MCP 核心宝典 | 2025 最新最全！经典MCP案例实操讲解！必读！

就好像你只会说英语，想从只会说法语、德语等外语的人那里获取信息，你得学对应外语。但要是有个能理解所有语言的翻译，问题就简单了，MCP就像这个翻译，让代理能通过单一接口与其他工具或能力交流。实际上，大型语言模型（LLMs）虽知识丰富、推理能力强，能完成复杂任务，但知识局限在初始训练数据内。若需实时信息，就得用外部工具，而MCP就是让AI模型无缝交互的标准化接口和框架，类似USB-C 为电子设备统一连

福福很能吃

408人浏览 · 2025-07-16 15:09:49

福福很能吃 · 2025-07-16 15:09:49 发布

MCP 核心宝典 | 2025 最新最全！经典MCP案例实操讲解！必读！

干货来了，2025最新版超级详细MCP说明手册，内容有点长，耐心看完，必有收获！

第一部分：模型上下文协议（MCP）

*什么是 MCP ？*

就好像你只会说英语，想从只会说法语、德语等外语的人那里获取信息，你得学对应外语。

但要是有个能理解所有语言的翻译，问题就简单了，MCP就像这个翻译，让代理能通过单一接口与其他工具或能力交流。

实际上，大型语言模型（LLMs）虽知识丰富、推理能力强，能完成复杂任务，但知识局限在初始训练数据内。

若需实时信息，就得用外部工具，而MCP就是让AI模型无缝交互的标准化接口和框架，类似USB-C 为电子设备统一连接标准。

*为何要创造 MCP ？*

在MCP出现前，连接AI与外部数据和操作的方式要么是为每个工具硬编码逻辑，要么是管理不够稳健的提示链。

要么是用特定供应商的插件框架，导致出现 M×N 集成难题，例如，若有M个AI应用和N个工具 / 数据源，可能需要 M×N 个定制集成。

而MCP通过引入中间的标准接口解决此问题，将 M×N 直接集成变为 M+N 个实现。

即每个 AI 应用实现一次 MCP 客户端，每个工具实现一次 MCP 服务器，简化了连接。

*MCP 架构概览*

**
**

*宿主（Host）***：**是面向用户的 AI 应用，如聊天应用、AI 增强型 IDE 等。它发起与 MCP 服务器的连接，捕获用户输入，保留对话历史并显示模型回复。

