MCP协议导读
> **本章阅读时间**：约20分钟（共3篇）
MCP 协议导读：AI 工具调用的行业新标准
本章阅读时间：约20分钟（共3篇）
在理解 MCP 之前，先想象一个现实痛点。
MCP 是什么
官方定义（来自 MCP 官方文档 modelcontextprotocol.io）：
MCP is an open protocol that standardizes how applications provide context to LLMs.
MCP 是一个开放协议，用于标准化应用程序向 LLM 提供上下文的方式。
官方文档用一个类比来解释 MCP 的定位：
Think of MCP like a USB-C port for AI applications. Just as USB-C provides a standardized way to connect your devices to various peripherals and accessories, MCP provides a standardized way to connect AI models to different data sources and tools.
把 MCP 想象成 AI 应用的 USB-C 接口。就像 USB-C 为设备连接各种外设提供了标准化方式，MCP 为 AI 模型连接不同数据源和工具提供了标准化方式。
MCP 由 Anthropic 于 2024 年 11 月发布，是一个开放标准（非 Anthropic 专有），任何 AI 应用都可以实现和使用。
MCP 的三角色架构
MCP 协议定义了三个核心角色：
| 角色 | 说明 | 举例 |
|---|---|---|
| MCP Host（宿主） | 使用 LLM 的应用程序，发起 MCP 连接 | Claude Desktop、Cursor、自定义 AI 应用 |
| MCP Client（客户端） | 运行在宿主内部，与 MCP Server 保持连接 | Claude Desktop 内置的 MCP 客户端 |
| MCP Server（服务端） | 提供工具、资源、提示模板的服务程序 | GitHub MCP Server、数据库 MCP Server |
MCP Server 可以提供四类能力：
- Tools：可调用的函数（如"查询数据库"、"搜索网络"）
- Resources：可读取的数据（如文件内容、数据库记录）
- Prompts：预定义的提示模板
- Sampling：让 Server 请求 LLM 生成内容
没有 MCP 之前的世界
假设你是一位 AI 应用开发者，正在给公司构建一个智能助手，需要接入以下工具：查询内部数据库、读写 GitHub 代码仓库、搜索网络信息、查询天气。
在 MCP 出现之前，每接入一个 AI 应用就是一场重复劳动：
- 同样的查询数据库逻辑，在 LangChain Agent 里要写一遍，在 AutoGen 里要改写一遍，直接调 Claude API 又要再写一遍
- 每个工具都要手写 JSON Schema 定义，每次格式稍有不同
- 工具写好之后只能在当前框架里用，换个地方就废了
- 同事开发了一套好用的工具集，你没法直接复用，只能看着他的代码重新实现
这不是某个框架设计不好，而是整个行业缺少一个统一标准。每家都在造自己的轮子，每个开发者都在做重复劳动。
2024 年 11 月，Anthropic 发布了 MCP（Model Context Protocol，模型上下文协议），正是为了解决这个问题。
MCP 解决了什么
MCP 的核心价值是：为 AI 工具调用建立统一标准，让工具可以跨应用复用。
类比一下 USB 接口的诞生。在 USB 之前，每个外设厂商都有自己的接口——鼠标插口、键盘插口、打印机插口各不相同，买了一台新电脑，所有外设可能都得换。USB 出现之后，一个接口搞定所有外设，任何符合 USB 标准的设备插上就能用。
MCP 想做的，就是 AI 工具调用领域的 USB：定义一套标准协议，任何工具按照这个标准实现一次，就能被所有支持 MCP 的 AI 应用使用。
有了 MCP：
- 工具提供方（比如 GitHub、数据库供应商、SaaS 工具）写一次 MCP Server
- 所有支持 MCP 的 AI 客户端——Claude 桌面版、Cursor 编辑器、自定义 AI 应用——都能直接使用
- 开发者不需要为每个 AI 框架单独写集成代码
MCP 的行业采纳情况（截至 2026 年 3 月）
MCP 发布于 2024 年 11 月，在短短一年多时间里已获得主流 AI 厂商的广泛支持：
- Anthropic（Claude）：MCP 的发起者，Claude 桌面版原生支持
- OpenAI：2025 年宣布支持 MCP，这是最重要的里程碑——最大的竞争对手也采用这个标准，意味着 MCP 已成为事实上的行业标准
- Google：在 AI 工具生态上也支持 MCP
- 开发工具：Cursor、Windsurf、Continue、VS Code GitHub Copilot 等主流 AI 编程工具全面支持
- 官方 Server：Anthropic 官方维护的 MCP Server 涵盖文件系统、GitHub、PostgreSQL、Google Drive、Slack、Puppeteer 等常见工具
- 社区生态：数千个社区贡献的 MCP Server，覆盖各种 SaaS 工具和数据库
本章内容
| 文章 | 核心内容 |
|---|---|
| 01.MCP 协议详解 | MCP 的架构设计、三角色（Host/Client/Server）、通信方式、与 Function Calling 的关系 |
| 02.动手写第一个 MCP Server | 用官方 Python SDK 从零实现一个可用的 MCP Server，在 Claude 桌面版中验证 |
| 03.MCP 生态与常用 Server 实践 | 官方和社区常用 Server、配置方法、企业内部系统接入实战 |
推荐阅读顺序：先读第 01 篇理解概念，再读第 02 篇动手实现，最后读第 03 篇了解生态。
和第 9 章工具调用的关系
第 9 章讲的是工具调用的底层机制：LLM 如何决定调哪个工具、消息格式如何传递工具调用和结果。这是基础能力。
MCP 是在这个基础上的标准化协议层：
- Function Calling（第 9 章）：告诉模型"你可以调用这些函数"，是模型层面的能力
- MCP（第 10 章）：定义了工具服务如何被发现、调用和返回结果，是生态层面的标准
理解了 Function Calling，才能真正理解 MCP 的设计动机和价值。
学完本章你能做什么
- 理解 MCP 的三层架构（Host/Client/Server）和工作原理
- 用 Python SDK 写一个 MCP Server，把任何内部工具暴露给 AI
- 在 Claude 桌面版中配置和使用 MCP Server
- 了解常用的 MCP Server，避免重复造轮子
- 判断什么场景用 MCP，什么场景用普通 Function Calling