开源模型应用落地-模型上下文协议（MCP）-从数据孤岛到万物互联（一）

charles_vaez2025-04-09 7:09

一、前言

当开发者还在为每个AI工具编写臃肿的API适配器时，一场关于「连接」的技术革命已悄然降临。++模型上下文协议++ （MCP ）正在用一套全新的交互语法，重新定义人工智能与物理世界的对话方式。MCP 协议如同为AI系统装上了"万能接口"，通过标准化的客户端-服务器架构，将大语言模型（LLM）与数据库、API乃至物理设备无缝连接。它不仅是数据孤岛的破壁者------让实时更新的企业文档、代码仓库直接成为模型的"记忆延伸"；更是行动力的赋能器------从自动生成销售报告到远程操控IoT设备，AI得以突破虚拟边界，真正成为生产力工具。这种"知行合一"的特性，正在重新定义人机协作的深度与广度。

二、术语介绍

2.1.MCP

MCP协议（Model Context Protocol，模型上下文协议）是由Anthropic公司于2024年11月推出的开放标准协议，旨在为大型语言模型（LLM）与外部数据源、工具之间建立统一的通信接口。其核心作用在于解决AI模型因数据孤岛限制难以发挥潜力的问题，通过++标准化交互方式++提升AI应用的扩展性和实用性。

一、MCP协议的核心定义

​1.1. 协议定位

MCP被类比为AI领域的"USB-C接口"，通过解耦LLM与外部系统的集成，实现一次开发即可动态连接多种服务（如数据库、API、本地文件系统等）。例如，开发者无需为每个新工具单独定制接口，只需遵循MCP标准即可实现AI与工具的即插即用。

1.2. ​技术架构

采用客户端-服务器模型，包含三个核心组件：

  • MCP主机：运行AI模型的环境（如Claude桌面应用）；
  • MCP客户端：负责与服务器通信并转发请求；
  • MCP服务器：提供具体功能服务的轻量级程序（如文件管理或API调用）。

二、MCP协议的核心作用

​ 2.1. 统一交互标准

标准化JSON-RPC 2.0协议支持本地（标准输入输出）与远程（HTTP/SSE）通信，兼容Python、Java等多种编程语言，降低开发复杂度。例如，本地通信保障医疗数据安全传输，远程通信支持云端服务扩展。

​ 2.2. 动态扩展能力

通过资源（Resource）、工具（Tool）、提示（Prompt）三大核心概念，AI模型可自动发现新工具并实时交互。例如连接GitHub时，AI可自动提交代码或修复BUG，无需人工预定义接口。

​2.3. 安全与权限控制

内置权限验证机制，用户需手动批准敏感操作（如文件删除或邮件发送），确保数据隐私。在企业场景中，该特性尤为重要，如金融分析时需严格管控市场数据访问权限。

2.2.STDIO vs SSE

STDIO 和SSE是两种核心的传输机制，分别适用于不同的通信场景

（一）STDIO（标准输入输出）​

定义与实现：

STDIO模式通过标准输入（stdin）和标准输出（stdout）​实现本地进程间通信。客户端将MCP服务端作为子进程启动，双方通过JSON-RPC消息进行交互：

  • 客户端通过stdin发送请求，服务端通过stdout返回响应。
  • 消息以换行符分隔，且需严格遵守JSON-RPC 2.0格式。

作用与特点：

  • 高效低延迟：适用于本地开发或单一机器环境，避免了网络传输开销。
  • 简单易用：无需网络配置，适合快速集成命令行工具或调试。
  • 局限性：仅支持本地通信，无法扩展至分布式场景。

应用场景：

  • 本地AI助手与工具集成（如天气查询服务）。
  • 开发阶段的快速原型验证。

（二）SSE（Server-Sent Events，服务端推送事件）​

定义与实现

SSE模式基于HTTP协议，服务端通过单向流式通信主动推送数据至客户端：

  • 服务端需提供两个端点：SSE端点（用于客户端连接）和HTTP POST端点（用于客户端发送消息）。
  • 消息以SSE事件流形式传输，客户端通过长连接接收实时更新。

