智工坊博客

Appearance

彻底搞懂 AI 里的 MCP：聚焦 Anthropic 的“模型上下文协议”及其生态 ​

AI 世界日新月异，“MCP”是个容易让人迷糊的术语。先把界限划清楚：

  • MCP 概念 1（多智能体协作）：有时指“多智能体协作平台”（Multi-Agent Collaboration Platform），比如 AutoGen，让多个 AI 组队干活。很酷，但不是今天的重点。
  • MCP 概念 2（Anthropic 协议）：这是 Anthropic（Claude 的开发者）推出的正式标准，全称“模型上下文协议”（Model Context Protocol），旨在让 AI 模型（如 Claude）与外部数据和工具高效、安全地交互。

本文重点：我们聚焦 Anthropic 的 MCP，带你弄懂它是什么、为什么重要，以及如何用 MCP 快速开发！

第一站：为什么需要 MCP？AI 交互的“痛点” ​

想象你在用 Claude 干活，任务一复杂，可能就翻车：

  • 指令混乱：背景、步骤、限制混成一团，AI 抓不住重点。
  • 上下文丢失：对话长了，AI 忘了你最初的要求。
  • 工具调用不顺：想让 AI 查天气、读文件，它要么不会用，要么用错。
  • 安全风险：恶意输入（Prompt Injection）可能让 AI 出错。

MCP 是个标准化的通信协议，像 AI 和外部世界的“通用语言”，目标是让信息结构清晰、流程顺畅、安全可靠。

第二站：MCP 的核心：结构化通信 ​

MCP 用 JSON 格式把信息分成明确的部分，每个部分有自己的角色（Role）。官方定义的核心角色包括：

  • system：全局设定，比如：“你是天气助手，能查实时天气。”
  • user：用户输入，比如：“北京天气如何？”
  • assistant：AI 回复，可能包含工具调用（tool_use）。
  • tool_use：调用工具的指令，比如：{ "name": "get_weather", "input": { "city": "Beijing" } }。
  • tool_result：工具返回的结果，比如：{ "result": "晴，25°C" }。

例子：查 GitHub 提交的 MCP 交互：

json
[
  { "role": "system", "content": "你是我的编程助手，能访问 GitHub。" },
  { "role": "user", "content": "查我 GitHub 最新提交。" },
  { "role": "assistant", "content": "调用工具", "tool_use": { "name": "github_latest_commit", "input": { "username": "yourname" } } },
  { "role": "tool_result", "content": { "commit_message": "Fix bug #123", "date": "2025-03-31" } },
  { "role": "assistant", "content": "最新提交：Fix bug #123，2025-03-31。" }
]

小结：MCP 把混乱输入变成标准化“表格”，AI 处理起来更高效。

第三站：MCP 生态系统：协议 + 工具 ​

MCP 不止是协议，还有配套工具。三大核心组件是：

1. MCP 服务器 (MCP Server) ​

  • 是什么：一个遵守 MCP 协议的服务端，像“中转站”，接收和处理 MCP 请求，连接 AI 模型和外部资源。
  • 作用：
    • 解析 MCP 格式的请求，交给模型或工具。
    • 返回标准化的 MCP 响应。
    • 支持自定义工具和数据访问。
  • 实现方式：
    • Anthropic 提供预建服务器（如 Google Drive、Slack）。
    • 开发者可以用 FastMCP（Python SDK）快速搭建。
  • 关键点：它是 MCP 的核心枢纽，官方推荐用 FastMCP 实现，因为它简化了工具定义和服务器搭建。

2. MCP SDK (Software Development Kit) ​

  • 是什么：开发者的“工具箱”，支持 Python、TypeScript 等。
  • 作用：提供便捷 API，比如 FastMCP，让你轻松构建和发送 MCP 请求。
  • 例子：用 FastMCP 定义工具后，自动生成 JSON Schema。

3. MCP 连接器 (MCP Connector) ​

  • 是什么：一个“适配器”，连接非 MCP 系统。
  • 作用：把外部工具（如数据库）的请求和结果翻译成 MCP 格式。
  • 例子：社区提供了 Postgres、Puppeteer 等连接器。

工作流程：

  1. 用 SDK（含 FastMCP）写应用，发请求。
  2. MCP 服务器接收，调用模型或工具。
  3. 结果返回给应用。

第四站：MCP 的好处与最新动态 ​

核心优势 ​

  • 可靠性：结构化减少误解。
  • 工具集成：无缝调用外部资源。
  • 安全性：降低注入风险。
  • 可扩展性：标准协议支持跨系统协作。

最新动态（截至 2025 年 4 月） ​

  • 行业支持：OpenAI、微软、Google 加入，MCP 或成“AI 的 HTTP”。
  • 生态扩展：Anthropic 2025 年 1 月发布支持远程连接的路线图。
  • 社区活跃：GitHub 上 modelcontextprotocol 有上千贡献。

第五站：新手如何快速上手 MCP 开发？ ​

想用 MCP？以下是基于 FastMCP 的入门指南。

准备工作 ​

  1. 环境：Python 3.10+。
  2. 安装 SDK：
    bash
    pip install "mcp[cli]" httpx
  3. 工具：获取 Weather API Key（比如 weatherapi.com）。

用 FastMCP 开发 MCP 服务器 ​

目标：建一个天气查询服务器。

  1. 代码示例（weather_server.py）：

    python
    from mcp.server.fastmcp import FastMCP
import httpx

# 初始化 FastMCP 服务器
mcp = FastMCP("weather_server")

# 定义天气工具
@mcp.tool()
async def get_weather(city: str) -> str:
    """获取指定城市的实时天气"""
    async with httpx.AsyncClient() as client:
        url = f"http://api.weatherapi.com/v1/current.json?key=YOUR_API_KEY&q={city}"
        response = await client.get(url)
        data = response.json()
        return f"{city} 天气：{data['current']['condition']['text']}，{data['current']['temp_c']}°C"

# 运行服务器
if __name__ == "__main__":
    mcp.run()
    • 说明：
      • FastMCP 是官方推荐的高级框架，自动处理工具注册和 JSON Schema 生成。
      • @mcp.tool() 装饰器定义工具，简化开发。

  2. 启动服务器：

    bash
    python weather_server.py

用客户端测试 ​

  1. 客户端代码（client.py）：

    python
    from mcp import MCPClient

client = MCPClient(server_url="http://localhost:8000")
client.add_message(role="system", content="你是天气助手。")
client.add_message(role="user", content="北京天气如何？")
client.add_tool("get_weather")
response = client.send()
print(response["content"])  # 输出：北京天气：晴，25°C

  2. 运行：

    • 先跑服务器：python weather_server.py
    • 再跑客户端：python client.py
  • MCP 是什么：Anthropic 的标准化协议，提升 AI 与外部交互效率。
  • 怎么工作：JSON 结构化通信，配 FastMCP 等工具。
  • 为什么重要：可能是 AI 开发的未来标准。
  • 现在行动：用 FastMCP 10 分钟跑起服务器！

为什么用 FastMCP：官方示例大量使用 FastMCP，因为它封装了底层细节，适合快速开发。相比手动 FastAPI 实现，FastMCP 更贴近官方风格，也更简单。

参考资料 ​

MCP官方文档GitHub MCP