从入门到精通，构建 AI 与外部世界的桥梁

---

目录

1. 什么是 MCP
2. MCP 核心架构
3. 核心概念详解
4. 构建第一个 MCP 服务器
5. 构建 MCP 客户端
6. MCP 与其他协议对比
7. 高级主题与最佳实践
8. 实战：构建智能代码助手
9. 未来展望

---

1. 什么是 MCP

Model Context Protocol（MCP）是由 Anthropic 提出的一种开放协议，旨在标准化 AI 模型与外部工具、数据源之间的通信方式。MCP 的核心理念类似于 USB-C 接口——提供统一的、标准化的连接方式，让任何 AI 应用都能以一致的方式接入各种外部能力。

在 MCP 出现之前，每个 AI 应用都需要为不同的工具、API 和数据源编写定制化的集成代码。这导致了大量重复工作，且各集成方案之间互不兼容。MCP 通过定义统一的协议规范，使得开发者只需实现一次集成，即可在任何支持 MCP 的 AI 应用中使用。

MCP 的设计目标：

• 标准化：为 AI 模型与外部系统的交互提供统一协议
• 可扩展：支持任意类型的外部工具和数据源
• 安全可控：提供细粒度的权限控制和安全机制
• 跨平台：不绑定任何特定的 AI 模型或平台
• 生态友好：降低第三方集成的门槛，促进生态繁荣

类比理解：

如果把 AI 模型比作一台电脑的主机，那么 MCP 就是这个主机的 USB-C 接口。无论你想连接打印机、硬盘、显示器还是键盘，只需要插入对应的 USB 设备即可——不需要每次都重新设计和制造一个新的接口。

---

2. MCP 核心架构

2.1 客户端-服务器模型

MCP 采用经典的客户端-服务器（Client-Server）架构，分为三个核心角色：

• MCP 主机（Host）：运行 AI 模型的应用，如 Claude Desktop、VS Code 插件、Web 应用等
• MCP 客户端（Client）：在 Host 内部运行，负责与 Server 建立一对一连接
• MCP 服务器（Server）：提供具体能力的外部程序，如数据库查询、文件操作、API 调用等

2.2 通信协议

MCP 支持两种传输层协议：

• stdio（标准输入输出）：适合本地进程通信，简单高效
• HTTP + SSE（Server-Sent Events）：适合远程服务通信，支持流式响应

消息格式采用 JSON-RPC 2.0 规范，所有请求和响应都遵循统一的消息结构。一条典型的 MCP 请求如下：

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "read_file",
    "arguments": { "path": "/home/user/readme.md" }
  }
}

2.3 生命周期

MCP 连接的生命周期分为三个阶段：

• 初始化（Initialization）：客户端与服务器交换能力信息（capability negotiation）
• 运行（Operation）：正常进行请求/响应和通知消息传递
• 关闭（Shutdown）：优雅地终止连接，释放资源

---

3. 核心概念详解

3.1 Resources（资源）

Resources 是 MCP 中用于数据读写的抽象。它类似于 REST API 中的资源概念，但更加灵活。资源可以是文件内容、数据库记录、API 响应等任何数据。

资源支持 URI 寻址，客户端可以通过 resource:// 前缀的 URI 来访问资源。同时支持订阅机制，当资源发生变化时，服务器可以主动推送更新给客户端。

// 服务端注册资源
server.setRequestHandler(ListResourcesRequestSchema, async () => ({
  resources: [{
    uri: "file:///project/readme.md",
    name: "项目说明",
    mimeType: "text/markdown",
  }]
}));

3.2 Tools（工具）

Tools 是 MCP 中最核心的概念，代表 AI 模型可以调用的外部能力。与 Resources 不同，Tools 是主动执行操作的，而非被动提供数据。

每个 Tool 包含三个要素：

• 名称（name）：唯一标识符，如 read_file、search_code
• 描述（description）：自然语言描述，帮助 AI 理解何时使用该工具
• 输入模式（inputSchema）：JSON Schema 定义的参数结构

3.3 Prompts（提示模板）

Prompts 是预定义的提示词模板，可以包含参数和资源引用。它们帮助 AI 应用提供一致的交互体验，并且可以动态组合不同的上下文信息。

3.4 Sampling（采样）

Sampling 允许 MCP 服务器主动请求 AI 模型生成内容。这在需要多轮交互或服务器端需要 AI 辅助决策时非常有用。这是一个高级特性，需要在初始化时声明支持。

---

4. 构建第一个 MCP 服务器

4.1 环境准备

mkdir my-mcp-server && cd my-mcp-server
npm init -y
npm install @modelcontextprotocol/sdk

4.2 实现文件管理服务器

以下是一个完整的 MCP 文件管理服务器示例，提供读取文件和列出目录两个工具：

import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import {
  ListToolsRequestSchema,
  CallToolRequestSchema,
} from "@modelcontextprotocol/sdk/types.js";
import fs from "fs/promises";
import path from "path";

const server = new Server(
  { name: "file-manager", version: "1.0.0" },
  { capabilities: { tools: {} } }
);

// 注册工具列表
server.setRequestHandler(ListToolsRequestSchema, async () => ({
  tools: [
    {
      name: "read_file",
      description: "读取指定路径的文件内容",
      inputSchema: {
        type: "object",
        properties: {
          path: { type: "string", description: "文件路径" }
        },
        required: ["path"]
      }
    },
    {
      name: "list_directory",
      description: "列出目录中的文件和子目录",
      inputSchema: {
        type: "object",
        properties: {
          path: { type: "string", description: "目录路径" }
        },
        required: ["path"]
      }
    }
  ]
}));