作用与特点

  • 实时性：支持服务端主动推送（如股票行情、实时日志），适用于需持续更新的场景。
  • 分布式支持：可跨物理机器部署，允许多客户端并发连接。
  • 协议限制：仅服务端到客户端单向通信，双向交互需结合HTTP POST请求。

应用场景：

  • 远程AI代理系统（如跨区域部署的智能客服）。
  • 需要实时数据流的应用（如IoT设备监控）。

对比与选择建议

2.3.UV

是由Rust编写的高性能包管理工具，主要用于项目的依赖管理和打包。

UV 作为 Python 生态中的新一代包管理工具，相比传统的 pip具有显著优势，主要体现在以下几个方面：

一、极速性能（10-100 倍提升）

UV 的核心竞争力在于其 ​Rust 语言实现的高性能引擎。以下为关键性能对比：

  • 依赖安装：安装大型项目（如 Trio）时，UV 耗时约 0.06 秒，而 pip 需要 1.56 秒，速度提升 26 倍。
  • 虚拟环境创建：UV 创建虚拟环境仅需 4.1 毫秒，而 pip 的 venv 需 1.5 秒，速度提升 365 倍。
  • 依赖解析：通过 PubGrub 算法优化和并行处理，UV 能快速解决复杂依赖冲突，尤其在处理大规模依赖树时优势明显。

二、功能集成（一站式解决方案）

UV ​整合了多个工具链，解决了 pip 需配合其他工具（如 virtualenv、pip-tools、pipx 等）的碎片化问题

三、兼容性与易用性

  • 无缝迁移：支持现有 requirements.txt 和 pyproject.toml，无需修改项目配置即可直接替换 pip。
  • 跨平台支持：兼容 Windows、macOS、Linux，并通过 全局缓存机制 减少重复下载，节省磁盘空间。
  • 开发者友好：错误信息更清晰，包含依赖冲突的详细跟踪。支持 pip 的高级功能（如可编辑安装、Git 依赖、本地包安装）

三、前置条件

3.1.基础环境及前置条件

1. 操作系统：无限

3.2.安装UV

以windows系统为例

（一）直接使用pip安装

bash 复制代码 
pip install uv

（二）使用脚本安装

bash 复制代码 
irm https://astral.sh/uv/install.ps1 | iex

3.3.初始化及安装依赖

bash 复制代码 
# 初始化项目
uv init mcp_test

# 切换目录
cd mcp_test

# 创建虚拟环境
uv venv -p 3.10

# 激活虚拟环境
.venv\Scripts\activate

# 安装依赖
uv add "mcp[cli]"

四、技术实现

4.1.MCP Server实现

python 复制代码 
# -*-  coding:utf-8 -*-
from mcp.server.fastmcp import FastMCP

DEAULT_TRANSPORT = "stdio"

# Create an MCP server
mcp = FastMCP("Demo")

# Add an addition tool
@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers"""
    print(f'a: {a},b: {b}')
    return a + b

# Add a dynamic greeting resource
@mcp.resource(uri="greeting://",name="greeting")
def get_greeting() -> str:
    """Get a personalized greeting"""
    return f"Hello, world!"

@mcp.resource(uri="greeting://{name}",name="greeting")
def get_greeting(name: str) -> str:
    """Get a personalized greeting"""
    return f"Hello, {name}!"

@mcp.prompt()
def review_code(code: str) -> str:
    return f"Please review this code:\n\n{code}"

if __name__ == "__main__":
    # Initialize and run the server
    print(f"start mcp server,transport: {DEAULT_TRANSPORT}...")  # 记录服务启动日志
    # mcp.run(transport='sse')
    mcp.run(transport=DEAULT_TRANSPORT)

调用：

直接在pycharm中运行

4.2.STDIO MCP Client实现

python 复制代码 
# -*-  coding:utf-8 -*-
import sys
import traceback

from mcp import ClientSession, StdioServerParameters, types
from mcp.client.stdio import stdio_client


