你有没有想过一个问题：ChatGPT 能写出漂亮的代码，却没办法直接读你电脑里的文件；Claude 能理解复杂的业务逻辑，却无法查询你公司的数据库。
这不是模型能力不够，而是模型被关在一个封闭的沙箱里。它没有眼睛去看你的文件系统，也没有手去调用你的 API。
解决这个问题的传统方式是：每接一个新工具，就写一套定制集成代码。数据库一套，GitHub 一套，Slack 再来一套------十个工具十套代码，开发和维护成本线性增长。
MCP（Model Context Protocol，模型上下文协议）就是为了解决这个碎片化问题而生的。
读完这篇文章，你将理解 MCP 是什么、它解决了什么核心矛盾、以及它是怎么工作的。
文章目录
背景：AI 模型的"信息孤岛"困境
先看一个典型场景。假设你想让 Claude 帮你分析上周的销售数据，数据存在公司的 PostgreSQL 里。你会怎么做？
目前最直接的做法是：手动导出 CSV → 粘贴给大模型 → 等它分析。这个过程里你做了一件很"不 AI"的事情------人工搬运数据。
如果你想让 AI 自动完成这件事，就需要写一段代码，让 AI 能连接数据库。问题是，下周你还需要连接mysql数据库，下下周需要调用另一个API，每次都要重写一套适配层。每套适配层都要处理认证、格式转换、错误处理，工作量惊人。
这不是 AI 的问题，是接口标准化的问题。 就像当年的 USB------在 USB 出现之前，键盘用 PS/2 口，打印机用并口，鼠标用串口，每个外设都要专门的驱动。USB 用一个统一标准终结了这种混乱。
MCP 想做的事，就是成为 AI 时代的"USB-C 接口"------它定义了一套标准协议，让任何 AI 应用都能用同一种方式连接任何外部工具和数据源。
MCP 核心概念：三个角色和三种能力
三个角色
MCP 的架构里定义了三个角色：
| 角色 | 职责 | 类比 |
|---|---|---|
| Host（宿主） | AI 应用本身，比如 Claude Desktop、VS Code | 顾客------提出需求的人 |
| Client（客户端） | 运行在 Host 内部，负责和 Server 建立一对一连接 | 服务员------传递顾客的需求 |
| Server（服务端） | 暴露具体能力的服务，比如文件系统 Server、数据库 Server | 厨房------真正干活的地方 |
关键理解：一个 Host 可以连接多个 Server，但每个 Client 只对接到一个 Server。这就像一间餐厅可以同时连接多个厨房，但每个服务员只负责一个厨房的沟通。
三种核心能力
MCP Server 可以向 AI 暴露三类能力：
1. Tools（工具）------让 AI"做事情"
Tool 是模型可以调用的函数。比如一个文件系统 Server 可以提供 read_file、write_file、list_directory 这些 tool。模型决定什么时候 调用、用什么参数调用，但真正执行的是 Server 端。
plain
## 一个文件读取 tool 的定义
- 名称：read_file
- 描述：读取指定路径的文件内容
- 参数：
- path（必填）：文件路径
- encoding（可选）：编码方式，默认 utf-82. Resources（资源）------让 AI"看数据"
Resource 是模型可以读取的上下文数据。和 Tool 不同，Resource 是被动的------它不执行操作，只提供信息。
plain
## 一个数据库表结构的 resource
- URI：postgres://sales/orders/schema
- 内容：orders 表的列定义和索引信息Tool 和 Resource 的区别很关键：Tool = 动作，Resource = 数据。查数据库表结构是 Resource，执行一条 UPDATE 是 Tool。
3. Prompts（提示模板）------让用户"快速引导 AI"
Prompts 是预定义的提示词模板，帮助用户快速发起标准化的任务。比如一个代码审查 Server 可以提供 "Review this code for bugs" 的 prompt 模板。
MCP 是怎样工作的
通信层：JSON-RPC 2.0
MCP 在底层使用 JSON-RPC 2.0 作为通信协议。简单说就是：Client 和 Server 之间通过 JSON 格式的消息来交互，一个请求对应一个响应，结构清晰，解析简单。
一个典型的请求长这样：
json
{
"jsonrpc": "2.0",
"method": "tools/call",
"params": {
"name": "read_file",
"arguments": { "path": "/data/report.csv" }
},
"id": 1
}对应的响应：
json
{
"jsonrpc": "2.0",
"result": {
"content": [{ "type": "text", "text": "销售额,月份\n10000,1月\n..." }]
},
"id": 1
}传输层：两种连接方式
MCP 支持两种传输方式：
- stdio（标准输入输出）：Client 以子进程方式启动 Server，通过标准输入输出流通信。适合本地工具，简单高效。