// 处理工具调用
server.setRequestHandler(CallToolRequestSchema, async (request) => {
  const { name, arguments: args } = request.params;

  switch (name) {
    case "read_file": {
      const content = await fs.readFile(args.path, "utf-8");
      return { content: [{ type: "text", text: content }] };
    }
    case "list_directory": {
      const files = await fs.readdir(args.path);
      return {
        content: [{ type: "text", text: files.join("\n") }]
      };
    }
    default:
      throw new Error(`Unknown tool: ${name}`);
  }
});

// 启动服务器
const transport = new StdioServerTransport();
await server.connect(transport);

4.3 配置 Claude Desktop

在 claude_desktop_config.json 中添加以下配置，即可在 Claude Desktop 中使用上面创建的 MCP 服务器：

{
  "mcpServers": {
    "file-manager": {
      "command": "node",
      "args": ["/path/to/my-mcp-server/index.js"]
    }
  }
}

---

5. 构建 MCP 客户端

MCP 客户端负责与服务器建立连接并管理通信。以下是一个使用 TypeScript 实现的客户端示例：

import { Client } from "@modelcontextprotocol/sdk/client/index.js";
import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";

async function main() {
  const transport = new StdioClientTransport({
    command: "node",
    args: ["./server.js"]
  });

  const client = new Client(
    { name: "my-client", version: "1.0.0" },
    { capabilities: {} }
  );

  await client.connect(transport);

  // 获取可用工具列表
  const { tools } = await client.listTools();
  console.log("可用工具:", tools.map(t => t.name));

  // 调用工具
  const result = await client.callTool({
    name: "read_file",
    arguments: { path: "./package.json" }
  });
  console.log("结果:", result.content[0].text);

  await client.close();
}

main().catch(console.error);

---

6. MCP 与其他协议对比

6.1 MCP vs Function Calling

OpenAI 的 Function Calling 是模型级别的工具调用机制，而 MCP 是应用级别的协议。Function Calling 需要在每次请求中携带工具定义，而 MCP 将工具注册和调用分离，支持更复杂的工具管理和状态维护。

6.2 MCP vs LangChain Tools

LangChain Tools 是框架内置的工具抽象，绑定于 LangChain 生态。MCP 是语言无关的开放协议，任何语言、任何框架都可以实现和消费 MCP 服务。

6.3 MCP vs Plugin 系统

ChatGPT Plugins 是闭源的专有系统，受限于特定平台。MCP 完全开源，可以在任何地方部署和使用，给予开发者完全的控制权。

对比表格

特性	Function Calling	LangChain Tools	MCP
开放性	仅 OpenAI	仅 LangChain	完全开源
语言支持	Python/Node	Python/JS	任意语言
状态管理	无状态	会话级	连接级
工具发现	请求时携带	代码注册	动态发现
适用场景	简单函数调用	链式编排	企业级集成

---

7. 高级主题与最佳实践

7.1 安全性设计

• 最小权限原则：每个 MCP 服务器只暴露必要的工具和资源
• 用户授权：敏感操作需要用户明确授权
• 输入验证：严格校验所有来自 AI 模型的输入参数
• 沙箱隔离：MCP 服务器应在受限环境中运行

7.2 性能优化

• 批量操作：将多个小请求合并为一次批量调用
• 缓存策略：对频繁访问的资源启用客户端缓存
• 流式传输：使用 SSE 传输大体积数据，减少内存占用
• 连接池：复用 MCP 连接，避免频繁创建/销毁开销

7.3 错误处理

MCP 定义了标准的错误码体系，包括工具未找到、参数错误、权限不足等。服务器应始终返回结构化错误信息，方便 AI 模型理解和纠正。

7.4 工具设计原则

• 单一职责：每个工具只做一件事，做好一件事
• 描述清晰：工具描述应包含使用场景、前置条件和预期结果
• 参数命名语义化：使用描述性的参数名，如 read_file 而非 rf
• 返回结构化：始终返回 JSON 格式的结构化结果，而非纯文本

---

8. 实战：构建智能代码助手

让我们结合前面的知识，构建一个实用的智能代码助手 MCP 服务器，它能够：

• 读取和分析项目文件
• 执行代码搜索
• 运行 linter 检查
• 生成代码审查报告

8.1 项目结构

code-assistant-mcp/
  src/
    index.ts          # 入口
    tools/
      search.ts       # 代码搜索工具
      lint.ts         # Linter 检查工具
      review.ts       # 代码审查工具
    resources/
      project.ts      # 项目信息资源
  package.json

8.2 核心实现要点

• 使用 @modelcontextprotocol/sdk 构建服务器
• 利用 ripgrep 实现高性能代码搜索
• 集成 ESLint 进行实时代码质量检查
• 通过 git diff 分析变更，生成审查建议

8.3 使用效果

配置好后，AI 助手就可以直接操作你的代码库：读取文件、搜索特定模式、检查代码质量，甚至生成重构建议。所有这些操作都在本地执行，数据不会离开你的机器。

---

9. 未来展望

MCP 作为一项新兴的开放协议，正在快速发展中。以下是一些值得关注的方向：

• 远程 MCP 注册中心：集中发现和管理第三方 MCP 服务器
• MCP 市场/商店：类似 VS Code 扩展市场，分享和分发 MCP 服务器
• 可视化编排：通过拖拽方式组合多个 MCP 服务，构建复杂工作流
• 企业级特性：多租户隔离、审计日志、SLA 保障
• 跨模型协作：多个 AI 模型通过 MCP 共享工具和上下文

---

结语

MCP 正在重新定义 AI 与外部世界的交互方式。它不仅是一个技术协议，更是一种开放生态的愿景——让 AI 能够无缝地连接和使用人类已经构建的所有数字工具。作为开发者，现在就是学习和参与 MCP 生态的最佳时机。