MCP详解

【基本介绍】

MCP 一般指 Model Context Protocol（模型上下文协议） ：一种开源的标准通信协议，用来让大语言模型（LLM）以统一、可控、安全 的方式连接外部的数据源 与工具/服务。它常被形容为"AI 的 USB‑C 接口"

以查询位置、获取天气、数据计算为例子，在没有MCP前一般通过Function Calling的方式实现，将其与LLM做绑定，在LangChain中实现代码如下：

import os
import json
from datetime import datetime

# 导入 LangChain 核心组件
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langchain_core.messages import HumanMessage, ToolMessage, SystemMessage

# ==========================================
# 1. 定义工具 (Tools)
# 使用 @tool 装饰器，docstring (注释) 对 LLM 非常重要，用于理解何时调用
# ==========================================

@tool
def calculate_expression(expression: str) -> str:
    """
    用于执行数学计算。
    参数 expression 是一个数学表达式字符串，例如 '23 * 4 + 10'。
    """
    return "计算结果"

@tool
def get_current_weather(location: str) -> str:
    """
    查询指定城市或地区的实时天气情况。
    参数 location 是城市名称，如 'Beijing', 'Shanghai'。
    """
    # 模拟 API 返回的数据
    print(f"--- 正在调用天气 API 查询: {location} ---")
    
    
    return "天气结果"
@tool
def get_user_location(user_id: str = "default") -> str:
    """
    获取当前用户的地理位置信息。
    """
    # 模拟定位服务
    print(f"--- 正在定位用户: {user_id} ---")
    return json.dumps({
        "city": "Shenzhen",
        "latitude": 22.5431,
        "longitude": 114.0579,
        "country": "China"
    })

# ==========================================
# 2. 初始化模型并绑定工具
# ==========================================

# 请确保环境变量 OPENAI_API_KEY 已设置，或者在下方直接传入 api_key 参数
# 这里使用 model="gpt-4o" 或 "gpt-3.5-turbo"，它们对 tool calling 支持最好
llm = ChatOpenAI(
    model="gpt-4o", 
    temperature=0  # 工具调用场景建议温度设为0，更精准
)

# 将工具列表绑定到 LLM
tools = [calculate_expression, get_current_weather, get_user_location]
llm_with_tools = llm.bind_tools(tools)

# 创建工具映射字典，用于后续根据名称查找并执行函数
tool_map = {
    "calculate_expression": calculate_expression,
    "get_current_weather": get_current_weather,
    "get_user_location": get_user_location
}

# ==========================================
# 3. 定义执行循环 (模拟 Agent 流程)
# ==========================================

def run_conversation(query: str):
    print(f"\n====== 用户提问: {query} ======\n")
    
    # 1. 初始消息列表
    messages = [
        SystemMessage(content="你是一个智能助手。当前时间是 2026年3月19日。请根据用户需求调用相应工具。"),
        HumanMessage(content=query)
    ]

    # 2. 第一次调用 LLM，让它决定是否需要调用工具
    ai_msg = llm_with_tools.invoke(messages)
    messages.append(ai_msg) # 将 AI 的回复（包含工具调用请求）加入历史

    # 3. 检查 LLM 是否发起了工具调用 (tool_calls)
    if ai_msg.tool_calls:
        print(f"检测到 AI 需要调用 {len(ai_msg.tool_calls)} 个工具...")
        
        # 遍历所有需要调用的工具
        for tool_call in ai_msg.tool_calls:
            selected_tool_name = tool_call["name"]
            selected_tool_args = tool_call["args"]
            tool_call_id = tool_call["id"]
            
            print(f"-> 执行工具: {selected_tool_name} 参数: {selected_tool_args}")
            
            # 查找并执行对应的 Python 函数
            selected_tool = tool_map[selected_tool_name]
            tool_output = selected_tool.invoke(selected_tool_args)
            
            print(f"<- 工具返回结果: {tool_output}")

