大模型不仅智商爆表还想操纵你的电脑？那就给它配个 MCP 协议试试！

阿黎梨梨2026-07-11 11:11

你是否也遇到过这种情况：对着 ChatGPT 或 DeepSeek 咆哮了半天"帮我查一下昨天数据库里新增的用户"，或者"帮我把这个网页截个图"，AI 却只能委屈地敲出一行："对不起，作为一个语言模型，我无法访问您的本地数据，也无法操控您的浏览器。"

这时候，你恨不得顺着网线过去给它两拳。

传统的 AI 模型就像是一个智商爆表但"断网、断电、无手无脚"的闭关学者 。为了让它能干活，我们以前会给它写 Tools（工具回调），但每个项目的工具写法千奇百怪。

直到 MCP（Model Context Protocol，模型上下文协议） 诞生，游戏规则变了。今天，我们就来扒开 MCP 的神秘面纱，看看如何用它和 LangChain 强强联手，把一个"只会聊天"的 AI 变成能查数据库、能控浏览器、能读写文件的"超级特工（Agent）"。

一、 什么是 MCP？（小白也能听懂的"普通话"解释）

在正式敲代码之前，我们先搞懂什么是 MCP。别慌，我们不用复杂的网络术语。

我们可以把 AI 模型想象成一部智能手机的操作系统（比如 iOS 或 Android）。

  • 在没有统一协议的年代：每家硬件厂商（高德地图、你的本地文件、Chrome 浏览器）为了连接手机，都得自己焊一套独特的接口。手机系统想调用它们？对不起，得针对每一个硬件单独写几千行兼容代码。
  • 有了 MCP 协议之后 ：它就像是 USB-C 接口规范。MCP 协议规定了统一的插口标准。任何厂商（MCP Server）只要做成 USB-C 接口，就能直接插到支持 MCP 的客户端（MCP Client，比如 Cursor 或我们的 LangChain 脚本）上。

核心三要素

  1. MCP Client（客户端） ：相当于大脑的主控制器。它负责调配 AI 模型，并向各种工具发出指令。

  2. MCP Server（服务端） ：相当于各种各样的"外设器官"。它守着自己的"一亩三分地"（比如数据库、本地文件系统系统、浏览器驱动），等着 Client 传指令过来，然后执行具体操作。

  3. 通信通道（Transport） ：Client 和 Server 之间怎么说话？通常有两种方式：

    • Stdio（标准输入输出） ：就像两个进程在同一台电脑里用"悄悄话"管道通信，速度极快，适合本地扩展。
    • HTTP/SSE（网络传输） ：通过网络请求远端服务，适合跨服务器调用。

有了这个大前提，任何人开发的 MCP 工具，都能无缝接入任何支持 MCP 的 AI 系统中。这就是它的魅力所在。

二、 动手建一个自己的"秘密基地"：自定义 MCP Server

光说不练假把式。我们先用 Node.js 亲手撸一个本地的 MCP Server。这个 Server 将扮演一个"档案管理员"，手里握着一份假数据，并且提供工具（Tools）和静态资源（Resources） 。

1. 基础骨架与数据准备

首先，我们引入官方的 SDK，并初始化一个 MCP 服务端实例。为了让数据校验更严谨，我们引入 zod 库来做入参检查。

JavaScript

javascript 复制代码 
import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';
import { z } from 'zod';

// 模拟一个数据库，里面存了几个用户的"绝密档案"
const database = {
  users: {
    '001': { id: '001', name: '祖豪', email: 'zh@qq.com', role: 'admin' },
    '002': { id: '002', name: '光光', email: 'gg@qq.com', role: 'user' },
    '003': { id: '003', name: '小红', email: 'xh@qq.com', role: 'user' },
  }
};

// 创建 Server 实例，给它起个响亮的名字
const server = new McpServer({
  name: 'my-mcp-server',
  version: '1.0.0'
});