*客户端（Client）***：**在宿主内，负责处理底层事务，像适配器或信使，负责按 MCP 协议执行宿主指令。

***服务器（Server）：*是提供功能（工具等）的外部程序或服务，可本地或远程运行，关键是以标准格式告知能做什么，执行客户端请求并返回结果。

MCP 基于客户端 - 服务器架构，主要有三个角色：

**工具（Tools）****：**是AI可调用的可执行动作或函数，通常由 AI 模型选择触发，常涉及文件 I/O 或网络调用等副作用或需额外计算的操作。

例如：一个获取天气信息的简单工具，AI 可通过调用该工具。

传入地点参数，服务器执行后返回结果，客户端获取并供 AI 使用。

*资源（Resources）***：**为 AI 提供只读数据，类似数据库或知识库，AI 可查询获取信息，但不能修改。

与工具不同，资源通常在宿主控制下访问，避免模型随意读取。示例：从本地文件、知识库片段、数据库查询结果（只读）等获取内容。

*提示（Prompts）***：**是预定义的提示模板或对话流程，可注入以引导 AI 行为。

例如，代码审查的提示模板，服务器提供后，宿主可调用并插入用户代码，供模型生成回复前使用。

上面这三者构成了MCP框架的核心能力。

第二部分：MCP 实操项目案例讲解

*100%完全本地MCP客户端*

MCP 客户端就是AI应用（例如 Cursor）中的一个组件，用于与外部工具建立连接。下面我们讲解如何完全在本地构建一个MCP项目。

构建本地MCP客户端，技术栈涉及LlamaIndex构建MCP驱动的代理、Ollama本地部署Deepseek-R1、LightningAI 用于开发和托管。

工作流程包括，用户提交查询、代理连接 MCP 服务器发现工具、调用工具获取上下文并返回响应。

*案例1：****SQLite MCP服务器*****

下面我们看看如何实现SQLite MCP服务器、设置 LLM、定义系统提示、定义代理、定义代理交互、初始化 MCP 客户端和代理以及运行代理等步骤。

***步骤1：*构建*SQLite MCP服务器*：在本次演示中，我们搭建了一个简单的SQLite 服务器，用到下面两个工具：

● 添加数据

● 获取数据

***步骤2：*设置大型语言模型（LLM）

我们将通过 Ollama 本地部署 Deepseek-R1，将其用作 MCP 驱动代理的 LLM。

***步骤3：*定义系统提示

我们为代理设置了指导性指令，使其在回应用户查询前能够使用工具。可根据实际需求灵活调整此设置。

***步骤4：*定义代理

我们定义了一个函数，用于构建一个典型的 LlamaIndex 代理，并为其提供合适的参数。

传递给代理的工具是 MCP 工具，这些工具会被 LlamaIndex 封装为原生工具，从而能够被我们的函数代理轻松使用。

***步骤5：*定义代理交互我们将用户消息传递给函数代理，并附带一个共享的上下文以实现记忆功能，同时流式处理工具调用并返回其回复。

在这里，我们管理所有的聊天历史记录和工具调用。

***步骤6：*初始化 MCP 客户端和代理

*启动 MCP 客户端，加载其工具，并将它们封装为 LlamaIndex 中函数调用代理可用的原生工具。然后，将这些工具传递给代理，并添加上下文管理器。*

**步骤7：**运行代理：**

*最后，我们开始与代理进行交互，并获取SQLite MCP服务器中的工具。*

以上就是我们完全本地化***SQLite MCP演示部分，大家感兴趣可以自行尝试！***

*MCP 驱动的代理式 RAG*

案例2：MCP 驱动的代理式 RAG，实现够搜索向量数据库

下面我们讲解如何创建一个MCP 驱动的代理式 RAG，实现够搜索向量数据库，并在需要时回退到网络搜索！

技术栈：

使用 Bright Data 进行大规模网页抓取。
采用 Qdrant 作为向量数据库。
选择 Cursor 作为 MCP 客户端。

流程：

用户通过 MCP 客户端（Cursor）输入查询。
客户端联系 MCP 服务器以选择相关工具。
工具输出返回给客户端以生成响应。

现在我们来实现这个功能吧！

**步骤1：**启动 MCP 服务器**

*首先，我们需要定义一个 MCP 服务器，指定其主机 URL 和端口。*

***步骤2：*****向量数据库MCP工具

通过 MCP 服务器暴露的工具需满足两项要求：

● 必须使用 “tool” 装饰器进行装饰。

● 必须具备清晰的文档字符串。

下面，我们展示了一个用于查询向量数据库的 MCP 工具示例，该数据库存储了与机器学习相关的常见问题。

**步骤3：**网络搜索MCP工具

当查询与机器学习无关时，我们使用 Bright Data 的 SERP API 进行网络搜索，以从多个来源抓取数据并获取相关上下文。

以下是实现网络搜索 MCP 工具的示例代码（仅供参考）：

from fastmcp import FastMcPimport requestsimport asyncio
# 创建 MCP 服务器mcp = FastMcP("web-search-demo")
# 定义网络搜索工具@mcp.tool()def bright_data_web_search_tool(query: str) -> list[str]:    """    使用 Bright Data 的 SERP API 搜索了一些信息。
    输入：    query (str)：要搜索的信息。
    输出：    context (list[str])：最相关的网络搜索结果列表。    """    # 获取环境变量中的 Bright Data 凭证    username = os.getenv("BRIGHT_DATA_USERNAME")    password = os.getenv("BRIGHT_DATA_PASSWORD")
    # 设置代理 URL    proxy_url = f'http://{username}:{password}@brd.superproxy.io:33335'
    # 格式化查询    formatted_query = "+".join(query.split())    url = f"https://www.google.com/search?q={formatted_query}&brd_json=1&num=50"
    # 发送请求    response = requests.get(url, verify=False, proxies={"http": proxy_url, "https": proxy_url})
    # 返回结果    return response.json()['organic']

**步骤4：**将MCP服务器与 Cursor 集成

转到设置 → MCP → 添加新的全局 MCP 服务器。在 JSON 文件中添加以下内容：