- HTTP SSE（Server-Sent Events）：通过 HTTP 长连接通信，Client 发请求，Server 用 SSE 推送响应和通知。适合远程服务和需要流式返回的场景。
两种方式各有适用场景：本地的文件系统 Server 用 stdio 就够；面向团队的共享 API Server 则用 HTTP 部署。
完整的调用生命周期
一个完整的 MCP 调用流程分为三个阶段：
plain
初始化握手 → 能力发现 → 调用执行阶段一：初始化握手
Client 和 Server 建立连接后，先交换基本信息------各自支持什么协议版本、有什么能力声明。
阶段二：能力发现
Client 向 Server 查询"你能做什么"。Server 返回自己提供的 tools、resources、prompts 的完整清单。这个清单就是 AI 模型用来决策的"菜单"------模型看到菜单后，自行判断：当前任务该调用哪个 tool、该读取哪个 resource。
阶段三：调用执行
模型决定了要做什么之后，通过 Client 向 Server 发送具体的调用请求。Server 执行并返回结果。这个结果会作为新的上下文喂给模型，模型再根据结果决定下一步是继续调用其他 tool，还是直接给出最终回答。
这整个过程对用户是透明的------你只需要告诉 AI 你想做什么，AI 自己决定调用什么工具、怎样组合、如何解读结果。
MCP 为什么重要
到这里，你应该已经理解了 MCP 的核心价值：
对 AI 应用开发者：不用再为每个工具写适配代码。Claude Desktop 已经内置了 MCP 支持，你只需配置一个 JSON 文件指向你的 MCP Server，AI 就能获得新能力。
对工具/服务开发者：实现一次 MCP Server 接口，你的服务就能被所有支持 MCP 的 AI 应用使用。不用分别适配 Claude、Cursor、VS Code。
对整个生态：一个开放标准意味着社区可以繁荣生长。有人开发通用的文件系统 Server、数据库 Server，有人开发专用的 Figma Server、Notion Server，所有人都能用。
目前主流支持 MCP 的 AI 工具包括：
- Claude Desktop：原生支持，配置即用
- Cursor / VS Code：通过扩展支持
- Continue.dev：开源 AI 编程助手
- 越来越多的工具正在加入
一个简单的 MCP Server 示例
下面是一个最小化的 MCP Server（Python 实现），它提供一个查询天气的 tool：
python
from mcp.server import Server, NotificationOptions
from mcp.server.models import InitializationCapabilities
# 创建 Server 实例
server = Server("weather-server")
# 注册一个 tool：获取城市天气
@server.list_tools()
async def list_tools():
return [
{
"name": "get_weather",
"description": "获取指定城市的天气信息",
"inputSchema": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称，如 'Beijing'"
}
},
"required": ["city"]
}
}
]
# 实现 tool 的调用逻辑
@server.call_tool()
async def call_tool(name: str, arguments: dict):
if name == "get_weather":
city = arguments["city"]
# 实际场景中这里会调用真实天气 API
return {
"content": [
{"type": "text", "text": f"{city}当前天气：晴，23°C"}
]
}配置到比如Claude Desktop 后，你就可以直接问："北京今天天气怎么样？"------Claude 会自动发现并调用这个 tool 来获取天气。
总结
MCP 解决的是一件简单但重要的事：让 AI 和外部世界用同一种语言对话。
它不复杂------核心就是三个角色（Host、Client、Server）加三种能力（Tools、Resources、Prompts），底层基于 JSON-RPC 2.0 通信。但正是这种简单性，让它有可能成为 AI 时代的基础设施标准。
当然，MCP 也有它的局限性：目前对复杂权限控制、多用户场景的支持还不够完善；大规模分布式部署的实践还在探索中。但作为一项诞生不到两年的技术，它的发展速度已经超出了很多人的预期。
如果你是 AI 应用开发者 ，建议现在就试着跑一个 MCP Server 体验一下------从 Anthropic 的官方 quickstart 开始，十分钟就能让 Claude 获得一个新技能。
参考
MCP 官方文档------最权威的参考资料
MCP GitHub 仓库------规范和 SDK 源码
Anthropic 的 MCP 介绍博客------官方的背景说明
What is the Model Context Protocol (MCP)? - Model Context Protocol