# Create server parameters for stdio connection
server_params = StdioServerParameters(
    command="python",  
    args=["mcp_server.py"]
)

async def run():
    async with stdio_client(server_params,errlog=sys.stderr) as (read, write):
        async with ClientSession(
            read, write
        ) as session:

                # Initialize the connection
                await session.initialize()

                # List available prompts
                prompts = await session.list_prompts()
                print(f'prompts: {prompts}')

                # Get a prompt
                prompt = await session.get_prompt(
                    "review_code", arguments={"code": "11111"}
                )
                print(f'prompt: {prompt}')

                # List available resources
                resources = await session.list_resources()
                print(f'resources: {resources}')

                resource = await session.read_resource('greeting://test')
                print(f'resource: {resource}')

                # List available tools
                tools = await session.list_tools()
                print(f'tools: {tools}')

                # Call a tool
                result = await session.call_tool("add", arguments={"a": 3, "b": 2})
                print(f'result: {result}')


if __name__ == "__main__":
    import asyncio

    asyncio.run(run())

调用：

直接在pycharm中运行

4.3.SSE MCP Client实现

python 复制代码 
# -*-  coding:utf-8 -*-
from mcp import ClientSession
from mcp.client.sse import sse_client


async def run():
    async with sse_client(url='http://localhost:8000/sse') as (read, write):
        async with ClientSession(
            read, write
        ) as session:
            # Initialize the connection
            await session.initialize()

            # List available prompts
            prompts = await session.list_prompts()
            print(f'prompts: {prompts}')

            # Get a prompt
            prompt = await session.get_prompt(
                "review_code", arguments={"code": "11111"}
            )
            print(f'prompt: {prompt}')

            # List available resources
            resources = await session.list_resources()
            print(f'resources: {resources}')

            resource = await session.read_resource('greeting://test')
            print(f'resource: {resource}')

            # List available tools
            tools = await session.list_tools()
            print(f'tools: {tools}')

            # Call a tool
            result = await session.call_tool("add", arguments={"a": 3,"b": 2})
            print(f'result: {result}')

if __name__ == "__main__":
    import asyncio

    asyncio.run(run())

调用：

直接在pycharm中运行，需要先修改MCP Server中的transport，调整为sse方式。

相关推荐
风筝超冷10 分钟前
Seq2Seq - GRU补充讲解
人工智能·深度学习·gru
意.远36 分钟前
PyTorch模型构造实战：从基础到复杂组合
人工智能·pytorch·python·深度学习·神经网络·机器学习
用户54344328444071 小时前
一文读懂 Tokens 的原理、应用与成本优化
aigc
草梅友仁1 小时前
AI 开发 afdian-linker 与 GitHub 加星仓库推荐 | 2025 年第 15 周草梅周报
开源·aigc·github copilot
小机学AI大模型2 小时前
【深度学习基础】神经网络入门：从感知机到反向传播
人工智能·深度学习·神经网络
KarudoLee3 小时前
AIGC1——AIGC技术原理与模型演进：从GAN到多模态融合的突破
人工智能·生成对抗网络·aigc
小溪彼岸3 小时前
【Cursor实战】从0开发一个小程序到被拒
微信小程序·aigc·cursor
进取星辰3 小时前
PyTorch 深度学习实战（36）：混合精度训练与梯度缩放
pytorch·python·深度学习
liruiqiang053 小时前
循环神经网络 - LSTM 网络的各种变体
人工智能·rnn·深度学习·神经网络·机器学习·lstm
L_cl4 小时前
【NLP 58、利用trl框架训练LLM】
人工智能·深度学习·自然语言处理
热门推荐
01我决定放弃搞 Java 了02RAG 实践- Ollama+RagFlow 部署本地知识库03从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑04Vue3 + TypeScript 的 Hooks 实用示例05DeepSeek RAGFlow构建本地知识库系统06如何在WPS和Word/Excel中直接使用DeepSeek功能07第八节：Nodify 编辑器属性08汽车上的各种质量：整备质量、总质量、装载质量、簧上质量、簧下质量09DeepSeek各版本说明与优缺点分析10【WRF理论第十三期】详细介绍 Registry 的作用、结构和内容