MCP新手图文指南：轻松实现AI与您的数据和工具无缝对接

摘要：MCP（模型上下文协议）是由Anthropic推出的开放式规范，旨在标准化AI模型与外部数据源和工具之间的交互。它通过定义主机、客户端和服务器三大角色，提供资源、工具和提示模板三大功能模块，大幅降低AI应用的集成成本。文章详细介绍了如何用Python和Node.js构建MCP服务器（如计算器和文件读取工具），并展示了GitHub PR审核助手的实战案例。MCP的优势包括一体化集成、跨平台互通

霍格沃兹测试开发学社

1031人浏览 · 2025-07-07 16:08:13

霍格沃兹测试开发学社 · 2025-07-07 16:08:13 发布

1. MCP到底是什么？我们为何要采用它？

MCP，即模型上下文协议（Model Context Protocol），是由Anthropic 推出的开放式规范，旨在打通 AI 模型与外部数据源和各类工具之间的“沟通桥梁”。

设想一下，当你希望像 Claude 这样的 AI 助手读取你的文档、查询数据库或调用专属工具时，过去往往需要为每一个场景单独编写连接代码，繁琐且耗时。

MCP 就好比 AI 领域的“万用接口”：它定义了一套统一的接入标准，使得 AI 应用能够无需额外适配，就能快速挂载各种数据源和工具，从而大幅降低集成成本与开发难度。

MCP所要攻克的核心痛点：

集成零散繁杂：每个 AI 应用均需为不同数据源单独开发对接接口
大量重复建设：各团队各自为阵，反复搭建同质化的连接方案
N×M接口爆炸：当 N 个 AI 客户端要接入 M 类数据源时，往往产生 N×M 条定制化集成路径

2. MCP核心架构：三大角色

MCP的设计逻辑十分直观，围绕以下三类主体展开：

主机（Host）

主机是MCP体系的“大脑”，它负责：

创建并管理多个客户端实例
掌控客户端的访问权限与生命周期
实施安全策略与权限校验
协调AI/LLM与各组件之间的交互

在实际使用中，主机通常指你正在运行的AI应用，比如 Claude Desktop、Cursor 编辑器，或其他兼容MCP的工具。

客户端（Client）

客户端由主机动态生成，用来对接特定服务器，它的职责包括：

与某一服务器建立专属会话
完成协议协商与功能能力交换
在服务器与主机间进行双向消息转发

每个客户端实例仅专注于与对应服务器的通信，确保信息流畅无误。

服务器（Server）

服务器是功能和数据的提供者，它：

通过MCP接口暴露资源、工具或提示模板
独立运行，专注履行自身职责
可部署为本地进程或远程服务

你将构建

3. MCP的三大功能模块

MCP服务器可为AI模型提供三类关键服务：

资源（Resources） 资源指服务器向AI暴露的各种数据内容，每项资源均有唯一URI标识。
- 示例：文件系统中的文档、数据库里的表结构或字段说明、特定业务信息等
- 由应用端驱动，根据上下文需求动态聚合并下发给模型
工具（Tools） 工具使AI模型能够执行具体操作，每个工具通过名称与元数据描述自身接口。
- 示例：数据库查询工具、调用外部API的接口、复杂计算模块等
- 由模型主动调用：AI根据上下文和用户指令自动发现并触发所需工具
提示模板（Prompts） 提示模板是一组预定义的结构化消息和指令，帮助模型高效完成特定任务。
- 示例：生成报告的格式化模板、代码审查的专用指令集等
- 由用户选定并传入参数，确保输出符合预期需求

4. 实战演练：打造你第一个MCP服务器

接下来，我们将通过两个简明示例，分别使用 Python 与 Node.js，手把手实现一个 MCP 服务器。

方案一：Python 版简易计算器

在此示例中，我们将创建一个基础的 MCP 服务器，向 AI 模型公开“加法”和“乘法”两个工具，演示如何快速让模型调用你的自定义功能。

import sys
from mcp.server.fastmcp import FastMCP

# 初始化MCP服务器
calculator = FastMCP("calculator")

# 注册加法工具
@calculator.tool()
async def add(a: float, b: float) -> float:
    """将两个数字相加并返回结果。"""
    print(f"执行加法: {a} + {b}", file=sys.stderr)
    return a + b

