随着最近Manus带动Agent应用的火热，MCP（模型上下文协议）成为很多社区热议的话题。今天为带大家带来深度的MCP解析与实操应用指南，相信看完这篇你应该可以立刻上手MCP。

一、MCP概念与架构全解析

让我们从一个实际的开发样例开始。

1、 【为什么出现MCP】

假如你开发了一个AI应用，无论是ChatBot还是复杂的Agent，都不会再局限于简单的LLM对话，很多时候你需要与外部世界连接，以访问数据源或使用工具。比如：

  • 操控浏览器实现自动化；访问本地文件

  • 访问数据库结构，以更好的让AI做编程

  • 调用CRM的API以驱动智能客服流程

那么，你需要连接不同的对象，使用不同的接口协议；你需要熟悉SQL、HTTP调用、Playwright等接口；可能你还需要使用搜索引擎、访问云存储、调用第三方开放API…这都需要做大量的“粘合”工作：

img

MCP就是用来帮助简化LLM应用与这些外部资源间的集成。它允许LLM应用使用统一的协议来连接到这些外部资源，而不必逐个适配：

img

MCP的做法是增加了一个中间层：LLM应用通过统一的MCP协议连接中间层（称为MCP Server），而这个中间层会处理与外部资源的对接。

那为什么Agent火热以后大家才注意到MCP呢？很简单，因为Agent是最需要对接外部资源/工具的LLM应用。

2、【MCP有哪些好处】

其实在软件系统中这是一种常见设计范式（比如一些大模型API网关把不同厂家的大模型协议转化成统一的OpenAI兼容协议，以方便应用接入）。它的具体意义体现在：

  • LLM应用的简化： 不用适配各种私有协议，你只需要知道怎么连接MCP server
  • LLM应用的快速扩展： 随时“插拔”新的MCP Server即可，一个不够就再来一个

img

MCP的提出者Anthropic旗下的Claude Desktop就可以通过这种方式扩充能力。

  • 快速的适应变化： 想象下，如果一个外部资源的接口发生变化，只需要访问它的MCP Server做修改，所有的LLM应用就可无缝适应。

  • 新的AI能力共享生态： 通过MCP Server的共享，新的LLM应用可以快速获得各种工具，形成了一种新的合作体系，提高整体效用。

3、【基于MCP的集成架构】

基于MCP将你的LLM应用与外部资源集成的架构用下图表示：

img

相对于LLM应用直连外部资源，这里主要多了一个中间层（MCP Server），以及连接这个中间层的（MCP Client），理解了这两个，你就理解了MCP。

4、MCP Server

这里的Server不是传统意义上集中式的Server，你可以理解成一个服务插件。

MCP Server部署在哪里？

  • MCP Server可以部署在LLM应用本机，也可以远程部署（Remote），不过目前Remote方式还未完善，暂时不考虑。以下仅考虑本地模式。

MCP Server有哪些“服务”？

  • Tools：提供给LLM应用特别是Agent使用的工具。

  • Resoures：提供给LLM应用一些额外的结构化数据。

  • Prompts：提供给LLM应用的一些Prompt模板。比如你的应用是一个Chatbot，可以从MCP Server中取出这些模板，让使用者选择使用。

MCP Server从哪里获取？

  • 自己使用MCP SDK创建后供自己或企业内共享使用。

  • 从他人创建的MCP Servers中“挑选”，然后下载使用。比如从这里：

img

MCP Server如何启动？

  • 本地模式下，在LLM应用中配置启动命令后，会自动启动MCP Server

  • 不同的MCP Server可能有不同的启动命令，注意查看MCP Server说明书

  • 有的MCP Server需要先安装依赖；有的通过npx/uvx运行的MCP server，则会自动下载缓存并临时运行。

  • MCP Server启动后的物理形式是一个独立的进程。

MCP Server怎么与Client应用通信？

  • 本地模式下MCP Server与客户端应用间通过stdio/stdout（标准输入输出）的进程间通信进行消息交换。这种方式你肯定见过，比如：
  cat file.txt | grep "error" | sort > result.txt

  • MCP Server使用什么语言创建？

    目前支持TS/Python/Java SDK来编写MCP Server。

5、MCP Client
  • MCP Client是由客户端LLM应用使用Client SDK创建并维护的一个Server会话，就像你在程序中维护一个数据库的Connection一样。一般长这样：
async with stdio_client(server_params) as (read, write):
        async with ClientSession(
            read, write, sampling_callback=None
        ) as session:
......
  • 借助Client SDK你可以与MCP Server通信。比如查看Server的Tools：
tools = await session.list_tools()
  • 本地模式下，Client与Server是一对一的关系。如果需要连接多个MCP Server，需要自行维护多个Session

二、动手做一个MCP

我们用一个简单的Client+Server的完整Demo来加强理解。

使用pip install mcp安装SDK后，开始下列步骤。

1、【创建MCP Server】

这个MCP Server只有一个能力：提供一个计算器工具。实现如下：

#server_demo.py
from mcp.server.fastmcp import FastMCP

# 创建一个MCP服务器
mcp = FastMCP("演示")

# 添加一个工具
@mcp.tool()
def calculate(expression: str) -> float:
    """计算四则运算表达式
    参数:
        expression: 数学表达式字符串，如 "1 + 2 * 3"
    返回:
        计算结果
    """
    ...省略计算器代码...

