AI搜索 MCP最佳实践

背景

那些 LLM 不知道的事

尝试直接询问LLM"今天天气如何"时，会发现LLM无法回答------它既不知道"今天"是哪天，也无法获取地理位置信息。这揭示了LLM的局限：缺乏与外部工具和实时数据的交互能力。

为解决这一问题，MCP（Model Context Protocol）应运而生。通过标准化协议，MCP使LLM能够自主调用工具（如天气API、地理位置服务），并解耦Agent与Tools的开发，显著降低维护和迭代成本。

当 LLM 学会用工具

"让 LLM 自己学会用工具，来解答用户问题。"

上面这句话中，出现了三个角色，"用户"、"工具"、"LLM"，以及隐藏的第四个角色------将这一切粘合起来的"主控程序"。关于四者的交互流程，下图供以参考：

MCP 干嘛来了

没有 MCP，我要怎么做按照 Agent+FunctionCall 的模式，我设计了工具 schema，走通了 LLM 的服务调用，终于让 LLM 学会了用工具。但随着工具越来越多、工具调用与 LLM 耦合地越来越深，不管是维护还是迭代，都会消耗大量的精力。

那么，问题来了： • 能不能实现 Agent 与 Tools 的解耦？ • 能不能能统一不同 Tools 的调用协议，让模型快速接入？ • 能不能实现 Tools 的共享？

有了 MCP，我会怎么做

现在有了 MCP，一切都好起来了： • Agent 和 Tools，我可以分开维护了。 • 再多的 Tools，我用"list_tools"+"call_tool"就解决了。 • 我可以分享自己的 Tools，也可以快速接入别人的 Tools了。

近距离看看 MCP

MCP is an open protocol that standardizes how applications provide context to LLMs. Think of MCP like a USB-C port for AI applications. Just as USB-C provides a standardized way to connect your devices to various peripherals and accessories, MCP provides a standardized way to connect AI models to different data sources and tools.

MCP 架构中的角色主要有以下几种：

• MCP Hosts: 相当于上文提到的"主控程序"，比如 Claude Desktop、IDE 等。

• MCP Clients: 服务调用的客户端，通常会被集成到 Host 中执行 list_tools、call_tool 等操作。

• MCP Servers: 服务调用的服务端，通常在此定义 tools、prompts、resources 等。

• Local Data Sources: 本地数据。

• Remote Services: 远端服务。

ps：写了个 mcp demo，就想让 LLM 告诉我，今天天气到底如何？ mcp = FastMCP("Demo")

mcp 复制代码

@mcp.tool(
    name="get_current_time",
    description="获取当前时间",
)
def get_current_time():
    """
       获取当前时间并进行格式化展示
       :return:
    """
    now = datetime.datetime.now()
    formatted_time = now.strftime("%Y-%m-%d %H:%M:%S")
    return formatted_time


@mcp.tool(
    name="get_location",
    description="获取当前地点",
)
def get_location():
    """
       获取当前地点
       :return:
    """
    try:
        response = requests.get("http://ip-api.com/json/")
        data = response.json()

        if data["status"] == "success":
            location_info = {
                "country": data.get("country", ""),
                "region": data.get("regionName", ""),
                "city": data.get("city", "")
            }
            return json.dumps(location_info, ensure_ascii=False)
        else:
            return json.dumps({"error": "无法获取地理位置"}, ensure_ascii=False)
    except Exception as e:
        return json.dumps({"error": str(e)}, ensure_ascii=False)

AI 搜索怎么玩 MCP

场景一：文件解析与总结

描述：通过阿里云AI搜索开放平台集成MCP，快速调用文件解析工具，降低开发门槛。

前置准备：

1.1. 注册阿里云 AI 搜索开放平台，获取 API 密钥。

1.2. VSCODE 配置 Cline 工具，集成阿里云 MCP 服务器。

1.3. Cline 配置 LLM 接口

API Provider 选择 OpenAI Compatible

Base URL设为 dashscope.aliyuncs.com/compatible-...

1.4. 安装 UV，管理 Python 环境

curl -LsSf astral.sh/uv/install.... | sh

或者

pip install uv

Cline 配置 MCP Server

2.1. 下载 alibabacloud-opensearch-mcp-server

2.2. 配置mcp server

{ 复制代码

	"mcpServers": {
		"aisearch-mcp-server": {
			"command": "uv",
			"args": [
				"--directory",
				"/path/to/aisearch-mcp-server",
				"run",
				"aisearch-mcp-server"
			],
			"env": {
				"AISEARCH_API_KEY": "<AISEARCH_API_KEY>",
				"AISEARCH_ENDPOINT": "<AISEARCH_ENDPOINT>"
			}
		}
	}
}