# 注册乘法工具
@calculator.tool()
async def multiply(a: float, b: float) -> float:
    """将两个数字相乘并返回结果。"""
    print(f"执行乘法: {a} * {b}", file=sys.stderr)
    return a * b

# 运行服务器
if __name__ == "__main__":
    calculator.run(transport="stdio")

步骤说明：

安装依赖：首先安装MCP Python SDK

pip install "mcp[cli]"

创建服务器文件：将上面的代码保存为calculator.py

运行服务器：

python calculator.py

连接到Claude Desktop：

打开Claude Desktop应用
在聊天输入框中，你会看到一个插件图标(🔌)
点击并选择"Connect to MCP Server"
输入你的服务器路径（如果是在本地运行，通常是当前目录下的calculator.py）

使用服务器：

连接后，你可以在Claude中要求计算，如"请帮我计算15+27"
Claude会自动调用add工具，返回结果42

方案二：NodeJS文件读取服务器

下面是一个使用NodeJS创建的简单MCP服务器，用于读取本地文件：

import { MCPServer } from '@modelcontextprotocol/typescript-sdk';
import fs from 'fs/promises';
import path from 'path';

// 创建MCP服务器
const server = new MCPServer({
  name: 'file_reader'
});

// 注册读取文件工具
server.registerTool({
  name: 'read_file',
  description: '读取指定路径的文本文件内容',
  parameters: {
    type: 'object',
    properties: {
      file_path: {
        type: 'string',
        description: '要读取的文件路径'
      }
    },
    required: ['file_path']
  },
  handler: async ({ file_path }) => {
    try {
      // 确保文件路径安全
      const normalizedPath = path.normalize(file_path);
      // 读取文件内容
      const content = await fs.readFile(normalizedPath, 'utf-8');
      return content;
    } catch (error) {
      return `读取文件失败: ${error.message}`;
    }
  }
});

// 启动服务器
server.start();

步骤说明：

初始化项目：

mkdir file-reader-mcp
cd file-reader-mcp
npm init -y
npm install @modelcontextprotocol/typescript-sdk

创建服务器文件：将上面的代码保存为index.js

配置package.json：添加type:"module"和启动脚本

{
  "type": "module",
  "scripts": {
    "start": "node index.js"
  }
}

运行服务器：

npm start

连接到Claude Desktop：同上，连接到你的文件读取服务器

使用服务器：

你可以在Claude中要求读取特定文件，如"请读取D:/projects/example.txt文件"
Claude会使用read_file工具读取并展示文件内容

5. 应用示例：GitHub Pull Request 审核助手

在此示例中，我们将开发一款能够自动化审查 GitHub PR 的助手，具备以下功能：

抓取指定 PR 的代码变更详情
利用 Claude 对差异部分进行智能分析
将审查结果同步写入 Notion 中便于后续跟踪和归档

该MCP服务器的核心功能：

# 省略导入和初始化代码...

class PRAnalyzer:
    def __init__(self):
        # 加载环境变量
        load_dotenv()
        
        # 初始化MCP服务器
        self.mcp = FastMCP("github_pr_analysis")
        
        # 初始化Notion客户端
        self._init_notion()
        
        # 注册MCP工具
        self._register_tools()
    
    def _register_tools(self):
        """注册PR分析工具"""
        @self.mcp.tool()
        async def fetch_pr(repo_owner: str, repo_name: str, pr_number: int) -> Dict[str, Any]:
            """获取GitHub PR的变更内容"""
            pr_info = fetch_pr_changes(repo_owner, repo_name, pr_number)
            return pr_info
        
        @self.mcp.tool()
        async def create_notion_page(title: str, content: str) -> str:
            """创建Notion页面保存PR分析结果"""
            # 创建Notion页面的代码...
            return f"Notion页面'{title}'创建成功!"
    
    def run(self):
        """启动MCP服务器"""
        self.mcp.run(transport="stdio")

