模型上下文协议（MCP）完全指南：从AI代理痛点到实战开发
🔍 MCP基础与核心价值（背景）
(一) AI代理的局限性
- LLM原生能力边界：大型语言模型（LLM）仅能生成文本/图像等内容，无法直接执行外部操作（如预订航班、调用API）。
- 传统工具集成痛点：第三方平台API接口标准不一（如航班查询接口可能为
API/flights、flights/list或list-flights），需手动编写适配代码，扩展性极低。
- 传统工具集成痛点：第三方平台API接口标准不一（如航班查询接口可能为
(二) MCP的定义与定位
- 全称：模型上下文协议（Model Context Protocol）
- 核心功能：为AI代理提供与第三方平台交互的标准化上下文，定义工具调用、数据格式及通信规则。
- 类比：可视为AI代理与外部系统交互的"API使用说明书"，解决跨平台兼容性问题。
🤖 AI代理与MCP的关系（原理）
(一) AI代理工作流
- 用户输入解析：AI代理调用LLM识别用户意图（如"飞往伦敦"→提取目的地、日期等参数）。
- 工具选择：LLM协助确定需调用的第三方服务（如航班API、酒店数据库）。
- 数据交互：代理通过工具获取外部数据（如航班列表），结合用户偏好（如低价优先）。
- 决策执行：LLM分析数据后生成决策，代理执行操作（如预订航班）并反馈结果。
(二) MCP的解决痛点
| 无MCP场景 | 有MCP场景 |
|---|---|
| 需为每个API编写定制化适配代码 | 统一遵循MCP标准，代理自动适配各类服务 |
| 工具调用格式混乱（参数/响应不统一） | 标准化工具定义（输入输出schema、描述） |
| 无法动态发现第三方服务能力 | MCP服务器暴露工具列表，支持自动发现 |
🏗️ MCP架构与核心组件（技术细节）
(一) 架构 overview
- 客户端-服务器模型：
- MCP客户端：嵌入AI代理（如IDE插件Cursor、Windsurf），发起工具调用请求。
- MCP服务器：提供标准化接口，封装第三方服务能力，响应客户端请求。
- 传输协议：支持HTTP（远程通信）和标准IO（本地进程通信）。
(二) 三大核心组件
| 组件 | 定义 | 示例 |
|---|---|---|
| 资源（Resources） | 静态数据或元信息，供AI决策参考 | 机场代码列表、退改签政策、城市天气数据 |
| 工具（Tools） | 可执行操作接口，封装第三方API调用 | 航班搜索（输入：起止地/日期；输出：航班列表）、座位选择 |
| 提示（Prompts） | 预定义指令模板，优化LLM交互效果 | “作为旅行助手，调用search_flights工具时需指定origin/destination/date参数，日期格式为YYYY-MM-DD” |
📋 MCP规范与通信协议（标准）
(一) 核心规范要求
- 通信格式：采用JSON RPC 2.0协议，请求需包含：
jsonrpc: “2.0”（固定版本）method: 调用的工具名称（如"search_flights"）params: 输入参数（如{"origin":"LAX","destination":"JFK"}）id: 请求唯一标识-状态要求：连接必须有状态（Stateful），支持上下文保持（如长对话中的用户偏好记忆）。
(二) 客户端-服务器交互
- 能力发现：客户端请求MCP服务器暴露资源/工具列表（如
list_tools()）。 - 工具调用：客户端发送标准化请求（如调用
search_flights工具）。 - 上下文传递：服务器返回结构化响应，客户端结合LLM分析结果执行下一步操作。
🛠️ MCP实战开发（操作指南）
(一) 环境准备-
开发工具：Python +fast-mcpSDK（官方推荐）
- 依赖安装：
uv add mcp（通过uv包管理器安装MCP核心库） - Lab环境：提供VS Code服务器、Root Code AI助手及预配置API密钥（如OpenAI兼容接口）。
(二) 服务器开发步骤
1. 初始化服务器
frommcp.server.fastmcpimportFastMCP mcp=FastMCP(transport="stdio")# 传输方式：标准IO（本地）或HTTP（远程）- 定义资源（Resource）
@mcp.resource(type="file",name="airports")defget_airport_info():return{"LAX":"洛杉矶国际机场","JFK":"肯尼迪国际机场"}- 定义工具（Tool）
@mcp.tool(name="search_flights",description="查询航班信息")defsearch_flights(origin:str,destination:str,date:str):# 调用第三方API逻辑return[{"flight_no":"CA987","price":500}]- 定义提示（Prompt）
@mcp.prompt(name="find_best_flight",title="最优航班推荐")deffind_best_flight_prompt(preferences:dict):returnf"根据用户偏好{preferences}，从工具返回结果中选择最低价航班"- 启动服务器
mcp.run()# 默认监听标准IO，HTTP模式需指定端口：mcp.run(transport="http", port=8080)(三) 客户端配置
- IDE集成：通过mcp.json文件配置服务器连接信息，示例：
{"mcp_servers":[{"id":"flight-booking","command":"uv run python server.py","env":{"API_KEY":"xxx"}}]}- 核心功能：支持资源读取（read_resource(“airports”)）、工具调用（call_tool(“search_flights”, params)）及提示获取（get_prompt(“find_best_flight”)）。
💡 MCP高级特性（进阶）
(一) 客户端三大核心能力
| 能力 | 定义 | 应用场景 |
|---|---|---|
| Roots（根目录共享） | 客户端向服务器暴露本地文件系统路径 | AI代理读取项目代码（如Git历史、日志文件）进行调试 |
| Sampling（采样） | 服务器请求客户端调用LLM处理数据 | 服务器将航班列表发送给LLM，由其生成自然语言总结 |
| Elicitation（启发） | 服务器通过客户端向用户请求补充信息 | 航班预订时询问用户"是否需要购买行李额" |
(二) 典型应用场景
- 前端开发调试：MCP服务器提供浏览器控制台日志、HTML元素访问能力，AI代理自动定位UI bug。
- 数据工程：连接Stride/BigQuery等工具，AI代理分析缺失数据并生成清洗建议。
- 自动化运维：通过MCP访问监控系统，自动识别异常指标并执行恢复操作。
动手实践
MCP Labs for Free: https://kode.wiki/4lFwf5p
可以看到右手边已经起来配置远程的MCP
输入： Search for flights from LAX to JFK using the flight-booking server
点击VSCode 左下角的Approve就开始执行MCP
📝 补充细节
- MCP与LangChain的关系：MCP专注于外部系统交互标准化，可与LangChain等框架结合，增强代理的工具调用能力。
- 安全考量：远程MCP服务器需配置认证机制（如API密钥），客户端通过roots限制文件系统访问范围。
参考
- https://www.youtube.com/watch?v=RhTiAOGwbYE
- MCP Labs for Free: https://kode.wiki/4lFwf5p
