大模型MCP示例

1. 工具发现（Tool Discovery）​​

• ​​客户端行为​ ​：

  用户输入问题后，客户端（如Claude Desktop）向已配置的MCP服务器（如高德地图MCP服务）发送请求，获取可用的工具列表。

  • ​​请求示例​​（HTTP GET）：

    http复制GET https://mcp.amap.com/tools/list

  • ​​响应示例​​（JSON）：

    json复制{
      "tools": [
        {
          "name": "maps_weather",
          "description": "查询指定城市的实时天气数据",
          "parameters": {
            "city": "string"
          }
        }
      ]
    }

• ​​LLM决策​ ​：

  LLM（如Claude）解析用户问题，匹配工具描述，发现maps_weather工具适合回答天气查询，并提取参数city: "北京"。

​​2. 工具调用（Tool Execution）​​

• ​​客户端发起调用​ ​：

  客户端根据LLM生成的参数，向MCP服务器发送工具调用请求。

  • ​​请求示例​​（HTTP POST）：

    http复制POST https://mcp.amap.com/tools/call
    Headers: {"Content-Type": "application/json"}
    Body: {
      "tool": "maps_weather",
      "parameters": {"city": "北京"}
    }

• ​​MCP服务器执行​ ​：

  高德地图MCP服务收到请求后：

  1. 验证API权限和参数有效性。

  2. 调用内部天气API（如高德开放平台）获取实时数据。

  3. 返回结构化结果。

  • ​​响应示例​​：

    json复制{
      "result": {
        "city": "北京",
        "weather": "晴天",
        "temperature": "22℃",
        "humidity": "45%"
      }
    }

​​3. 结果整合（Response Generation）​​

• ​​LLM生成自然语言回复​ ​：

  LLM接收MCP返回的JSON数据，转换为用户友好的自然语言：

  plaintext复制"北京今天晴天，22℃，湿度45%。"

  • ​关键动作​ ：
    • 提取weather和temperature字段。
    • 忽略冗余数据（如湿度，除非用户明确询问）。
    • 补充上下文（如"今天"）。

​​4. 协议交互流程图​​

关键设计特点​​

1. ​解耦LLM与工具​ ：
   • LLM无需预置工具代码，通过动态发现和调用扩展能力。
2. ​标准化接口​ ：
   • 所有工具遵循相同的/tools/list和/tools/call端点。
3. ​安全控制​ ：
   • MCP服务器可限制敏感工具（如数据库写入）的访问权限。

​​对比其他协议（如OpenAI Function Calling）​​

特性

MCP协议

OpenAI Function Calling

​​工具发现​​

动态获取（需主动请求/tools/list）

静态预定义（在API请求中传递工具描述）

​​执行方式​​

客户端直接调用MCP服务器

由OpenAI后端代理调用工具

​​适用场景​​

私有化部署、复杂工具链

快速集成OpenAI生态工具

通过这一流程，MCP协议实现了​​自然语言→工具调用→自然语言​​的闭环，同时保持灵活性和安全性。开发者可通过扩展MCP服务器支持更多工具（如股票查询、航班预订），而无需修改LLM核心逻辑。