# 启动服务器
if __name__ == "__main__":
    analyzer = PRAnalyzer()
    analyzer.run()

使用步骤：

启动你的 PR 审核 MCP 服务
在 Claude Desktop 中添加并连接该服务
向 Claude 下达审查请求，例如：“请帮我审查 owner/repo 库的 #123 (closed) 号 PR”
Claude 会调用 fetch_pr 工具拉取该 PR 的变更内容
Claude 对代码差异进行智能分析，并反馈评审意见
若需归档评审结果，可指示 Claude 调用 create_notion_page 工具，将分析报告写入你的 Notion 空间

Claude分析PR

Claude分析PR示例

6. 安全与隐私考量

在部署和使用 MCP 时，需要遵循以下原则，确保数据与操作的安全性：

用户知情与授权：在任何数据访问或操作前，清晰告知用户用途并征得其同意。
数据保密与访问控制：主机在转发用户数据给服务器之前，需获得明确授权；敏感信息应加密并设置严格权限。
工具执行风险管理：由于工具调用可能执行任意代码，主机须在触发前再次取得用户许可，并通过白名单或沙箱隔离降低风险。
LLM 交互与采样审批：任何涉及语言模型采样的请求，都要让用户确认采样意图、所用提示与可见结果；禁止在未经授权的情况下发送私密数据给模型。

7. 总结与未来展望

MCP 作为开放标准，为 AI 模型与外部系统的对接提供了显著优势：

一体化集成：统一协议大幅简化了对接流程，减少重复开发。
跨平台互通：支持在不同 AI 引擎与供应商之间灵活切换，无需定制化适配。
安全可控：数据与权限可在本地或受信任环境中管理，降低隐私泄露风险。
高可扩展性：兼容 stdio、WebSocket、HTTP 等多种通信方式，易于横向扩展。

随着MCP生态系统的发展，以后将持续壮大：

即插即用插件：社区和厂商将贡献更多开箱即用的服务器实现。
集中化发现平台：可能出现 MCP 注册中心，便于搜索、验证与管理服务。
全面远程支持：基于 SSE、gRPC 等协议的远程 MCP 服务将更加成熟。
标准化安全认证：与 OAuth 2.0、OIDC 等认证框架深度融合，提升安全体验。

MCP交流群

爱测智能化服务平台

测开人必看！0代码+AI驱动，测试效率飙升300% ——霍格沃兹测试开发学社‌重磅上新‌「爱测智能化服务平台」限时开放体验！

一码难求的Manus：智能体技术如何重构生产力？测试领域又有哪些新机遇？

开源工具

AppCrawler 开源版
https://github.com/seveniruby/AppCrawler

Hogwarts-Browser-Use 开源版
指导安装贴：hogwarts-browser-use - 开源项目 - 爱测-测试人社区

专业版（7天免费试用）

自动遍历测试框架 AppCrawler 专业版
通用数据驱动测试框架 hogwarts-ddt 专业版
测试智能体框架 hogwarts-agent 专业版

学社提供的资源

教育官网：霍格沃兹测试开发学社
科技官网：测吧（北京）科技有限公司
火焰杯就业选拔赛：火焰杯就业选拔赛 - 霍格沃兹测试开发学社
火焰杯职业竞赛：火焰杯职业竞赛 - 霍格沃兹测试开发学社
学习路线图：霍格沃兹测试开发学社
公益社区论坛：爱测-测试人社区 - 软件测试开发爱好者的交流社区，交流范围涵盖软件测试、自动化测试、UI测试、接口测试、性能测试、安全测试、测试开发、测试平台、开源测试、测试教程、测试面试题、appium、selenium、jmeter、jenkins
公众号：霍格沃兹测试学院
视频号：霍格沃兹软件测试
ChatGPT体验地址：霍格沃兹测试开发学社

本套视频教程所有配套资料领取方式如下:

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

Bright Data MCP+Trae ：快速构建电商导购助手垂直智能体

MCP技术社区

MCP和开源Agent框架整理

第一阶段：LLM 仅依赖训练数据回答，缺乏工具调用能力。第二阶段：增加上下文输入，可调用工具但交互不自然。第三阶段：构建底层架构，LLM 能接入外部应用，系统实现可维护性。MCP打通上下文与工具接入，“给 agent 装上执行工具的统一接口”；Agent 架构定义 agent 内部如何思考、通信和执行；Agent 编排将多个架构合理协作组合完成复杂任务；开源框架则将上述三者封装成不同级别和适配场景