协议概述：不止是另一个API规范

一、协议概述：不止是另一个API规范

当我们在谈论大模型应用开发时，一个核心痛点就是如何让模型安全、高效地访问外部数据和能力。每个模型厂商、每个工具提供商都可能有自己的接口定义，这导致了碎片化和集成成本。MCP（Model Context Protocol） 正是为解决这个问题而生的一个开放协议，它由 Anthropic 提出并开源，旨在为大语言模型（LLM）与外部数据源、工具之间的通信建立一个标准化的“插座”。

简单来说，MCP 定义了一套客户端-服务器架构的通信标准。MCP 主机（如你的IDE、AI助手应用）内嵌的 MCP 客户端，可以与一个或多个 MCP 服务器进行交互。服务器则将特定的能力（如访问本地文件、查询数据库、调用特定API）封装并暴露出来。模型（或驱动它的应用逻辑）不再需要处理各种杂乱的 API 适配，而是通过统一的 MCP 协议来“发现”并“使用”这些能力。

提示： 你可以把 MCP 理解为 AI 世界的“USB 标准”。就像 USB 让各种外设（键盘、硬盘、摄像头）可以通过统一接口连接到电脑一样，MCP 让各种工具和数据源可以通过统一接口连接到大模型。

二、核心理念：为何需要一个新协议？

引入 MCP 并非重复造轮子，它针对大模型交互的独特需求进行了设计。传统的 REST API 主要为人类开发者设计，注重的是数据资源的 CRUD（增删改查）。而 MCP 则关注 模型作为“行动者” 的场景，其核心理念体现在：

能力发现与描述：MCP 服务器不仅提供功能，还会用标准化的 JSON Schema 详细描述每个功能（工具）的输入参数、输出格式和自然语言描述。这使得模型能够自主理解“我能做什么”以及“该如何调用”。
上下文与状态管理：交互不是无状态的。协议内置了会话上下文，允许进行多轮、有状态的工具调用，这对于复杂的任务链至关重要。
安全与沙箱：协议设计中强调了权限控制和沙箱机制。主机应用可以精细地控制客户端对服务器的访问权限，服务器也可以定义其工具的安全边界。

与直接为每个工具编写自定义集成代码相比，MCP 带来的优势是显而易见的：

对开发者：一次开发，即可让任何支持 MCP 的客户端（如各种 AI 助手）使用你的服务。
对应用构建者：可以灵活地组合来自不同提供者的、即插即用的能力模块，快速构建强大的 AI 应用。
对用户：获得更强大、更可扩展的 AI 助手体验，因为新的工具可以无缝接入。

三、技术架构：客户端、服务器与协议流程

MCP 的架构清晰，主要由三部分组成：

MCP 主机（Host）：发起连接的顶层应用，例如 Claude Desktop、一个自定义的聊天机器人后台，或者一个代码编辑器。它负责管理一个或多个 MCP 客户端实例。
MCP 客户端（Client）：维持与特定 MCP 服务器之间的一对一有状态连接。它负责协议层的握手、消息收发和错误处理。
MCP 服务器（Server）：轻量级程序，通过标准的协议暴露特定的资源（Resources）、工具（Tools）和提示模板（Prompts）。例如，一个“本地文件系统服务器”、“GitHub 服务器”或“公司知识库服务器”。

一个典型的交互流程如下：

初始化：主机启动时，配置好要连接的服务器列表。客户端根据配置与服务器建立连接，完成能力协商（例如，服务器声明自己支持 tools 和 resources 列表）。
发现：客户端查询服务器，获取它提供的所有工具、资源和提示的完整清单及描述。
调用：当模型决策需要某个工具时（例如，read_file），主机将调用请求通过对应的客户端发送给服务器。服务器执行实际操作（读取文件），并返回结构化结果。
流式传输（可选）：对于耗时操作或需要返回大量数据（如数据库查询结果），协议支持流式传输，允许服务器分块返回结果，保持交互的响应性。

