MCP 保姆级入门指南：AI 的“万能充电口”到底怎么玩？

一个协议，让 AI 告别"语言不通"的尴尬

你有没有遇到过这种情况：想让 AI 帮你读一下本地文件，得写一堆胶水代码；想让它查个天气，又得单独封装一个 API；换个模型，所有适配代码全得重写......

说实话，在 MCP 出现之前，AI 开发者就像个"协议翻译官"------每天的工作就是让不同模型听懂不同工具的"方言" 。

直到 2024 年 11 月 25 日，Anthropic 公司扔出了一颗"炸弹"------MCP（Model Context Protocol，模型上下文协议） 。

一、MCP 是什么？一句话说清楚

MCP 不是工具，不是 SDK，不是产品------它是一个协议 。

说白了，MCP 就是 LLM 和外部世界之间的"通用翻译器"和"万能充电口" 。

就像 USB-C 接口统一了各种充电线和设备一样，MCP 统一了 AI 模型与外部数据、工具的交互方式。

在 MCP 出现之前，你要让 Claude、GPT、Gemini 调用同一个工具，得为每个模型单独写适配代码。有了 MCP，写一次，到处跑。

MCP 终结的不是代码，是"重复造轮子"的宿命。

二、MCP 的"三驾马车"：Host、Client、Server

MCP 采用客户端-服务器架构，包含三个核心角色：

1. MCP Host（宿主）

就是运行 AI 模型的应用环境，比如 Claude Desktop、Cursor IDE、Cherry Studio 等。它是整个系统的"大脑"和"指挥官"。

2. MCP Client（客户端）

集成在 Host 中的模块，负责与 MCP Server 建立连接并管理通信。每个 Client 只对应一个 Server，保持职责清晰。

3. MCP Server（服务端）

提供具体功能的独立进程。比如：

• 文件系统 Server：让 AI 读写本地文件
• 高德地图 Server：让 AI 查 POI、规划路线
• Gmail Server：让 AI 帮你收发邮件

简单理解：Host 是"大脑"，Client 是"神经"，Server 是"手脚" 。

MCP 协议基于 JSON-RPC 2.0 进行通信，支持 STDIO 和 SSE 两种传输方式。

三、Server 的"三板斧"：Resources、Tools、Prompts

MCP Server 主要提供三类功能：

类型	作用	举例
Resources（资源）	提供结构化数据	文件、数据库记录、API 响应
Tools（工具）	允许 AI 执行操作	发邮件、查天气、执行命令
Prompts（提示模板）	预定义的指令模板	优化任务执行的工作流

Resources 是"让 AI 知道"，Tools 是"让 AI 行动" 。两者结合，AI 才能真正"手眼通天"。

四、手把手实战：配置一个文件系统 MCP Server

光说不练假把式。咱们直接上手，让 AI 能读写你电脑上的文件。

第一步：安装 MCP 文件系统 Server

npm i -g @modelcontextprotocol/server-filesystem

第二步：启动 Server（验证是否正常）

npx @modelcontextprotocol/server-filesystem E:\workspace\ai\mcp\mcp-test

这条命令会启动一个 MCP Server，让 AI 可以安全地读写 E:\workspace\ai\mcp\mcp-test 目录下的文件。

第三步：配置客户端------你的 mcp.json 到底在说什么？

无论是 Trae 、Cursor 还是 Claude Desktop ，MCP 配置都写在 mcp.json 里（位置因客户端而异）。我们以文件系统为例，逐行拆解：

{
    "mcpServers": {
        "filesystem": {
            "type": "stdio",
            "command": "npx",
            "args": [
                "-y",
                "@modelcontextprotocol/server-filesystem",
                "E:\workspace\lgl_ai\ai\mcp\mcp-test"
            ]
        }
    }
}

mcpServers ------ 顶层容器

这是所有 MCP Server 配置的"总开关"，里面可以放多个 Server（比如 filesystem、高德地图、Gmail 等），每个 Server 一个 key。

"filesystem" ------ 自定义服务名称

你可以随便起名，比如 "my-fs" 或 "本地文件"。这个名字会出现在 AI 客户端里，方便你识别和启用/禁用。

"type": "stdio" ------ 通信方式

• stdio ：通过标准输入/输出进行通信，Server 和 Client 在同一台机器上，最常用、最轻量。
• 还有 sse（Server-Sent Events）方式，用于远程 Server（比如云端部署的 MCP 服务），但日常本地开发 90% 都用 stdio。

