前言
MCP刚刚发布的时候还是不温不火的，直到今年二月份cursor正式宣布接入对MCP功能的支持，才把这项功能推向了全体开发人员面前，本质来说他是一种技术Protocol，即种智能体Agent开发过程中共同约定的一种规范。这就好比秦始皇的"书同文、车同轨"，在统一的规范下，大家的协作效率就能大幅提高，最终提升智能体Agent的开发效率。截止目前，已上千种MCP工具诞生，在强悍的MCP生态加持下， 人人手搓Manus的时代即将到来。就像现在Vue的开发者尤雨溪一样像统一我们前端的开发工具链一样，因为这样开发效率会大大提升。
他比我们的Function Calling 好在哪里？
总的来说，MCP解决的最大痛点，就是Agent开发中调用外部工具的技术门槛过高的问题。我们都知道，能调用外部工具，是大模型进化为智能体Agent的关键，如果不能使用外部工具，大模型就
只能是个简单的聊天机器人，甚至连查询天气都做不到。
由于底层技术限制啊，大模型本身是无法和外部工具直接通信的，Function calling的思路，就是创建一个外部函数（function）作为中介，一边传递大模型的请求，另一边调用外部工具，最终让大模型能够间接的调用外部工具。
Function calling是个非常不错的技术设计，自诞生以来，一直被业内奉为圭臬。但唯一的问题就是，编写这个外部函数的工作量太大了，一个简单的外部函数往往就得上百行代码，而且，为了让大模型"认识"
这些外部函数，我们还要额外为每个外部函数编写一个JSON Schema格式的功能说明，此外，我们还需要精心设计一个提示词模版，才能提高Function calling响应的准确率。
MCP的出现
如果你看过MCP的说明文档你会发现，其实他不仅仅是你们在网上看到的 MCP server ，他还有 MCP client 的开发，MCP的目标，就是能在Agent开发过程中，让大模型更加便捷的调用外部工具。为此，MCP提出了两个方案，其一，"车同轨、书同文"，统一Function calling的运行规范。首先是先统一名称，MCP把大模型运行环境称作 MCP Client，也就是MCP客户端，同时，把外部函数运行环境称作MCP Server，也就是MCP服务器，下面我也会给大家分别介绍一下他们两个。
这是目前支持MCP的几个客户端 即MCP client
在日常工作和学习中，我们经常需要与浏览器、文件、数据库、代码仓库等外部工具打交道。传统方式中，我们需要手动截图或者复制文本，然后粘贴到AI窗口进行对话。MCP通过标准化的协议自动化了这些步骤。
MCP服务作为AI与外部工具的中间层，代替人类访问并操作外部工具。每个MCP服务（或称MCP server）专精于一类工作，比如读写浏览器、本地文件、操作git仓库等。
MCP 库这是这个网站的链接。
统一MCP客户端和服务器的运行规范，并且要求MCP客户端和服务器之间，也统一按照某个既定的提示词模板进行通信。"车同轨、书同文"最大的好处就在于，可以避免MCP服务器的重复开发，也就是避免外部函数重复编写。
例如，像查询天气、网页爬取、查询本地MySQL数据库这种通用的需求，大家有一个人开发了一个服务器就好，开发完大家都能复制到自己的项目里来使用，不用每个人每次都单独写一套。这可是促进全球AI开发者共同协作的好事儿，很快，GitHub上就出现了海量的已经开发好的MCP 服务器，从SQL数据库检索、到网页浏览信息爬取，从命令行操作电脑、到数据分析机器学习建模，等等等等，不一而足。 （之前的function calling 会存在 不同AI厂商要求不同的工具描述格式，导致同一工具需为不同平台重复开发适配层，还有硬编码耦合，编码耦合就像把工具直接钉死在工具箱里，想换个工具得把整个箱子拆了重做，特别费劲。）
如何去自己开发一个 MCP server
现在，只要你本地运行的大模型支持MCP协议，也就是只要安装了相关的库，仅需几行代码即可接入这些海量的外部工具，是不是感觉Agent开发门槛瞬间降低了呢。
这种"车同轨、书同文"的规范，在技术领域就被称作协议，例如http就是网络信息交换的技术协议。各类技术协议的目标，都是希望通过提高协作效率来提升开发效率，而MCP，Model Context Protocol，就
