用 MCP 把自己的接口接入 AI

概念

MCP和API的区别？

一句话总结：MCP 是为大模型量身定制的API，让模型能像人一样对话式调用工具；传统 API 则是给程序员用的，需要代码对接。

特性	MCP	传统 API
目标	给 LLM（大模型）提供上下文和功能，专为 LLM 设计	给应用或前端提供数据和功能，供人或程序调用
调用方式	可以通过工具（Tool）或资源（Resource）动态提供信息，支持提示模板（Prompt）和交互	通常是 REST/GraphQL 调用，直接请求数据或触发动作
返回内容	可以包含文本、结构化内容、ResourceLink（资源引用）等，便于 LLM 消化和生成	通常返回 JSON 或二进制数据
交互方式	支持持续会话、交互式输入（elicitation）、上下文感知	请求-响应模式，通常无持续会话（除非额外实现）
扩展性	可以随时动态注册/更新工具、资源、提示模板	扩展需要新增 API 接口或改后端逻辑

几个概念：

resources：类似API的GET接口，用来提供数据，不能有副作用。比如根据参数返回数据库查询结果
tools：类似POST操作，调用外部服务，然后返回结果
prompts：预定义好的对话模板，比如给review-code定义好一些预设，模型需要去review code时会把prompt添加到上下文

官方代码解释

GitHub - modelcontextprotocol/typescript-sdk: The official TypeScript SDK for Model Context Protocol servers and clients

typescript 复制代码

import { McpServer, ResourceTemplate } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { z } from "zod";

// Create an MCP server
const server = new McpServer({
  name: "demo-server",
  version: "1.0.0"
});

// Add an addition tool
server.registerTool("add",
  {
    title: "Addition Tool",
    description: "Add two numbers",
    inputSchema: { a: z.number(), b: z.number() }
  },
  async ({ a, b }) => ({
    content: [{ type: "text", text: String(a + b) }]
  })
);

// Add a dynamic greeting resource
server.registerResource(
  "greeting",
  new ResourceTemplate("greeting://{name}", { list: undefined }),
  { 
    title: "Greeting Resource",      // Display name for UI
    description: "Dynamic greeting generator"
  },
  async (uri, { name }) => ({
    contents: [{
      uri: uri.href,
      text: `Hello, ${name}!`
    }]
  })
);

// Start receiving messages on stdin and sending messages on stdout
const transport = new StdioServerTransport();
await server.connect(transport);

title、description是模型可读取的，用来知道工具的作用。inputSchema 告诉模型工具需要的参数和类型。

模型端会根据对话上下文或者用户输入生成参数，例如：

sequenceDiagram participant U as 用户 participant M as 模型 (LLM) participant MCP as MCP 服务器 participant T as 工具: add U->>M: 请输入 "请帮我算 3 + 5" M->>M: 解析意图 → 识别需要调用 add 工具 M->>M: 按 schema 生成参数 { a: 3, b: 5 } M->>MCP: 调用工具请求 (add, {a:3, b:5}) MCP->>T: 执行加法 T-->>MCP: 返回结果 8 MCP-->>M: 返回 { content: "8" } M-->>U: 回复 "结果是 8"

让大模型调用mcp

首先在本地创建mcp server

javascript 复制代码

# /Projects/mcp-demo

import { McpServer, ResourceTemplate } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { z } from "zod";

// Create an MCP server
const server = new McpServer({
  name: "demo-server",
  version: "1.0.0"
});

// Add an addition tool
server.registerTool("add",
  {
    title: "Addition Tool",
    description: "Add two numbers",
    inputSchema: { a: z.number(), b: z.number() }
  },
  async ({ a, b }) => ({
    content: [{ type: "text", text: String(a + b) }]
  })
);

// Add a dynamic greeting resource
server.registerResource(
  "greeting",
  new ResourceTemplate("greeting://{name}", { list: undefined }),
  { 
    title: "Greeting Resource",      // Display name for UI
    description: "Dynamic greeting generator"
  },
  async (uri, { name }) => ({
    contents: [{
      uri: uri.href,
      text: `Hello, ${name}!`
    }]
  })
);

// Start receiving messages on stdin and sending messages on stdout
const transport = new StdioServerTransport();
await server.connect(transport);

cursor使用

按command + shfirt + p ，输入 open mcp settings

点击 new mcp server，会创建 ~/.cursor/mcp.json，写入如下配置，保存后会全局生效:

json 复制代码

{
  "mcpServers": {
    "test-tools": {
      "command": "tsx",
      "args": ["/Projects/mcp-demo/server.ts"]
    }
  }
}

这样cursor就知道如何启动mcp服务器，列出所有工具、resource等等。

当你在 Cursor 配好 ~/.cursor/mcp.json 后：

Cursor 会在后台 启动你的 server.ts ，通过 stdio（标准输入/输出流）跟它通信；
启动时，MCP server 会向 Cursor 声明自己有哪些工具、资源、prompts；
模型对话时，如果 Cursor 判断需要用到某个 MCP 工具，就会把参数补齐，然后发消息给 MCP server；
MCP server 返回结果，Cursor 再交给模型。

这种是零开发成本，但前提是你在 Cursor 里使用。

自己实现调用逻辑

如果你有一个自己的 AI API 调用逻辑（例如调用 OpenAI、Anthropic、DeepSeek...），想让它知道 MCP 工具，就要模拟 Cursor 的做法：

流程分三步：

(1) 启动 MCP server

用 SDK 提供的 client 启动你的 server.ts：

typescript 复制代码

import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";
import { McpClient } from "@modelcontextprotocol/sdk/client/mcp.js";

const transport = new StdioClientTransport({
  command: "tsx",
  args: ["./server.ts"]
});

const client = new McpClient(transport);
await client.connect();

(2) 取出 MCP 工具定义

typescript 复制代码

const tools = await client.listTools();
console.log("Available tools:", tools);

这里会返回工具的 name, title, description, inputSchema ------ 你要把这些转成 OpenAI API 的 functions 或 Anthropic 的 tools 格式。

(3) 把工具注册给大模型

以 OpenAI 为例：

typescript 复制代码

import OpenAI from "openai";

const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY });

const completion = await openai.chat.completions.create({
  model: "gpt-4o-mini",
  messages: [{ role: "user", content: "请帮我算 3 + 5" }],
  tools: tools.map(tool => ({
    type: "function",
    function: {
      name: tool.name,
      description: tool.description,
      parameters: tool.inputSchema // MCP 的 schema 可以直接转
    }
  }))
});

(4) 执行工具调用

模型可能返回：

typescript 复制代码

{
  "tool_calls": [
    {
      "function": "add",
      "arguments": { "a": 3, "b": 5 }
    }
  ]
}

你就用 MCP client 去执行：

typescript 复制代码

const result = await client.callTool("add", { a: 3, b: 5 });
console.log("MCP result:", result);

再把结果发回模型，继续对话。