MCP — 让AI变得更“百搭”

想象你有一部超级智能的手机（就像LLM大语言模型），它能聊天、写代码、回答问题，但有个缺点------不能直接连WiFi、用蓝牙，也读不了你的相册。这时候，你需要一个"万能转接器"，让手机能连接各种设备和服务。MCP（Model Context Protocol）就相当于AI世界里的"USB-C接口"，让AI通过统一的"插头"对接外部能力，比如查天气、读文件、发邮件。

MCP的"三人组"：谁在负责什么？

MCP就像一家分工明确的公司，由三个核心角色组成：

MCP Host（需求方） ：

你直接打交道的"AI助手"（比如智能IDE、聊天机器人），负责接收你的需求（如"查明天天气"），并协调AI和外部资源。
- 类比：餐厅里的服务员，帮你传达点餐需求给厨房。

MCP Client（翻译官） ：

- Host内部的"翻译员"，把你的需求转换成MCP协议能理解的"语言"，再把外部服务的响应翻译回Host能懂的格式。
- 类比：服务员手里的订单纸，把你的话写成厨师能看懂的菜单。

MCP Server（能力供应商） ：

- 提供具体功能的"工具箱"，比如查天气、读本地文件、查火车票等。它不是工具本身，而是工具的"标准化展台"。
- 类比：餐厅后厨的各个灶台（负责炒菜、煮汤等不同功能）。

MCP Server的"三件宝"：资源、工具、模板

Server能提供三种"能力"，就像厨房的"食材、厨具和菜谱"：

Resources（资源） ：静态/半动态数据，比如日志、配置文件、历史订单（相当于"未加工的食材"）。 # 示例：在您的代码中添加资源定义 @mcp.resource("weather://api/documentation") def get_api_documentation() -> str: """NWS API 使用文档""" return """ NWS Weather API 文档： - 端点: api.weather.gov - 格式: GeoJSON - 限制: 请包含 User-Agent - 认证: 无需认证 """
Tools（工具） ：可执行的具体任务，比如计算数据、发送邮件、查询股票（相当于"菜刀、锅铲"）。 # 示例：在工具中使用更详细的提示 @mcp.tool() async def get_alerts(state: str) -> str:
Prompts（提示模板） ：可复用的AI指令模板，比如固定的报告格式、回复语气（相当于"菜谱步骤"）。 # 示例：添加一个系统级的提示 @mcp.prompt() def weather_expert_prompt() -> str: """你是一个专业的气象专家，能够准确解读天气数据和警报。用清晰、专业但易懂的语言解释天气信息，提醒用户注意安全。""" return "你是一个专业的气象专家，能够准确解读天气数据和警报。"

做饭 analogy ：

当你让AI做"凉拌黄瓜"时：

Resources = 老家产的黄瓜（原始数据）
Tools = 切菜、拌调料（具体操作）
Prompts = "必须放香菜"（偏好模板）
AI会自己判断用什么食材、工具和步骤，最终做出符合要求的菜。

动手体验：用MCP给AI"装插件"

你不需要是程序员也能感受MCP的强大。以VS Code的"通义灵码"插件为例：

安装"车票查询插件" ：在插件中找到"12306-MCP车票查询工具"，一键添加（相当于给AI装了"查火车的APP"）。
提问测试：问"周六北京到天津的快车次"，AI会自动调用工具：

查当前时间 → 查北京/天津车站代码 → 查车次信息 → 筛选最快车次。

小实验：你甚至可以自己写一个简单的MCP Server，比如定义"1+1=3"的工具。AI虽然知道正确答案是2，但会遵守工具规则输出3------这就像职场中AI能严格执行"特殊业务流程"。