是一种旨在提高大模型Agent开发效率的技术协议。
那既然是协议，必然是使用的人越多才越有用。因此，为了进一普及MCP协议，Anthropic还提供了一整套MCP客户端、服务器开发的SDK，也就是开发工具，并且支持Python、TS和Java等多种语言，借助
SDK，仅需几行代码，就可以快速开发一个MCP服务器。
自己来写一个 MCP Server
其实步骤很简单，你只需要按我下面的步骤走即可。
环境配置流程
1. 安装包管理工具uv
# Linux/macOS
curl -LsSf astral.sh/uv/install.... | sh
# Windows (PowerShell)
irm astral.sh/uv/install.... | iex
⚠️ 安装后需重启终端
2. 创建项目目录
uv init weather && cd weather
3. 配置虚拟环境
# 创建虚拟环境 uv venv
# 激活环境 # Linux/macOS source .venv/bin/activate
# Windows ..venv\Scripts\activate
4. 安装依赖
uv add "mcp[cli]" httpx
5. 创建服务文件
touch weather.py # 创建空文件
项目结构验证
执行后应生成以下目录结构：
weather/
├── .venv/ # 虚拟环境
├── weather.py # 主程序文件
└── uv.lock # 依赖锁定文件
然后就是往里面写我们的MCP Server 脚本了
导入包并设置实例
一些需要使用的包 然后还有下面的这两行代码。
from mcp.server.fastmcp import FastMCP
# 初始化FastMCP服务器 mcp = FastMCP( "weather" ) // 可以填你们自己的文件名
然后是写你的辅助代码
一般是写处理请求：创建辅助函数来处理外部请求，例如API调用。确保这些函数能够处理错误并返回清晰的结果。
或者是数据格式化：定义函数来格式化或处理数据，以便于后续的使用或展示。这可能包括解析JSON响应或格式化输出。
然后是实现工具执行
写法是标记工具函数：
@mcp.tool()装饰器用于标记某个函数，使其成为MCP框架中的一个工具。这样，框架能够识别并处理这些工具函数。
下面是一个获取天气的代码demo
这里是只写了 ****@mcp.tool() , 但是他不止于通过工具提供功能，还有以下两个功能 （要给他写好详细的 docString,这样LLM才知道这个函数是用来做什么的）
- @mcp.resource(): 通过资源公开数据（可以将其视为 GET 端点；它们用于将信息加载到 LLM 的上下文中）
- @mcp.prompt(): 通过提示定义交互模式（LLM 交互的可重复使用模板）
最后就是运行服务器
最后，让我们初始化并运行服务器：
if __name__ == "__main__" : # 初始化并运行服务器 mcp . run(transport= 'stdio' )
现在我们去MCP CLIENT 里面使用他
我这里选择的是cursor ，你需要在你的 cursor 里 点开 settings
然后点击 MCP. ，再是 Add new global Mcp server，在你的 mcp.json 配置文件中加入 这个
当然你的 command 是你weather.py 脚本所在地的 地址 用 which uv 去获取
然后args 里面的 地址 也需要你去替换成自己的，配置完了之后，你再去点开你的 MCP ，你就能看到这个
说明他已经配置完成了。
现在我们就可以去我们cursor的agent模式中去提问今天的天气如何啦
总结
目前看来MCP 的强大之处在于，它可以让 AI 大模型与各种各样的工具和服务连接起来，从而实现更加复杂和强大的功能。今年注定是智能体爆发的一年，而MCP必然会大幅让这个过程加速，理解并使用好他才能应对时代的浪潮。