MCP（Model Context Protocol）入门与实践：让 AI 真正连接你的工具链

1. 前言

过去一年，大语言模型（LLM）已经成为开发者日常工作的重要助手。

然而，一个明显的问题是：

AI 很聪明，但它不了解你的环境。

例如：

• AI 不知道 Jira 里的工单状态

• AI 无法查看 GitLab 的代码

• AI 无法访问服务器日志

• AI 不知道 Docker 容器是否正常

• AI 无法查询数据库

为了让 AI 能够安全、标准化地访问这些外部资源，Anthropic 于 2024 年提出了 MCP（Model Context Protocol）。

MCP 正在成为 AI Agent 生态的重要基础设施。

---

2. 什么是 MCP？

MCP（Model Context Protocol）是一种开放协议，用于连接：

• AI 模型

• 工具（Tools）

• 数据源（Data Sources）

• 外部服务（Services）

简单来说：

MCP 是 AI 世界的 USB-C 接口。

在 USB-C 出现之前：

• 手机有不同充电口

• 相机有不同接口

• 电脑有各种转接头

每个设备都需要单独适配。

AI 工具生态也面临类似问题。

过去：

ChatGPT ↔ GitHub
Claude ↔ Jira
Cursor ↔ Database

每种组合都需要单独开发。

MCP 出现后：

AI Client
    │
    ▼
MCP Protocol
    │
 ┌──┼──┬───┐
 ▼  ▼  ▼   ▼
GitHub Jira Redis MySQL

任何支持 MCP 的客户端，都可以连接任何支持 MCP 的服务。

---

3. MCP 架构

MCP 主要由三部分组成：

┌──────────────┐
│   AI Client  │
└──────┬───────┘
       │ MCP
       ▼
┌──────────────┐
│  MCP Server  │
└──────┬───────┘
       │
 ┌─────┼─────┐
 ▼     ▼     ▼
Tool  Data  Service

---

3.1 MCP Client

客户端通常是 AI 应用。

例如：

• Claude Desktop

• Cursor

• Windsurf

• VS Code AI 插件

• ChatGPT（部分场景）

用户通过自然语言发起请求：

查询 TICKET-1119658

客户端将请求发送给模型。

---

3.2 MCP Server

MCP Server 负责向模型暴露能力。

例如：

GitHub Server
Jira Server
Filesystem Server
PostgreSQL Server

主要职责：

• 接收请求

• 执行操作

• 返回结果

---

3.3 Tool

Tool 是 MCP 中最核心的概念。

例如：

{
  "name": "get_issue",
  "description": "Get Jira issue information"
}

AI 可以自动决定是否调用。

用户：

查询工单 TICKET-1119658

AI：

调用 get_issue()

然后返回结果。

---

4. MCP 能解决什么问题？

4.1 AI 访问企业系统

例如：

查询 Jira 工单
查看 GitLab MR
读取 Confluence 文档

过去：

复制链接
复制内容
贴给 AI

现在：

直接询问 AI

---

4.2 AI 访问本地文件

例如：

分析当前项目结构

AI 可以直接读取：

src/
include/
CMakeLists.txt
README.md

而无需手动上传。

---

4.3 AI 执行命令

例如：

查看 Docker 状态

AI 调用：

docker ps

返回：

zcc_freeswitch
zcc_opensips
zcc_record_server

---

4.4 AI 查询数据库

例如：

查询最近失败的呼叫

AI 调用：

SELECT *
FROM call_record
WHERE result='failed';

并生成分析结果。

---

5. MCP 与传统插件的区别

对比项	传统插件	MCP
标准化	❌	✅
跨平台	❌	✅
自动发现	❌	✅
多模型支持	❌	✅
易扩展	一般	很强

传统插件通常绑定某个平台。

例如：

ChatGPT Plugin

只能用于 ChatGPT。

而 MCP 可以被多个 AI 客户端复用。

---

6. MCP 与 Function Calling 的区别

很多开发者容易混淆。

6.1 Function Calling

模型调用预定义函数：

get_weather(city)

特点：

• 函数固定

• 由开发者预先定义

• 作用范围有限

---

6.2 MCP

MCP 是完整协议。

包含：

• Tool

• Resource

• Prompt

• Context

支持动态发现能力。

例如：

AI：
当前有哪些工具？

MCP：
docker_ps
grep_log
get_issue

模型无需提前知道这些工具。

---

7. Python 开发 MCP Server

官方 Python SDK 使用非常简单。

7.1 安装

pip install mcp

---

7.2 创建服务

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("demo")

---

7.3 定义工具

@mcp.tool()
def hello(name: str):
    return f"Hello {name}"

---

7.4 启动服务

mcp.run()

这样一个最简单的 MCP Server 就完成了。

---

8. MCP 在 VoIP 场景中的应用

对于 VoIP、FreeSWITCH、OpenSIPS 工程师来说，MCP 有非常大的价值。

例如用户日常工作中的信令链路：

SBC
  ↓
router_opensips
  ↓
lb_opensips
  ↓
FreeSWITCH
  ↓
Contact Center

排障时经常需要：

docker ps
grep trace_id
grep call-id
查看 SIP 信令
查看 FreeSWITCH 日志
查看 Jira

步骤繁琐且重复。

---

9. 构建 SIP Troubleshooting MCP

可以将常用能力封装为工具。

9.1 工具定义

@mcp.tool()
def docker_ps():
    pass

@mcp.tool()
def grep_trace(trace_id):
    pass

@mcp.tool()
def analyze_sip(call_id):
    pass

@mcp.tool()
def get_jira(issue):
    pass

---

9.2 使用示例

输入：

分析这个呼叫：

trace_id=123456

AI 自动执行：

1. 查询容器状态
2. 提取 SIP 日志
3. 分析呼叫流程
4. 检查异常响应
5. 输出结论

整个排障流程可以大幅自动化。

---

10. MCP 与 Codex Skills 的关系

很多人已经在使用：

VS Code
 + Codex
 + Skills

例如：

• 检查容器状态

• 清理日志

• 分析呼叫流程

这些本质上都是工具封装。

---

10.1 对比

能力	Skills	MCP
运行脚本	✅	✅
AI 自动发现	❌	✅
跨平台共享	❌	✅
标准协议	❌	✅
多客户端支持	❌	✅

可以理解为：

Skills 是本地自动化脚本，而 MCP 是 AI 工具生态的标准协议。

---

11. MCP 的未来

目前越来越多的平台开始支持 MCP。

常见的 MCP Server 已经覆盖：

• GitHub

• GitLab

• Jira

• Slack

• PostgreSQL

• MySQL

• Redis

• Kubernetes

• Docker

• Filesystem

未来企业内部系统也很可能逐步提供 MCP 接口。

届时 AI 将不仅仅是聊天工具，而是真正能够参与开发、运维和故障排查的智能助手。

---

12. 总结

MCP（Model Context Protocol）是一种用于连接 AI 与外部世界的开放协议。

它的核心价值在于：

• 统一工具调用标准

• 让 AI 访问企业系统

• 支持动态发现工具

• 实现跨平台复用

• 为 AI Agent 提供基础设施

对于研发、运维、VoIP、SRE 等工程师而言，MCP 不只是一个新协议，更可能成为未来 AI 自动化工作流的重要基础。

一句话概括：

如果说大模型是"大脑"，那么 MCP 就是连接大脑与现实世界的神经系统。