MCP 学习笔记（1）

AI 时代的新鲜事层出不穷，MCP（Model Context Protocol）又火了起来。

Anthropic 于 2024 年 11 月推出了模型上下文协议 (MCP)，这是 LLM 与各种数据源之间数据交换的开放标准。该协议为 LLM 提供了一种简化的方法，可以与工具和服务集成以执行任务，例如在本地系统上搜索文件、访问 GitHub 存储库以编辑文件以及简化与外部平台的交互。

如何理解模型上下文协议这个名称？我一直主张将context 翻译成"脉络" ，MCP 翻译成大模型脉络协议。比较容易理解，MCP 协议是大模型应用中信息脉络的协议，用于传输大模型与各种信息源之间的数据。脉络具有相互之间流动关系的含义。

也有人将MCP 比作AI 时代的软件USB，也就是认为MCP 可能成为AI 系统中的一个通用的，即插即用的接口协议。

MCP vs Function Calling

其实，在MCP 出现之前，大模型也有方法访问外部数据的，这就是函数调用（function Calling）。

给大模型提供一组函数（Tools）每个函数都有一个描述，大语言模型在推理过程中调用合适的函数，例如搜索，获取气象数据等等。

只不过函数如何调用各种外部服务的方式是不尽相同的，MCP 将这些外部服务的协议统一标准化了。

任何支持函数调用的 LLM（例如 Ollama 或 Qwen）都可以与其一起使用。只要在function 中实现MCP 就可以了。

MCP 是一种Client/Server 协议。

MCP 系统中的几个组成部分：

MCP 主机：希望通过 MCP 访问数据的程序，例如 Claude Desktop、IDE 或 AI 工具
MCP 客户端：与服务器保持 1:1 连接的协议客户端
MCP 服务器：轻量级程序，每个程序都通过标准化模型上下文协议公开特定功能
本地数据源：MCP 服务器可以安全访问的您的计算机文件、数据库和服务
远程服务：MCP 服务器可通过互联网（例如通过 API）连接到的外部系统

网络上大多数介绍的是LLM 通过MCP 调用外部资源，其实作为一种网络协议，应用的场合非常多，例如应用程序通过MCP 调用基于LLM 的Agent 也是可以的。MCP 也可以作为Agent To Agent。Agent To Service 的协议。

MCP 的支持

实现MCP 不是困难的事情，现在许多的应用和LLM 开始支持MCP。

LangChain MCP 适配器

LangChain 是流行的LLM 应用程序构建工具，现在通过MCP 适配器支持MCP

https://github.com/langchain-ai/langchain-mcp-adapters

安装

复制代码

pip install langchain-mcp-adapters

快速开始

复制代码

pip install langchain-mcp-adapters langgraph langchain-openai

export OPENAI_API_KEY=<your_api_key>

服务器

python 复制代码

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

mcp = FastMCP("Math")

@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b

@mcp.tool()
def multiply(a: int, b: int) -> int:
    """Multiply two numbers"""
    return a * b

if __name__ == "__main__":
    mcp.run(transport="stdio")

客户端

python 复制代码

# Create server parameters for stdio connection
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

from langchain_mcp_adapters.tools import load_mcp_tools
from langgraph.prebuilt import create_react_agent

from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-4o")

server_params = StdioServerParameters(
    command="python",
    # Make sure to update to the full absolute path to your math_server.py file
    args=["/path/to/math_server.py"],
)

async with stdio_client(server_params) as (read, write):
    async with ClientSession(read, write) as session:
        # Initialize the connection
        await session.initialize()

        # Get tools
        tools = await load_mcp_tools(session)

        # Create and run the agent
        agent = create_react_agent(model, tools)
        agent_response = await agent.ainvoke({"messages": "what's (3 + 5) x 12?"})

OpenAI 使用MCP

https://github.com/openai/openai-agents-python