构、双向通信灵活性、无状态协议适配性、强错误处理机制、生态成熟度。

// 请求
{"jsonrpc":"2.0", "method":"tool.execute", "params":{...}, "id":1}

// 成功响应
{"jsonrpc":"2.0", "result":{...}, "id":1}

// 错误响应
{"jsonrpc":"2.0", "error":{"code":-32601, "message":"Method not found"}, "id":1}

> 通信模式

1. 本地模式(STDIO)：Server 作为 Host 的子进程运行，通过 stdin/stdout 管道交换 JSON-RPC 消息，无需网络传输，适合敏感操作如文件访问。使用场景，比如代码编辑器插件需要访问本地文件系统、数据库凭证管理等执行敏感的操作。

# 启动Server(Python示例)
import mcp
server = mcp.StdioServer(tools=[FileTool(), DBQueryTool()])
server.start()

# Host配置(伪代码)
mcp_client = Client(server_path="python mcp_server.py")

**2. 远程模式(SSE)**：基于 HTTP Server-Sent Events 的单向流通信，Client 发送 POST 请求后，Server 通过事件流持续返回结果。支持云端服务调用，比如 Slack 消息推送、长时任务执行、多 Host 共享工具服务。

# 启动Server(监听8080端口)
mcp-server --tools github_tool --port 8080

# Client调用
curl -X POST http://localhost:8080/mcp \
  -H "Content-Type: application/json" \
  -d '{
    "method": "github.search_repos",
    "params": {"query": "MCP protocol", "limit": 5}
  }'

2. 技术突破与优势

MCP 促进了AI 模型与外部世界之间的连接和交互。

1. 动态工具集成

支持运行时发现新工具(如临时接入 GitHub API)，突破传统预定义函数的限制。

2. 上下文感知

跨多步任务保持状态(例如先查数据库再生成报告)，避免传统 RAG 的单次检索局限。

3. 协议无关性

封装多种底层协议(HTTP/WebSocket)，统一为 JSON 消息格式，降低开发成本。

4. 生态兼容性

OpenAI、Google 等巨头已支持，推动协议成为行业标准。

3. 与传统技术对比

工具调用(Function Call) + 系统提示词(System Prompt)

MCP 和客户端对接的时候，根据客户端的不同，对接方式也有所不同。比如，Cline 依赖系统提示词不依赖 function call，而 5ire 则选择依赖 function call 功能没有使用系统提示词。所以 MCP 协议是一种灵活的协议，通用性能力更强，可以兼容市面上所有的大模型。

MCP 的本质是 AI 大模型的标准化工具箱。每个 MCP Server 通过 mcp.discover 方法返回结构化工具描述，其中，description 字段用自然语言描述功能，直接被注入 LLM 的 prompt 中。参数类型兼容 JSON Schema，但 不强制严格校验。

{
  "tools": [{
    "name": "send_email",
    "description": "发送邮件至联系人",  // LLM可读的语义描述
    "parameters": {                  // 参数Schema
      "recipient": {"type": "string", "description": "收件人邮箱"},
      "subject": {"type": "string"},
      "body": {"type": "string"}
    }
  }]
}

4. 简单开发的示例

协议：STDIO、SSE、Streamable HTTP！

下面是，官网 Python-SDK 给出的一个测试用例。即创建一个简单的 MCP 服务器，功能只包括计算器中的一个加法运算。这里使用的协议模式是 stdio，即标准输入输出。我们不需要启动 MCP Server 的服务，让客户端帮我们启动即可。

# 初始化我们自己的mcp服务
from mcp.server.fastmcp import FastMCP
mcp = FastMCP("Demo")

# tool声明下面这个函数是一个MCP工具
# tool类似于HTTP的RestAPI里面的Post方法
@mcp.tool()
def add(a: int, b: int) -> int:
    # 上面的类型修饰符必须写；有助于大模型理解传参类型
    # 注释必须写；给AI进行输入信息(必须语义正确)
    """Add two numbers"""
    return a + b


# resource类似于HTTP的RestAPI里面的Get方法
@mcp.resource("greeting://{name}")
def get_greeting(name: str) -> str:
    """Get a personalized greeting"""
    return f"Hello, {name}!"


if __name__ == "__main__":
    mcp.settings.host = "0.0.0.0"
    mcp.settings.port = 8000

    mcp.run(transport="stdio")

之后，添加运行成功之后，可以将协议改为 sse 远程调用方式。这时就需要我们手动现将之前写好的 MCP Server 的服务启动起来，再通过 API 接口调用。

# uv run ./main.py(http://127.0.0.1:8000/sse)
if __name__ == "__main__":
    mcp.run(transport="sse")

后续，还支持使用 streamable-http 可流式传输 HTTP 协议。

# uv run ./main.py(http://127.0.0.1:8000/mcp)
if __name__ == "__main__":
    mcp.run(transport="streamable-http")