2. 注册动态工具：query_user

有了服务，我们得给 AI 提供"抓手"。我们注册一个名为 query_user 的工具。当 AI 发现人类想查用户时，就会把"用户ID"传给这个工具。

JavaScript

javascript 复制代码 
server.registerTool('query_user', {
  description: '查询数据库中的用户信息。输入用户ID, 返回该用户的详细信息（姓名、邮箱、角色）',
  inputSchema: {
    // 限制入参必须是字符串，并用 describe 贴心地告诉 AI 应该传什么格式
    userId: z.string().describe('用户ID, 例如：001, 002, 003')
  }
}, async ({ userId }) => {
  const user = database.users[userId];
  
  // 如果找不到用户，别玩失踪，礼貌地告诉 AI
  if (!user) {
    return {
      content: [{
        type: 'text',
        text: `用户 ID ${userId} 不存在。可用的ID: 001, 002, 003`
      }]
    };
  }
  
  // 找到了，打包成标准格式扔给 AI
  return {
    content: [{
      type: 'text',
      text: `用户 ${user.id} 的信息是：姓名： ${user.name}, 邮箱： ${user.email}, 角色： ${user.role}`
    }]
  };
});

3. 注册静态资源：使用指南

除了能动态执行代码的"工具"，MCP 还支持"资源（Resource）"。资源就像是摆在架子上的书，AI 可以走过去翻阅它。比如，我们给它准备一本《使用指南》。

JavaScript

php 复制代码 
server.registerResource(
  '使用指南',
  'docs://guide', // 资源唯一的 URI 地址，类似于网址
  {
    description: 'MCP Server 使用指南',
    mimeType: 'text/plain',
  },
  async () => {
    return {
      contents: [{
        uri: 'docs://guide',
        mimeType: 'text/plain',
        text: `
        MCP Server 使用指南
        功能：提供用户查询等工具。
        使用：在 Cursor 等 MCP Client 中通过自然语言对话，Cursor 会自动调用相应工具。
        `
      }]
    };
  }
);

4. 开启通信管道

最后一步，让这个 Server 跑起来。我们选择最基础、最稳健的 Stdio（标准输入输出）方式。

JavaScript

csharp 复制代码 
// 采用跨进程的标准输入输出通信方式
const transport = new StdioServerTransport();
await server.connect(transport);

至此，我们的本地 MCP Server 就写好了。它就像一个守门人，静静等待着主进程的召唤。

三、 组装"大黄蜂"：在 LangChain 中驱动多 MCP 核心

有了服务端，接下来就是重头戏：编写客户端，用 LangChain 驱动 AI，让它自己学会查阅资源、调用工具。

我们要用到 @langchain/mcp-adapters 库中的 MultiServerMCPClient。顾名思义，它能同时粘合多个不同的 MCP 模块！

1. 初始化 AI 模型与 MCP 客户端

我们先配置好我们的大脑（大模型）以及手脚（MCP 客户端）。

JavaScript

javascript 复制代码 
import 'dotenv/config';
import { MultiServerMCPClient } from '@langchain/mcp-adapters';
import { ChatOpenAI } from '@langchain/openai';
import chalk from 'chalk';
import { HumanMessage, SystemMessage, ToolMessage } from '@langchain/core/messages';

// 1. 初始化大语言模型（这里以强大的 DeepSeek 为例）
const model = new ChatOpenAI({
  modelName: 'deepseek-v4-pro',
  apiKey: process.env.DEEPSEEK_API_KEY,
  temperature: 0, // 搞工程，我们要让 AI 稳重，拒绝瞎编，所以创造性设为 0
  configuration: {
    baseURL: 'https://api.deepseek.com/v1',
  },
});

// 2. 组装我们的 MCP 客户端，把刚刚写的本地 Server 配进去
const mcpClient = new MultiServerMCPClient({
  mcpServers: {
    'my-mcp-server': {
      command: 'node', // 用 node 命令启动
      args: ['D:/Workspace/xld_ai/ai/agent_in_action/mcp-demo/src/my-mcp-server.mjs'] // 你的文件绝对路径
    }
  }
});