四、核心概念详解：工具、资源与提示

MCP 服务器通过三大原语来暴露能力，理解它们是掌握协议的关键：

工具（Tools）：这是模型可执行的动作。它们是具有副作用的函数，例如 send_email(recipient, subject, body)、query_database(sql)。服务器通过 JSON Schema 描述工具的参数，模型必须提供符合 Schema 的输入才能调用。
资源（Resources）：这是模型可读取的数据，类似于文件系统中的文件或数据库中的只读视图。例如 file:///path/to/document.txt 或 postgres://db/customers。它们为模型提供上下文，通常不具备副作用。
提示模板（Prompts）：这是服务器预先定义的、可重用的交互模板，用于引导模型完成特定复杂任务。例如，一个“代码审查提示”模板，它可能内部组合了读取文件（资源）和调用静态分析工具（工具）等多个步骤。

提示： 工具和资源的核心区别在于副作用和控制权。工具是由模型“触发”执行的主动操作；资源是模型“请求”查看的被动数据。在设计中，将查询操作定义为资源，将变更操作定义为工具，是更安全清晰的做法。

五、动手实践：一个简单的 MCP 服务器示例

理解理论后，我们通过一个 Python 示例看看如何实现一个简单的 MCP 服务器。假设我们要创建一个能提供当前时间和执行简单计算的服务器。

首先，我们需要安装 MCP 的 Python SDK：

pip install mcp

然后，编写服务器代码：

import datetime
import mcp.types as types
from mcp.server import Server

# 创建一个 MCP 服务器实例
server = Server("example-calculator")

# 1. 定义一个‘工具’：执行加法运算
@server.call_tool()
async def call_tool(name: str, arguments: dict) -> list[types.TextContent]:
    if name == "add":
        a = arguments.get("a", 0)
        b = arguments.get("b", 0)
        result = a + b
        return [types.TextContent(type="text", text=str(result))]
    else:
        raise ValueError(f"Unknown tool: {name}")

# 2. 定义一个‘资源’：获取当前服务器时间
@server.read_resource()
async def read_resource(uri: str) -> str:
    if uri == "time://current":
        now = datetime.datetime.now().isoformat()
        return f"当前服务器时间：{now}"
    else:
        raise ValueError(f"Unknown resource: {uri}")

# 3. 列出服务器提供的能力
@server.list_tools()
async def list_tools() -> list[types.Tool]:
    return [
        types.Tool(
            name="add",
            description="将两个数字相加并返回和。",
            inputSchema={
                "type": "object",
                "properties": {
                    "a": {"type": "number", "description": "第一个数字"},
                    "b": {"type": "number", "description": "第二个数字"}
                },
                "required": ["a", "b"]
            }
        )
    ]

@server.list_resources()
async def list_resources() -> list[types.Resource]:
    return [
        types.Resource(
            uri="time://current",
            name="当前时间",
            description="获取服务器的当前时间。",
            mimeType="text/plain"
        )
    ]

# 启动服务器的简化示意（实际需处理传输层）
# async with stdio_server() as streams:
#     await server.run(streams[0], streams[1], server.create_initialization_options())

这个服务器提供了 add 工具和 time://current 资源。任何 MCP 客户端连接后，都能自动发现并使用它们，而无需知道底层实现细节。

六、应用场景与未来展望

MCP 的应用场景非常广泛，它正在成为构建 AI 原生应用的基石。几个典型场景包括：

增强型 IDE/编辑器：让 AI 助手能够直接理解你的整个代码库（资源），并执行编译、测试、提交代码（工具）。
智能客服与助手：连接企业内部的知识库（资源）、CRM 系统（工具）和订单数据库（资源），提供精准的服务。
自动化工作流：构建可以自主调度多个服务（如邮件、日历、项目管理工具）完成复杂任务的智能体。

展望未来，MCP 的发展将取决于其生态系统的繁荣。随着更多高质量的 MCP 服务器（如连接各种 SaaS 服务、本地应用、物联网设备）被开发出来，以及主流 AI 应用和框架对协议的采纳，一个真正“即插即用”的 AI 能力生态将会形成。届时，开发一个强大的 AI 应用，可能会像搭积木一样简单——你只需从“MCP 能力商店”挑选合适的服务器进行组合即可。

最后提示： 技术协议最终的成功在于社区和采用。MCP 目前处于早期但快速发展的阶段。对于开发者而言，现在正是关注并参与其中的好时机，无论是通过使用、贡献服务器实现，还是将其集成到自己的产品中。