            # 4. 将工具执行结果封装为 ToolMessage 返回给 LLM
            messages.append(ToolMessage(
                content=str(tool_output),
                tool_call_id=tool_call_id
            ))
        
        # 5. 再次调用 LLM，让它根据工具的结果生成最终自然语言回复
        final_response = llm_with_tools.invoke(messages)
        print(f"\n====== AI 最终回复: ======\n{final_response.content}")
    else:
        # 如果不需要调用工具，直接打印回复
        print(f"\n====== AI 直接回复: ======\n{ai_msg.content}")

# ==========================================
# 4. 测试运行
# ==========================================

if __name__ == "__main__":
    # 场景 A: 混合意图（先查位置，再查该位置天气，同时做个计算）
    # 注意：LLM 可能会分步思考，或者并行调用工具
    prompt = "我现在的城市在哪里？那里的天气怎么样？另外算一下 365 乘以 24 是多少。"
    
    run_conversation(prompt)

简单的数值计算可以硬编码或引入库放在代码本地，查询天气和位置需要在相应的函数中通过http调用。

如果没有mcp，每接入一个外部工具，都需要查询外部工具的API并做数据请求。这个过程会在无数项目中重复无数遍。

有了mcp，数据传输有了标准，外部工具自己做好传输协议解析，解析完数据自己调用自己的API接口，使用工具者只需要发送数据请求即可，节省大量工作。

因为有了协议标准，大模型获取外部工具提供的mcp能力，可以直接做隐式绑定，而不用在代码中显式绑定。

外部工具通常会有个mcpserver将来自各方的数据请求和自身API实现隔离，这样可以做到数据请求和API实现的解耦。

因此，一些不联网的外部工具，尤其是一些本地应用，例如unity、blender、photoshop、vs等，也可以通过mcp协议实现能力提供。

更宽泛来看，MCP和服务注册与发现的思想是类似的

【MCP的价值和作用】

• 标准化集成、降低适配成本：不用每个模型都为每个工具写一套私有对接，改为"支持协议即可互通"，更利于生态复用
• 更可控的安全与权限边界：通过 Host/Server 的权限、白名单、审计、隔离等机制，减少模型越权访问风险。
• **极大扩展模型能力和数据：**模型可按需读取本地文件、库表、内部系统数据、在线 API 等

【MCP核心概念和模块】

MCP 用一套标准把"模型/应用"和"外部能力"解耦，通常采用 Host--Client--Server 架构：

• MCP Host（主机）：承载并运行 LLM 的应用环境（如桌面助手、IDE、企业智能体平台、Claude Code、Cursor），负责会话管理与界面呈现。
• MCP Client（客户端）：在 Host 内，负责按协议与 MCP Server 通信（常见是 JSON-RPC 风格的请求/响应），做能力发现、路由与调用。
• MCP Server（服务器）：把某个外部系统封装成标准接口，向模型暴露能力

MCP由两层组成：

• 数据层：定义了基于 JSON-RPC 的客户端-服务器通信协议，包括生命周期管理和核心原语，如工具、资源、提示和通知。
• 传输层：定义了客户端和服务器之间进行数据交换的通信机制和通道，包括特定于传输的连接建立、消息帧和授权

数据层实现了基于JSON-RPC 2.0 的交换协议，该协议定义了消息结构和语义。该层包括：

• 生命周期管理：处理客户端和服务器之间的连接初始化、能力协商和连接终止。
• 服务器功能：使服务器能够提供核心功能，包括用于 AI 操作的工具、上下文数据资源以及与客户端交互的模板提示。
• 客户端功能：使服务器能够请求客户端从主机LLM进行采样、获取用户输入以及向客户端记录消息。
• 实用功能：支持实时更新通知和长时间运行操作的进度跟踪等附加功能