2. 抽取资源，喂给 AI 当背景知识

还记得我们在 Server 里写的《使用指南》资源吗？在对话开始前，Client 可以先把这些静态资源读出来，塞进 AI 的 SystemMessage（系统提示词）里，让 AI 提前对当前环境有个认知。

JavaScript

ini 复制代码 
// 获取所有注册的工具和资源
const tools = await mcpClient.getTools();
const res = await mcpClient.listResources();

let resourceContent = '';
// 遍历所有服务返回的资源，把它拼成一个大字符串
for (const [serverName, resources] of Object.entries(res)) {
  for (const resource of resources) {
    const content = await mcpClient.readResource(serverName, resource.uri);
    resourceContent += content[0].text;
  }
}

console.log(chalk.gray('--- 读取到的组件资源 ---'));
console.log(resourceContent);

// 将工具绑定到大模型上，让模型具备"选择工具"的能力
const modelWithTools = model.bindTools(tools);

3. 核心：编写 Agent 的"思考-执行"循环循环（ReAct 架构）

AI 是怎么用工具的？其实是一个循环过程：

  1. 思考：用户问了一个问题，我现有的知识答不上来，我应该用哪个工具？
  2. 决策 ：决定调用 query_user 工具，参数是 002。
  3. 执行 ：代码拦截到 AI 的决策，去跑真正的工具代码，拿到结果（如："光光，gg@qq.com"）。
  4. 反馈：把结果再喂回给 AI，AI 恍然大悟，最后组织语言回答人类。

我们用一个 for 循环来帮 AI 实现这个自主思考的闭环：

JavaScript

javascript 复制代码 
async function runAgentWithTools(query, maxIterations = 30) {
  // 初始化消息队列，把资源指南作为系统背景，加上用户的提问
  const messages = [
    new SystemMessage(resourceContent),
    new HumanMessage(query)
  ];

  for (let i = 0; i < maxIterations; i++) {
    console.log(chalk.bgGreen(`正在等待AI思考, 第${i + 1}轮....`));
    
    // 让 AI 来看当前的所有对话记录，并作出回应
    const response = await modelWithTools.invoke(messages);
    messages.push(response); // 把 AI 的回应先记录下来

    // 关键判断：如果 AI 觉得不需要调用工具了，说明它已经得出最终答案了，直接退出
    if (!response.tool_calls || response.tool_calls.length === 0) {
      console.log(chalk.green(`\nAI 最终回复：\n${response.content}`));
      return response.content;
    }

    // 来到这里，说明 AI 喊话了："我要用工具！"
    console.log(chalk.bgBlue(`检测到 ${response.tool_calls.length} 个工具调用`));
    console.log(chalk.blue(`工具调用: ${response.tool_calls.map(t => t.name).join(', ')}`));

    // 遍历 AI 想要调用的每一个工具
    for (const toolCall of response.tool_calls) {
      // 从我们客户端维护的 tools 列表里找到对应的那项
      const foundTool = tools.find(t => t.name === toolCall.name);
      
      if (foundTool) {
        // 真正去执行工具，传入 AI 帮我们分析好的参数
        const toolResult = await foundTool.invoke(toolCall.args);
        
        // 【核心注意点】：一定要带上 tool_call_id，这相当于给回复打上标签，AI 才知道这个数据对应的是哪个请求
        messages.push(new ToolMessage({
          content: typeof toolResult === 'string' ? toolResult : (toolResult.text || JSON.stringify(toolResult)),
          tool_call_id: toolCall.id
        }));
      }
    }
  }
  
  return messages[messages.length - 1].content;
}

// 狂奔吧，Agent！
await runAgentWithTools('查一下用户002的信息，顺便看看MCP Server的使用指南是什么？');

// 大功告成后，别忘了优雅地关闭客户端，释放子进程资源
await mcpClient.close();