if __name__ == "__main__":
    mcp.run(transport='stdio')

注意这里必须要有启动代码，但现在你无需启动它。

2、 【创建MCP Client】

现在创建一个客户端应用，来连接上面的MCP Server，并调用其中的计算器：

#client_demo.py
from mcp.client.stdio import stdio_client
from mcp import ClientSession, StdioServerParameters, types
import asyncio

#Client会使用这里的配置来启动本地MCP Server
server_params = StdioServerParameters(
    command="python", 
    args=["./server_demo.py"],
    env=None
)

async def main():       
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(
            read, write, sampling_callback=None
        ) as session:
            
            await session.initialize()

            print('\n正在调用工具...')
            result =await session.call_tool("calculate",{ "expression": "188*23-34" })
            print(result.content)

asyncio.run(main())

现在直接运行这个客户端，就可以看到如下输出：

img

我们在客户端加一行等待代码，让程序暂时挂起，来观察下面两个命令的结果：

img

发现了什么？MCP Server这里被自动启动了，而且它是客户端应用的子进程！

3、 【如何调试MCP Server】

这里还有个问题，如果我只是纯粹的MCP Server开发者，如何快速测试这个Server？对于这里的Python编写的server，可以使用MCP inspector来调试，运行命令：

mcp dev server_demo.py

现在访问http://localhost:5173，就进入可视化的调试界面，可以在这里直观的测试刚才的计算器工具：

img

三、第三方MCP Server + LlamaIndex/LangGraph：快速构建Agent

相对上面的例子，你可能更关心的是能否借助第三方MCP Server，来让自己的Agent快速使用工具，以连接外部资源？

现在一起来完成一个真正的Agent，这个Agent会使用第三方MCP Server中的工具来扩展自身能力，为了方便，这里借助LlamaIndex的FunctionCallingAgent来快速实现这个Agent（LangGraph请使用create_react_agent）。

1、 【找到MCP Server并安装】

我们先来挑选一个MCP Server。比如这一个：

img

这是一个用来访问ArXiv上论文的MCP Server，提供了搜索、下载等工具。根据它的说明，先安装（注意不同MCP Server安装命令不一样）：

uv tool install arxiv-mcp-server
2、【创建Agent，使用这个MCP Server】

现在我们创建Agent以连接并使用这个MCP Server。在MCP Server的说明中找到其使用的配置方法（其实就是运行命令与命令行参数），添加到Agent代码中：

...
server_params_axiv = StdioServerParameters(
    command="uv", # Executable
    args= [
            "tool",
            "run",
            "arxiv-mcp-server",
            "--storage-path", "./storage"
        ],
    env={**os.environ}
)

接下来借助LlamaIndex中的McpToolSpec直接把MCP server中的Tools转化为Agent用的Tools（langGraph请使用langchain-mcp-adapters），然后创建Agent即可：

async def main():
    # 连接MCP Server
    async with stdio_client(server_params_axiv) as (read, write):
        async with ClientSession(read, write, sampling_callback=None) as session:
            await session.initialize()
        
            # 查看下MCP server的工具
            print('\n正在列出服务器工具...')
            tools1 = await session.list_tools()
            for tool in tools1.tools:
                print('可用工具:', tool.name)
                
            # 获得MCP server的tools
            mcpToolSpec = McpToolSpec(session)
            tools_list = await mcpToolSpec.to_tool_list_async()

            #一个简单的FunctionCallingAgent
            agent = FunctionCallingAgent.from_tools(
                tools_list,
                llm=llm,
                verbose=True,
                system_prompt="你是一个问题回答专家。请使用工具回答问题。")

            #测试
            while True:
                question = input("\n请输入问题(输入q退出):")
                if question.lower() == 'q':
                    break
                response = await agent.achat(question)
                print(response)

asyncio.run(main())
3、 【测试】

这样就借助一个已有的MCP Server来让我们的Agent获得了Arxiv访问的能力，比如你可以让Agent帮下载一个论文：

img

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~
在这里插入图片描述

👉大模型学习指南+路线汇总👈

我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。
在这里插入图片描述
在这里插入图片描述

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。
在这里插入图片描述

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。
在这里插入图片描述

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。
在这里插入图片描述

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
在这里插入图片描述
相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！

# 网络 # 人工智能 # 深度学习
Logo
MCP技术社区

欢迎加入 MCP 技术社区！与志同道合者携手前行，一同解锁 MCP 技术的无限可能！

更多推荐

cover

读懂 MCP 协议：AI Agent 开发者的必备通信语言

avatar MCP技术社区
cover

Review-Gate MCP，让你的 cursor request 次数翻 5 倍

avatar MCP技术社区
cover

构建一个 MCP 服务：统一管理公司代码规范、文档、组件库和配置

avatar MCP技术社区