传输层管理客户端和服务器之间的通信通道和身份验证。它处理连接建立、消息帧构建以及MCP参与者之间的安全通信。MCP支持两种传输机制：

• Stdio 传输：使用标准输入/输出流在同一台机器上的本地进程之间进行直接进程通信，提供最佳性能，且无网络开销。
• 可流式 HTTP 传输：使用 HTTP POST 请求进行客户端到服务器的消息通信，并可选地使用服务器发送事件 (SENT) 来实现流式传输功能。此传输方式支持远程服务器通信，并支持包括持有者令牌、API 密钥和自定义标头在内的标准 HTTP 身份验证方法。MCP 建议使用 OAuth 获取身份验证令牌。

MCP Server 往往提供三类功能：

• Resources：只读资源，提供对上下文信息的只读访问，例如文件内容、数据库模式或 API 文档
• Tools：LLM 可以主动调用这些函数，并根据用户请求决定何时使用这些函数。工具可以写入数据库、调用外部 API、修改文件或触发其他逻辑。
• Prompts：预先构建的指令模板，告诉模型如何使用特定的工具和资源。

【在Claude Code中使用MCP Server】

根据传输机制，可以分为两种启动方式：STDIO（本地命令启动）、 SSE/HTTP（远程 URL）

以百度地图为例：

百度地图提供了MCP SDK，就可以用本地命令启动。

直接在配置文件添加如下配置

(配置文件可以是~/.claude.json 或者 <项目目录>/.claude/settings.json 或者 用户目录.claude/settings.json 或者项目级的.mcp.json文件)

{
  "mcpServers": {
    "baidu-maps": {
      "command": "uvx",
      "args": ["mcp-server-baidu-maps"],
      "env": {
        "BAIDU_MAPS_API_KEY": "<YOUR_API_KEY>"
      }
    }
  }
}

参数含义如下，实际相当于调用命令行的参数

• command：要执行的可执行文件/命令本体
• args ：传给这个命令的参数列表（按顺序逐个传递，每个参数一个数组元素）
• env：把 AK 这种敏感信息放环境变量（不要硬编码在代码仓库里）

有些是通过URL连接的，例如UnityMCP，配置形式如下：

      "mcpServers": {
        "UnityMCP": {
          "type": "http",
          "url": "http://localhost:8080/mcp"
        }
      }

也可以用命令行来添加，形式如下：

claude mcp add MCP的名字 -- 命令行应该输入的命令

配置完成后重新启动Claude Code，输入/mcp，可以看到当前配置了哪些mcp以及该mcp是否连接上了

【Claude Code如何使用MCP Server】

• 启动阶段：建立连接

  • Claude Code 启动时，会读取各类配置文件，获取mcpServers的相关配置
  • 有些可以通过命令行启动的MCP Server，会直接通过命名行启动MCP Server子进程；有些需要手动启动
  • 建立通信连接

• 能力发现阶段：获取工具列表

  • Claude Code 会向每个 MCP Server 查询其提供的工具（Tools）列表，例如

    Claude Code 询问: "你能做什么？"
    Unity MCP 返回: [
      - create_gameobject（创建游戏对象）
      - run_script（执行脚本）
      - get_scene_info（获取场景信息）
      ...
    ]

  • 获取到tools列表转换成tool的元描述并绑定，类似在LangChain中绑定tool一样，最终这些tools的信息被放入系统提示中

    • 因此MCP Server最好放在项目级，不要配置过多MCP Server，否则仅仅是tools的描述就会占用大量的token

• 执行阶段：理解意图并调用工具

  • 模型理解用户意图找到需要调用什么工具

  • 执行Function Calling

  • 通过MCP协议发送给MCP Server

  • MCP Server再调用API获取结果

  • 再将执行结果返回

  • 将执行结果放入上下文

  • 汇总分析回复用户

【获取MCP Server】

官方MCP列表 https://github.com/modelcontextprotocol/servers

社区MCP聚合https://glama.ai/mcp/servers https://mcp.so/ https://cursor.directory/plugins

钉钉MCP广场

【创建自己的MCP服务器】

参考官方示例

https://modelcontextprotocol.io/docs/develop/build-server

【参考】

https://modelcontextprotocol.io/docs/getting-started/intro