MCP 模型上下文协议入门 | AI 编程学习记录

背景

让大模型“用工具”早就不是新鲜事，但 2024 年之前 everyone was 各做各的：每个应用要把同一个数据库、同一套 API 各自对接一遍。N 个模型 × M 个工具 = N×M 套集成，重复劳动且难以复用。

2024 年底，Anthropic 提出了 Model Context Protocol（MCP），一套开放标准，被形象地称为“AI 应用的 USB-C 接口”。只要工具方按协议实现一个 MCP Server，任何兼容 MCP 的客户端（IDE、桌面应用、Agent 框架）都能即插即用地调用它。

核心概念

MCP 把“谁在跑模型”和“能力从哪来”解耦，定义了三个角色：

1 Host（宿主）：运行模型的应用，例如 Claude Desktop、Cursor、VS Code 插件。
2 Client（客户端）：内嵌在 Host 中，负责与某个 Server 建立连接、收发消息。
3 Server（服务端）：真正提供能力的进程，可以是一个本地脚本，也可以是远端服务。

Server 通过三类“原语”暴露能力：

T Tools（工具）：模型可主动调用的函数，例如“查天气”“跑 SQL”。带 JSON Schema 描述的输入。
R Resources（资源）：可供读取的数据，例如文件内容、数据库行，由应用侧决定何时注入。
P Prompts（提示模板）：预置给用户复用的交互模板，例如“帮我 code review 这段代码”。

示例

用官方 Python SDK 的 FastMCP 写一个最小天气工具 Server，只需十几行：

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("weather")

@mcp.tool()
def get_forecast(city: str) -> str:
    """返回指定城市的天气预报（模型据此理解何时调用）"""
    return f"{city} 今天晴，25°C，微风"

if __name__ == "__main__":
    mcp.run()  # 默认通过 stdio 与 Host 通信

客户端发现这个 Server 后，会在合适的时机把 get_forecast 暴露给模型；模型决定调用时，参数由 SDK 自动按类型校验。传输层除了 stdio，也支持基于 HTTP/SSE 的远程连接，方便把内部系统封装成团队共享的 MCP 服务。

总结

MCP 把“模型怎么连工具”这件事标准化了。对开发者来说，一次实现、处处可用；对 Agent 平台来说，可以直接把现成的 MCP Server 编排进工作流。

我计划在“AI Agent 工作台”项目里，把我们已有的企业知识库、Elasticsearch、MySQL 等能力都封装成 MCP Server，这样不同客户端和 Agent 都能用同一套接口调用，避免重复造轮子。