🤖 如何让你的 AI 代理集成 MCP 服务

juejin.cn/aicoding AI编程板块了解更多AI编程干货

🤔 为什么 AI 代理需要与 MCP 集成？

模型上下文协议（Model Context Protocol，MCP）解决了 AI 语言模型的一个根本性限制：它们无法直接访问专业工具、实时数据或外部系统。通过将 AI 代理与 MCP 集成，开发者可以：

克服 AI 局限性：弥合 AI 通用知识与特定领域能力之间的差距
创建可扩展系统：无需重新训练基础 AI 模型即可添加新工具和功能
构建模块化应用：将 AI 推理与专业工具执行分离

🌟 MCP 集成的主要优势

工具发现：AI 代理可以动态发现多个服务器上的可用工具
标准化接口：为 AI 与工具之间的通信提供一致的协议
分布式能力：通过统一接口访问各种提供商的专业工具
提高准确性：利用专门构建的工具执行特定任务，而不仅仅依赖 AI 近似
增强安全性：工具在具有定义明确的输入 / 输出契约的隔离环境中执行
实时数据访问：将 AI 响应与外部系统的当前信息连接起来

这种集成模式将 AI 从受训练数据限制的封闭系统转变为开放、可扩展的平台，能够按需利用专业能力。

🔄 与 MCP 服务器集成的 2 个步骤

🔌 MCP 客户端设置和服务器连接，工具发现

序列图

rust 复制代码

sequenceDiagram
    participant App as 应用程序
    participant Client as MCP 客户端
    participant Transport as StdioTransport
    participant Server as MCP 服务器
    
    App->>Client: initMCPServers()
    App->>Transport: new StdioClientTransport(config)
    Transport->>Server: 启动服务器进程
    Client->>Transport: client.connect(transport)
    Transport->>Server: 发送 hello
    Server->>Transport: Hello 响应
    Transport->>Client: 连接已建立
    Client->>Server: tools/list 请求
    Server->>Client: 可用工具列表
    Client->>App: 返回 McpServer 对象
    
    Note over App,Server: 服务器连接活跃
    
    App->>Client: disconnectAllServers()
    Client->>Transport: transport.close()
    Transport->>Server: 关闭连接
    Transport->>Client: onclose 事件
    Client->>App: 服务器已断开连接

代码示例

javascript 复制代码

import { Client } from "@modelcontextprotocol/sdk/client/index.js";
import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";
import { ListToolsResultSchema } from "@modelcontextprotocol/sdk/types.js";

async function connectToMcpServer(serverName, command, args = []) {
// 创建 MCP 客户端
const client = new Client(
    { name: "SimpleMCPClient", version: "1.0.0" },
    { capabilities: {} }
);

// 创建传输层
const transport = new StdioClientTransport({
    command: command,
    args: args,
    env: process.env,
    stderr: "pipe",
});

// 连接到服务器
await client.connect(transport);

// 获取可用工具
const toolsResponse = await client.request(
    { method: "tools/list" },
    ListToolsResultSchema
);
}

🧠 AI 代理交互

序列图

rust 复制代码

sequenceDiagram
    participant User as 用户
    participant App as 主应用程序
    participant AIAgent as AI 代理
    participant LLM as 语言模型
    participant McpClient as MCP 客户端
    participant Server as MCP 服务器
    
    User->>App: 查询
    App->>AIAgent: processUserQuery(servers, aiModel, query)
    AIAgent->>LLM: generateText(systemPrompt, query)
    LLM->>AIAgent: 带有工具调用的初始响应
    
    Note over AIAgent: 使用正则表达式解析工具调用
    
    loop 对于每个工具调用
        AIAgent->>McpClient: callMcpTool(servers, serverName, toolName, args)
        McpClient->>Server: tools/call 请求
        Server->>McpClient: 工具执行结果
        McpClient->>AIAgent: 格式化并返回结果
    end
    
    AIAgent->>LLM: 使用工具结果生成文本
    LLM->>AIAgent: 最终响应
    AIAgent->>App: 返回最终响应
    App->>User: 显示响应

代码示例

php 复制代码

import { generateText } from "ai";

// 工具调用的提示格式
const systemPrompt = `您可以使用以下格式调用工具：
<use_mcp_tool>
<server_name>server_name</server_name>
<tool_name>tool_name</tool_name>
<arguments>
{
"param1": "value1",
"param2": "value2"
}
</arguments>
</use_mcp_tool>

可用工具：
${servers.map(server => 
`服务器: ${server.name}\n工具: ${server.tools.map(t => 
    `${t.name} - ${t.description || '无描述'}`
).join(', ')}`
).join('\n')}`;

async function processWithAIAgent(model, servers, userQuery) {
// 获取可能包含工具调用的初始 AI 响应
const { text: aiResponse } = await generateText({
    model,
    system: systemPrompt,
    messages: [{ role: "user", content: userQuery }]
});

// 使用正则表达式提取工具调用
const toolCallRegex = /<use_mcp_tool>[\s\S]*?<server_name>([\s\S]*?)<\/server_name>[\s\S]*?<tool_name>([\s\S]*?)<\/tool_name>[\s\S]*?<arguments>([\s\S]*?)<\/arguments>[\s\S]*?<\/use_mcp_tool>/g;
const matches = [...aiResponse.matchAll(toolCallRegex)];

// 执行工具调用
const results = [];
for (const match of matches) {
    const serverName = match[1].trim();
    const toolName = match[2].trim();
    const args = JSON.parse(match[3].trim());
    
    const server = servers.find(s => s.name === serverName);
    if (server) {
    try {
        // 调用 MCP 工具
        const result = await server.client.request({
        method: "tools/call",
        params: {
            name: toolName,
            arguments: args
        }
        });
        results.push({ serverName, toolName, result: result.content });
    } catch (error) {
        results.push({ serverName, toolName, error: error.message });
    }
    }
}

// 使用工具结果生成最终响应
const finalResponse = await generateText({
    model,
    system: systemPrompt,
    messages: [
    { role: "user", content: userQuery },
    { role: "assistant", content: aiResponse },
    { role: "user", content: `工具结果: ${JSON.stringify(results)}` }
    ]
});

return finalResponse.text;
}

此代码展示了 AI 代理如何通过结构化工作流与 MCP 工具集成：

📝 系统提示告知 AI 关于可用 MCP 工具及其使用格式
💬 AI 生成可能包含结构化格式工具调用的响应
🔍 代码使用正则表达式解析这些工具调用，提取服务器名称、工具名称和参数
🛠️ 对于每个工具调用，它找到相应的服务器并执行请求的工具
📊 收集结果并将其发送回 AI 以生成最终响应

这种方法弥合了通用 AI 语言能力与专业计算任务之间的差距，创建了更强大且更有用的 AI 应用程序。

运行实例代码

点击 run demo 文件查看详细信息