四、 想象力炸裂：多 Server 联动的"乐高式"AI 工作流

如果 MCP 只能查个本地假数据，那真是格局小了。MCP 真正的恐怖之处在于生态复用。

既然它是"标准接口"，这意味着我们可以把"高德地图"、"Chrome 浏览器驱动"、"本地文件系统"像搭乐高一样一次性全插在同一个 Client 上。

来看看下面这个疯狂的进阶配置：

JavaScript

arduino 复制代码 
const mcpClient = new MultiServerMCPClient({
  // 1. 远程 HTTP 接入高德地图 MCP：查位置、查路线
  'amap-maps': {
    url: 'https://mcp.amap.com/mcp?key=YOUR_AMAP_KEY'
  },
  
  // 2. 操控 Chrome 浏览器：打开网页、点击元素、截图、爬虫
  'chrome-devtools': {
    command: 'npx',
    args: ['-y', 'chrome-devtools-mcp@latest']
  },
  
  // 3. 读写本地文件系统：直接写代码、存文件
  'filesystem': {
    command: 'npx',
    args: ['-y', '@modelcontextprotocol/server-filesystem', 'D:/Workspace/xld_ai']
  }
});

当你把上面这堆东西绑好，再丢给 Agent 一句极其复杂的任务：

"帮我拿到东华理工大学抚州校区的地图图片，然后自动打开我的浏览器，展示这张校区图片。"

AI 看到这个任务，脑子里会自动拆解出完美的交响乐章：

  1. 调用 amap-maps 工具去搜索"东华理工大学抚州校区"的地理位置和图片链接。
  2. 调用 filesystem 工具在本地创建一个工作目录，把图片数据落盘。
  3. 调用 chrome-devtools 工具自动拉起一个真的 Chrome 浏览器，跳转到对应的本地文件或者图片地址上展示给你看。

整个过程不需要你为它定制编写一行有关"如何截图、如何开浏览器"的底层业务代码，你只是引入了三个现成的、标准的 MCP 服务。

五、 避坑指南与总结

在玩转 MCP 的路上，有几个底层的技术细节需要刻在DNA里：

  • tool_call_id 绝对不能丢 ：在多轮对话中，AI 发出了调用工具的请求，当你把工具结果返回给 AI 时，必须用 ToolMessage 并在属性里带上 tool_call_id。这就跟去饭店吃饭拿小票取餐一样，对不上号 AI 就会陷入逻辑混乱。
  • 及时 close() 释放资源 ：使用 StdioServerTransport 时，客户端实质上是通过 Node.js 的 child_process 启动了子进程来和 Server 通信的。如果不手动调用 await mcpClient.close()，这些子进程和通信通道就会一直挂在后台，导致你的脚本死活不退出，白白榨干你的 CPU 资源。

MCP 协议的出现，划清了"大模型负责思考"与"周边生态负责执行"的界线。作为开发者的我们，不用再重复造轮子去写各种杂乱的 API 适配器了。只要拥抱 MCP，世界上的所有工具，都将在一夜之间成为你 Agent 的不二臣子！

相关推荐
一键生成网站1 小时前
政企项目AI数据大屏生成工具怎么选信创合规私有化部署指南
人工智能·私
阿牛哥_GX1 小时前
错误处理与运维监控：让自动化脚本永不静默失败（完结篇）
人工智能
shuoyuanAI1 小时前
张家口专业的aigeo优化品牌找哪家
大数据·人工智能·python
甜包AI笔记1 小时前
Loop Engineer：让 AI 在工程闭环里自动推进任务
人工智能
killerbasd1 小时前
总结 7。10
人工智能·算法·机器学习
GlobalInfo1 小时前
行业报告解读：可穿戴电子织物市场扩张背后，有哪些新机遇？
人工智能·物联网·microsoft
林间码客1 小时前
RAG系统评估指南：从入门到实践
人工智能·算法·机器学习
菊链诗腾1 小时前
部署大模型8GB显存128K大模型调优实战
人工智能·调优·本地大模型
热门推荐
012026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？02GitHub 镜像站点032026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf04AI科技热点日报 | 2026年07月01日052026 年 AI 大模型 & AI 编程工具实战全总结06AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路07【AI】2026 年具身智能模型和世界模型总结082026 AI 编程工具选型横评：Cursor / Claude Code / Trae / Copilot 到底选谁（建议收藏·避坑版）092026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片102026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？