举个例子：当你问AI"北京未来几天的天气情况？"，AI本身没有实时天气数据，但通过MCP协议，它能"插"上气象数据的接口，获取最新信息后再回答你。

python 复制代码

# mcp示例代码
from typing import Any
import httpx
from mcp.server.fastmcp import FastMCP

# Initialize FastMCP server
mcp = FastMCP("weather")

# Constants
NWS_API_BASE = "https://api.weather.gov"
USER_AGENT = "weather-app/1.0"

async def make_nws_request(url: str) -> dict[str, Any] | None:
    """Make a request to the NWS API with proper error handling."""
    headers = {
        "User-Agent": USER_AGENT,
        "Accept": "application/geo+json"
    }
    async with httpx.AsyncClient() as client:
        try:
            response = await client.get(url, headers=headers, timeout=30.0)
            response.raise_for_status()
            return response.json()
        except Exception:
            return None

def format_alert(feature: dict) -> str:
    """Format an alert feature into a readable string."""
    props = feature["properties"]
    return f"""
Event: {props.get('event', 'Unknown')}
Area: {props.get('areaDesc', 'Unknown')}
Severity: {props.get('severity', 'Unknown')}
Description: {props.get('description', 'No description available')}
Instructions: {props.get('instruction', 'No specific instructions provided')}
"""

@mcp.tool()
async def get_alerts(state: str) -> str:
    """Get weather alerts for a US state.

    Args:
        state: Two-letter US state code (e.g. CA, NY)
    """
    url = f"{NWS_API_BASE}/alerts/active/area/{state}"
    data = await make_nws_request(url)

    if not data or "features" not in data:
        return "Unable to fetch alerts or no alerts found."

    if not data["features"]:
        return "No active alerts for this state."

    alerts = [format_alert(feature) for feature in data["features"]]
    return "\n---\n".join(alerts)

@mcp.tool()
async def get_forecast(latitude: float, longitude: float) -> str:
    """Get weather forecast for a location.

    Args:
        latitude: Latitude of the location
        longitude: Longitude of the location
    """
    # First get the forecast grid endpoint
    points_url = f"{NWS_API_BASE}/points/{latitude},{longitude}"
    points_data = await make_nws_request(points_url)

    if not points_data:
        return "Unable to fetch forecast data for this location."

    # Get the forecast URL from the points response
    forecast_url = points_data["properties"]["forecast"]
    forecast_data = await make_nws_request(forecast_url)

    if not forecast_data:
        return "Unable to fetch detailed forecast."

    # Format the periods into a readable forecast
    periods = forecast_data["properties"]["periods"]
    forecasts = []
    for period in periods[:5]:  # Only show next 5 periods
        forecast = f"""
{period['name']}:
Temperature: {period['temperature']}°{period['temperatureUnit']}
Wind: {period['windSpeed']} {period['windDirection']}
Forecast: {period['detailedForecast']}
"""
        forecasts.append(forecast)

    return "\n---\n".join(forecasts)

if __name__ == "__main__":
    # Initialize and run the server
    mcp.run(transport='stdio')

效果

MCP vs Function Calling：为什么MCP更"香"？

Function Calling：各AI厂商（如OpenAI、Anthropic）自己的"接口标准"，就像不同品牌手机用不同充电口，换手机就要换充电器。
MCP：统一的"通用充电口"，无论你用哪个品牌的AI，都能通过同一套协议对接工具，降低了适配成本。

MCP的意义：让每个人都能"训练"AI

MCP最大的价值，是让非技术团队也能参与AI能力建设：

业务同学可以把操作手册、故障复盘文档通过MCP传给AI，让AI成为团队的"知识库助手"。
新员工入职时，AI能通过MCP调用历史资料，快速解答疑问，降低培训成本。

未来挑战与展望

MCP目前还有一些待解决的问题：比如工具组合调用如何更智能、如何避免数据过载、安全权限如何管理等。但就像早期的互联网协议一样，MCP正在通过"边用边完善"的方式进化。

总结：MCP不是让AI变得更聪明，而是让AI变得更"百搭"------它像一个万能接口，让AI能轻松连接现实世界的各种能力，最终成为每个人的"超级助理"。