"command": "npx" ------ 启动命令

告诉客户端用哪个可执行文件来启动这个 MCP Server。npx 是 Node.js 自带的命令，用于运行 npm 包。

如果你用的是 Python 写的 Server，这里可能就是 "python" 或 "uvx"。

"args" ------ 命令行参数数组

这里按顺序传给 command 的所有参数：

参数	含义
"-y"	告诉 npx 自动确认安装（省去手动按 yes 的步骤）
"@modelcontextprotocol/server-filesystem"	npm 包名，官方文件系统 Server
"E:\workspace\lgl_ai\ai\mcp\mcp-test"	你要暴露给 AI 的目录路径（Windows 下双反斜杠转义）

⚠️ 踩坑提醒 ：路径里的反斜杠必须写成 \，否则 JSON 解析会报错。如果你用 Mac/Linux，写成 "/Users/xxx/your-folder" 即可。

保存后，回到客户端（Trae 或 Claude）的 MCP 面板，启用 filesystem 服务。 至此，你的 AI 就能像"本地文件管理员"一样读写指定目录了。

---

第四步：不同客户端的配置位置（Trae 和 Claude 实测）

很多同学卡在"配置文件到底放哪儿"这一步，我直接把经验贴出来：

Trae（国内常用 AI IDE）

1. 打开 Trae 设置 → 找到 MCP 管理 或 模型上下文协议 选项卡；
2. 点击"编辑配置"，会打开一个 mcp.json 文件；
3. 把你的配置粘贴进去，保存；
4. 回到对话面板，点击刷新 MCP 服务列表，就能看到 filesystem 亮起（绿色表示已连接）。

Claude Desktop（官方 Claude 应用）

Claude Desktop 的配置文件路径（macOS 和 Windows 不同）：

• macOS ：~/Library/Application Support/Claude/claude_desktop_config.json
• Windows ：%APPDATA%\Claude\claude_desktop_config.json

在这个文件里同样写入 mcpServers 块，重启 Claude Desktop，然后你会在输入框附近看到一个"🔌"插件图标，点击就能看到已连接的 MCP Server。

小技巧：在 Claude 里，你还可以直接用 /mcp 命令查看当前所有配置的 MCP 服务，并动态启用/禁用，非常方便。

---

就这么几步，以前写 100 行胶水代码，现在写 10 行配置------这就是协议的力量。

五、MCP vs RAG vs Function Calling：到底有啥区别？

很多同学容易搞混这三个概念，我用最通俗的方式给你讲清楚：

技术	一句话解释	类比
RAG	给 AI "喂" 知识库	考前翻课本找答案
Function Calling	让 AI "调用" API	给 AI 配了个遥控器
MCP	统一所有接入方式	把遥控器统一成 USB-C

Function Calling 是"专属专车" ，只服务于特定 AI 生态，兼容性差。你给 GPT 写的函数调用，Claude 用不了。

MCP 是"公共交通" ，所有 AI 模型只要遵循这个标准，就能调用同一批外部工具。

更形象地说：

• RAG 是"被动喂饭"------给 AI 喂知识
• MCP 是"主动出门找饭吃"------AI 自己发现工具、发请求、拿结果

MCP 不是要取代 RAG 或 Function Calling，而是给它们提供了一套统一的"插座标准" 。

六、为什么 MCP 是 Agentic AI 的"地基"

MCP 的出现，不只是方便了开发者，而是从根本上重构了 AI 的应用架构。

以前，AI 是个"只会聊天的话痨"------你问它天气，它说"我不知道，你去查一下"。

现在，有了 MCP，AI 变成了"能动手的 Agent"------你问它天气，它自己去调用天气 API，把结果拿回来告诉你。

MCP 让 AI 从 Chatbot 进化到了 Agentic AI（智能体 AI） 。

这个转变的意义，不亚于手机从"只能打电话"进化到"能装 App"。

七、写在最后

MCP 还很年轻（2024 年 11 月才发布），生态还在快速建设中。但它的潜力是巨大的：

• 对开发者：不用再为每个模型重复写适配代码
• 对用户：AI 能调用的工具越来越多，越来越"好用"
• 对生态：MCP Server 可以像"插件"一样自由组合

MCP 不是终点，而是 AI 应用走向标准化的起点。

就像 USB-C 最终统一了充电接口一样，MCP 或许真的能让 AI 世界告别"语言不通"的混乱时代。