3.业务价值：

• 降低接入成本：通过阿里云标准化接口快速集成搜索服务。

• 灵活扩展：支持以AI搜索为核心丰富的模型服务，可满足多样化的业务需求，加速产品迭代立即体验：阿里云AI搜索开放平台

场景二：向量检索及排序

描述：结合OpenSearch向量检索版，支持动态扩展与精准查询，优化成本。

1.前置准备

（新增）开通 Opensearch向量检索版，构建一张向量表。

（其他）同场景一

2.Cline 配置 MCP Server

2.1. 下载 alibabacloud-opensearch-mcp-server

2.2. 配置mcp server

{ 复制代码

	"mcpServers": {
		"aisearch-mcp-server": {
			"command": "uv",
			"args": [
				"--directory",
				"/path/to/aisearch-mcp-server",
				"run",
				"aisearch-mcp-server"
			],
			"env": {
				"AISEARCH_API_KEY": "<AISEARCH_API_KEY>",
				"AISEARCH_ENDPOINT": "<AISEARCH_ENDPOINT>"
			}
		},
    "opensearch-vector-mcp-server": {
			"command": "uv",
			"args": [
				"--directory",
				"/path/to/opensearch-vector-mcp-server",
				"run",
				"opensearch-vector-mcp-server"
			],
			"env": {
				"OPENSEARCH_VECTOR_ENDPOINT": "http://ha-cn-***.public.ha.aliyuncs.com",
				"OPENSEARCH_VECTOR_USERNAME": "<username>",
				"OPENSEARCH_VECTOR_PASSWORD": "<password>",
				"OPENSEARCH_VECTOR_INSTANCE_ID": "ha-cn-***",
				"OPENSEARCH_VECTOR_INDEX_NAME": "<Optional: index in vector table>",
				"AISEARCH_API_KEY": "<Optional: AISEARCH_API_KEY for embedding>",
				"AISEARCH_ENDPOINT": "<Optional: AISEARCH_ENDPOINT for embedding>"
			}
		}
	}
}

3.业务价值：

• 精准检索：结合阿里云向量数据库，支持动态扩展和无缝集成。

• 成本优化：按需付费模式，降低向量检索的计算成本。

立即体验：阿里云OpenSearch向量检索

场景三：Elasticsearch 智能检索

描述：集成阿里云ES服务，实现高效实时数据分析与容灾保障。

1.前置准备

（新增）开通 Elasticsearch，创建一份索引并写入测试数据

（其他）同场景一

2.Cline 配置 MCP Server

2.1.参考 elasticsearch-mcp-server

2.2.配置mcp server

{ 复制代码

  "mcpServers": {
    "elasticsearch-mcp-server": {
      "command": "npx",
      "args": [
        "-y",
        "@elastic/mcp-server-elasticsearch"
      ],
      "env": {
        "ES_URL": "http://es-cn-***.public.elasticsearch.aliyuncs.com:9200",
        "ES_USERNAME": "<USERNAME>",
        "ES_PASSWORD": "<PASSWORD>"
      }
    }
  }
}

3.业务价值：

• 实时分析：支持全文搜索、复杂查询及实时数据分析。

• 高可靠性：阿里云 ElasticSearch 提供多副本容灾，保障数据安全。

立即体验：阿里云Elasticsearch

为什么选择阿里云 MCP 解决方案？

选择阿里云 MCP 解决方案的核心原因在于其通过标准化协议与全生命周期服务，显著降低工具链集成复杂度并加速AI应用落地。阿里云 MCP 以协议驱动替代传统硬编码模式，实现跨平台工具调用：

• AI搜索开放平台：提供丰富的 AI 搜索组件化服务服务，调用多模态数据解析、大语言模型、效果测评等数十个服务，实现智能搜索、检索增强生成（RAG）、多模态搜索等场景的搭建，例如：智能客服、对话式搜索、图谱增强、个性化推荐等。

• OpenSearch：内置了各行业的查询语义理解、机器学习排序算法等能力，并充分开放了文本向量检索引擎能力，助力开发者快速搭建智能搜索服务。通过 AI 搜索开放平台，用户可以灵活调用多模态数据解析、文档切分、文本向量、大模型文本生成等组件化服务，满足多种搜索场景需求，例如：电商、内容资讯、游戏、金融等多种行业场景。

• 阿里云 Elasticsearch：可以快速地、近乎于准实时地存储、查询和分析超大数据集，广泛应用于实时日志处理、信息检索、数据的多维查询和统计分析等场景，如：智能客服、企业内部知识库、电商导购、数据服务等。通过 MCP 协议，可快速调用阿里云 OpenSearch 、ElasticSearch 等工具，帮助企业快速集成工具链、降低开发复杂度、提升业务效率。

AI搜索 MCP最佳实践

背景

那些 LLM 不知道的事

当 LLM 学会用工具

MCP 干嘛来了

近距离看看 MCP

AI 搜索怎么玩 MCP

场景一：文件解析与总结

场景二：向量检索及排序

场景三：Elasticsearch 智能检索

为什么选择阿里云 MCP 解决方案？

更多资讯