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
css
npm i -g @modelcontextprotocol/server-filesystem第二步：启动 Server（验证是否正常）
css
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：
perl
{
"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）
- 打开 Trae 设置 → 找到 MCP 管理 或 模型上下文协议 选项卡；
- 点击"编辑配置"，会打开一个
mcp.json文件； - 把你的配置粘贴进去，保存；
- 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。