MCP协议的核心架构基础

一、MCP协议的核心架构

MCP协议的核心是充当 "工具路由器"，协调AI与外部工具的交互。其架构通常包含以下模块：

模块	功能
工具注册中心	存储所有可用工具的定义（名称、参数、权限、执行函数等）。
请求解析器	解析AI生成的工具调用请求，验证格式和权限。
执行引擎	调用具体工具（同步/异步），管理执行状态（如超时、重试）。
结果格式化器	将工具返回的原始数据转换为AI可理解的标准化格式（如JSON）。
错误处理器	捕获异常，决定重试、降级处理或通知AI调整策略。

---

二、MCP协议的完整调用流程

以下是一个典型工具调用的分步流程（以网络搜索为例）：

1. 步骤1：工具注册

   • 将工具（如web_search）的元信息和执行函数注册到MCP的工具注册中心。

   • 示例元数据：

     json

     {
       "name": "web_search",
       "description": "调用Google搜索API",
       "parameters": {
         "query": {"type": "string", "required": true},
         "max_results": {"type": "int", "default": 5}
       },
       "permissions": ["internet_access"]
     }

2. 步骤2：AI生成请求

   • AI根据任务目标，生成结构化请求。例如：

     json

     {
       "tool": "web_search",
       "params": {"query": "如何学习深度学习", "max_results": 3},
       "request_id": "req_123"
     }

3. 步骤3：MCP验证与分发

   • MCP检查：

     • 工具是否存在？

     • 参数是否符合格式？

     • AI是否有权限调用该工具？

   • 若验证通过，将请求发送给web_search的执行函数。

4. 步骤4：工具执行与返回

   • 工具执行后返回原始结果（如API响应）：

     python

     [
       {"title": "深度学习入门教程", "url": "https://example.com/1"},
       {"title": "PyTorch官方文档", "url": "https://example.com/2"}
     ]

5. 步骤5：结果标准化

   • MCP将原始结果转换为AI需要的格式：

     json

     {
       "request_id": "req_123",
       "status": "success",
       "result": [
         {"title": "深度学习入门教程", "summary": "从零开始学习神经网络..."},
         {"title": "PyTorch官方文档", "summary": "官方教程与API参考..."}
       ]
     }

6. 步骤6：AI处理结果

   • AI根据返回结果继续执行后续任务（如总结内容、生成报告等）。

---

三、代码示例：实现一个简易MCP系统

以下用Python演示一个最小化的MCP协议实现：

1. 工具注册中心（Tool Registry）

python

class MCPRegistry:
    def __init__(self):
        self.tools = {}

    def register_tool(self, name, description, parameters, execute_func):
        self.tools[name] = {
            "description": description,
            "parameters": parameters,
            "execute": execute_func
        }

# 初始化注册中心
registry = MCPRegistry()

2. 注册一个工具（例如执行Python代码）

python

def execute_python_code(code: str):
    try:
        # 安全限制：禁止访问文件系统或网络
        locals_dict = {}
        exec(f"import sys\nsys.modules['os'] = None\n{code}", {}, locals_dict)
        return {"status": "success", "result": locals_dict.get('result')}
    except Exception as e:
        return {"status": "error", "message": str(e)}

# 注册工具
registry.register_tool(
    name="python",
    description="执行Python代码并返回结果（沙盒环境）",
    parameters={"code": {"type": "string", "required": True}},
    execute_func=execute_python_code
)

3. MCP请求处理器（Request Handler）

python

class MCPHandler:
    def __init__(self, registry):
        self.registry = registry

    def handle_request(self, request: dict):
        tool_name = request.get("tool")
        params = request.get("params", {})
        
        # 检查工具是否存在
        if tool_name not in self.registry.tools:
            return {"error": "Tool not found"}
        
        # 检查参数是否合法
        tool_info = self.registry.tools[tool_name]
        required_params = [p for p, v in tool_info["parameters"].items() if v.get("required")]
        for param in required_params:
            if param not in params:
                return {"error": f"Missing required parameter: {param}"}
        
        # 执行工具
        try:
            result = tool_info["execute"](**params)
            return {"status": "success", "result": result}
        except Exception as e:
            return {"status": "error", "message": str(e)}

4. 使用示例

python

# AI生成请求
request = {
    "tool": "python",
    "params": {
        "code": "result = 1 + 2 * 3"
    }
}

# 处理请求
handler = MCPHandler(registry)
response = handler.handle_request(request)
print(response)  # 输出: {'status': 'success', 'result': {'result': 7}}

---

四、高级功能扩展

1. 异步执行与回调

• 使用asyncio或Celery管理长时间任务：

  python

  import asyncio
  
  async def async_execute_tool(tool_func, params):
      result = await tool_func(**params)
      return result
  
  # 在MCPHandler中调用异步函数

2. 权限控制

• 为每个工具绑定权限标签，AI需通过认证获取权限令牌：

  python

  def check_permission(ai_token, tool_name):
      # 检查AI是否有权限调用该工具
      return True  # 实际需实现权限逻辑

3. 流量限制与负载均衡

• 使用令牌桶算法限制工具调用频率：

  python

  from fastapi import HTTPException, status
  
  class RateLimiter:
      def __init__(self, rate_limit: int):
          self.rate_limit = rate_limit
          self.tokens = rate_limit
  
      def acquire_token(self):
          if self.tokens > 0:
              self.tokens -= 1
              return True
          else:
              raise HTTPException(
                  status_code=status.HTTP_429_TOO_MANY_REQUESTS,
                  detail="Rate limit exceeded"
              )

---

五、在现有框架中的应用

1. LangChain中的Tools

• 使用@tool装饰器定义工具：

  python

  from langchain.tools import tool
  
  @tool
  def web_search(query: str) -> str:
      """调用Google搜索API"""
      return "搜索结果：..."
  
  # AI会自动选择工具并生成调用请求

2. AutoGPT的插件系统

• 通过plugin.json定义工具：

  json

  {
    "name": "web_search",
    "description": "Search the web",
    "parameters": {
      "query": "string"
    }
  }

• AI根据目标自动触发工具调用。

3. OpenAI Function Calling

• 定义工具并让GPT-4生成调用请求：

  python

  tools = [
      {
          "type": "function",
          "function": {
              "name": "web_search",
              "parameters": {"query": {"type": "string"}}
          }
      }
  ]
  response = openai.ChatCompletion.create(
      model="gpt-4",
      messages=[...],
      tools=tools
  )

---

六、最佳实践与注意事项

1. 安全性

   • 对危险工具（如代码执行）进行沙盒隔离。

   • 限制工具的资源使用（CPU/内存/网络）。

2. 可观测性

   • 记录所有工具调用的日志（请求、响应、执行时间）。

   • 添加监控指标（如成功率、延迟）。

3. 错误降级

   • 提供备选工具（如一个搜索API失败时切换到另一个）。

4. 性能优化

   • 对高频工具使用缓存（如本地缓存API结果）。