MCP 入门指南：大模型时代的“USB-C”接口

前言

[一、什么是 MCP？](#一、什么是 MCP？)

[二、MCP 核心角色](#二、MCP 核心角色)

[三、MCP Server 三大能力](#三、MCP Server 三大能力)

[1. Tools（工具）------ 可执行动作](#1. Tools（工具）—— 可执行动作)

[2. Resources（资源）------ 只读数据](#2. Resources（资源）—— 只读数据)

[3. Prompts（提示模板）------ 复用提示词](#3. Prompts（提示模板）—— 复用提示词)

[四、MCP 工作流程](#四、MCP 工作流程)

五、三种传输方式

六、典型使用场景

[七、MCP 的核心优势](#七、MCP 的核心优势)

[✅ 一次开发，多端复用](#✅ 一次开发，多端复用)

[✅ 隔离安全](#✅ 隔离安全)

[✅ 轻量化](#✅ 轻量化)

[八、MCP 的局限](#八、MCP 的局限)

[九、和普通 Function‑Calling 的区别](#九、和普通 Function‑Calling 的区别)

前言

如果你正在开发 AI 应用，或者使用 Claude、Cursor 等 AI 工具，你一定遇到过这样的烦恼：

Claude 想读取你电脑上的文件，你需要手动复制粘贴；
Cursor 想执行代码，你需要切换到终端；
换了一个大模型，之前写的工具调用代码全部作废；

这些问题，MCP 协议正是为了解决它们而生。

一、什么是 MCP？

MCP（Model Context Protocol） 是由 Anthropic 在 2024 年底开源的一套开放协议，基于 JSON‑RPC 2.0。

简单理解：MCP 就是 AI 生态的 USB‑C 通用接口。

它标准化了大模型访问本地文件、数据库、第三方 API 的方式，彻底解决了不同大模型工具调用接口碎片化的问题。

一次开发 MCP Server，所有兼容 MCP 的 AI 客户端（Claude、Cursor 等）都能直接使用。

二、MCP 核心角色

MCP 采用经典的 C/S 架构，包含三个角色：

角色	说明	示例
MCP Host	AI 宿主应用，内置大模型，负责业务交互	Claude Desktop、Cursor
MCP Client	内嵌在 Host 内部的通信连接器	转发请求、接收结果
MCP Server	轻量服务程序，封装真实能力，不包含 AI 推理	文件读写、数据库查询、API 调用

💡 MCP Server 本身不做推理，只负责执行具体操作并返回数据。

三、MCP Server 三大能力

MCP Server 对外提供三种能力：

1. Tools（工具）------ 可执行动作

可以执行写文件、调用 API、发送邮件、爬虫等有副作用的操作。

python

python 复制代码

@mcp.tool()
def write_file(path: str, content: str) -> str:
    with open(path, 'w') as f:
        f.write(content)
    return f"已写入 {path}"

2. Resources（资源）------ 只读数据

提供文档、代码仓库、数据库记录等只读上下文，供模型读取。

python

python 复制代码

@mcp.resource("file://docs/readme.md")
def get_readme() -> str:
    return open("README.md").read()

3. Prompts（提示模板）------ 复用提示词

预定义常用提示模板，客户端直接复用。

python

python 复制代码

@mcp.prompt()
def code_review(code: str) -> str:
    return f"请对以下代码进行审查：\n{code}"

四、MCP 工作流程

一张图看懂 MCP 的完整调用链路：

text

python 复制代码

用户提问 → Host(Claude) → LLM 决策 → MCP Client → MCP Server → 执行操作 → 返回结果 → LLM 整理 → 输出回答

具体步骤：

MCP Server 启动时，向 Client 上报 Tools、Resources、Prompts 清单；
用户提问，Host 将问题 + 可用工具列表传给大模型；
LLM 判断需要调用外部能力，生成调用指令；
Client 按 MCP 协议请求对应的 MCP Server；
Server 执行操作（读写文件、查数据库、调 API 等）；
原始结果回传给 Client，LLM 整理后输出最终回答。

五、三种传输方式

传输方式	适用场景
Stdio（标准输入输出）	本地进程通信，最常用，本地 MCP Server 首选
SSE（Server‑Sent Events）	HTTP 单向推送，适合远程服务
Streamable HTTP	完整 HTTP 双向流式，适合云端部署

六、典型使用场景

场景	说明
本地文件操作	AI 安全访问电脑目录，无需手动复制粘贴
企业知识库	AI 对接内部数据库，不用为每个模型单独开发插件
IDE 智能编程	Cursor 读取项目代码、执行脚本、自动修复
Agent 智能体	统一对接各类第三方服务，一次开发多端复用

七、MCP 的核心优势

✅ 一次开发，多端复用

一套 MCP Server，Claude、Cursor、以及其他兼容客户端直接使用，省去重复适配。

✅ 隔离安全

大模型不能直接操作本机，所有操作都经过 MCP Server 做权限管控。

✅ 轻量化

专注能力封装，不用内置大模型，部署简单。

八、MCP 的局限

局限	说明
无 AI 推理能力	MCP Server 仅做能力封装，不包含模型
生态早期	主要围绕 Claude，其他模型陆续适配中
远程安全	公网部署需要自行处理鉴权和安全防护

九、和普通 Function‑Calling 的区别

对比项	Function‑Calling	MCP
协议性质	大模型厂商私有格式	独立开放协议
解耦程度	工具绑定特定模型	工具与模型完全解耦
复用性	每个模型需重新适配	一次开发，所有 MCP 客户端通用
部署方式	随模型调用	工具可独立部署

MCP 让工具服务和大模型彻底解耦，这才是真正的"标准化"。

十、快速开始

环境准备

bash

python 复制代码

# 安装依赖
uv sync

# 验证安装
uv run python tutorial/01-getting-started/01_install.py

教程导航

模块	内容	文件
入门	安装验证、第一个服务器、STDIO 客户端/服务端	`tutorial/01-getting-started/`
服务器	Tools、Resources、Prompts、上下文、中间件、组合	`tutorial/02-servers/`
客户端	客户端基础、传输协议、客户端操作	`tutorial/03-clients/`
部署	HTTP 部署、生产环境部署	`tutorial/04-deployment/`

十一、总结

MCP 的出现，标志着 AI 工具调用从"私有协议"走向"开放标准"。

对开发者：一次开发，多端复用
对用户：AI 更安全地访问本地数据
对生态：统一的工具接口标准

无论你是 AI 应用开发者，还是技术爱好者，MCP 都值得你花时间去了解和使用。