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。

本文目录：

• MCP概念与架构全解析

• 动手做一个MCP的Demo

• MCP Server + LlamaIndex/LangGraph：快速构建Agent

• 推荐资源

01

MCP概念与架构全解析

让我们从一个实际的开发样例开始。

【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：

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：

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。

【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

    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。

【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：

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。

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：

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？

• MCP Server使用什么语言创建？

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

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

02

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。

【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")

# 添加一个加法工具
@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。

【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.pyfrom 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：

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：

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！

【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：

03

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）。

【找到MCP Server并安装】

我们先来挑选一个MCP Server。比如这一个：

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

【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())

【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：

04

推荐资源

• 官方文档

https://modelcontextprotocol.io/introduction

• MCP Server精选

• • https://github.com/punkpeye/awesome-mcp-servers

  • https://glama.ai/mcp/servers（web目录）

• 把stdio-based的MCP server转化为SSE远程Server

https://github.com/supercorp-ai/supergateway

• LangChain的mcp适配器

https://github.com/langchain-ai/langchain-mcp-adapters

我们将在后续演示一个连接多MCP Server的更复杂的Agent应用，为大家介绍如何同时管理多个MCP Server会话，并使用其中的Tools。欢迎继续关注。

 

 如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