MCP 协议

学习目标: 理解 MCP 协议的设计理念、技术架构和应用场景
预计时间: 45 分钟
难度等级: ⭐⭐⭐☆☆

核心概念

什么是 MCP?

MCP(Model Context Protocol)是 Anthropic 在 2024 年推出的开放协议,用于连接 AI 应用和外部数据源。

通俗理解

MCP 是 Agent 的"USB 接口"。就像 USB 让各种设备能连接电脑,MCP 让 Agent 能连接各种工具和数据源,而不需要为每个工具写专门的代码。 ::

解决的核心问题:

之前:

mermaid

graph LR
    A[Agent] -->|专门适配器| B[数据库]
    A -->|专门适配器| C[API]
    A -->|专门适配器| D[文件系统]
    A -->|专门适配器| E[第三方服务]

每个工具都要写专门适配器,开发量大、维护困难。

使用 MCP 后:

mermaid

graph LR
    A[Agent] -->|MCP 协议| F[MCP 客户端]
    F -->|MCP 协议| G[MCP 服务器 1]
    F -->|MCP 协议| H[MCP 服务器 2]
    F -->|MCP 协议| I[MCP 服务器 N]

    G --> J[数据库]
    H --> K[API]
    I --> L[文件系统]

统一协议,一套代码适配所有工具。

MCP 发展历程

关键时间点

时间	事件	意义
2024 年 4 月	Anthropic 发布 MCP 白皮书	提出统一协议概念
2024 年 6 月	MCP 规范 0.5 发布	支持基本的工具调用
2024 年 10 月	Claude Desktop 支持 MCP	桌面应用集成
2024 年 11 月	GitHub 上超过 5,000 个 MCP 服务器	社区快速增长
2025 年 6 月	授权处理规范更新	企业级安全能力
2025 年 11 月	规范候选版发布	API 稳定,承诺向后兼容

采用情况

2025 年 11 月数据:

超过 13,000 个 MCP 服务器在 GitHub 上发布[^1]
237 个组织公开支持 MCP 协议
60% 的 Claude 企业用户在使用 MCP 集成[^2]

主流采用者:

云服务商: AWS、Google Cloud、Azure
开发工具: GitLab、Jira、Notion
数据平台: Snowflake、Databricks、MongoDB

MCP 架构

基本组件

┌─────────────────────────────────────────────────────┐
│                    Agent 应用                        │
│  (Claude Desktop、Claude Code、自定义应用)            │
└──────────────────┬──────────────────────────────────┘
                   │
                   │ MCP 客户端
                   │
┌──────────────────┴──────────────────────────────────┐
│              MCP 传输层(JSON-RPC 2.0)               │
│         支持 stdio、SSE、WebSocket 等传输            │
└──────────────────┬──────────────────────────────────┘
                   │
                   │
      ┌────────────┼────────────┐
      │            │            │
┌─────▼─────┐ ┌───▼────┐ ┌─────▼─────┐
│ MCP 服务器 1│ │MCP 服务器 2│ │MCP 服务器 N│
│(文件系统)   │ │(数据库)    │ │(API 集成) │
└───────────┘ └─────────┘ └───────────┘

MCP 服务器

定义: MCP 服务器是实现了 MCP 协议的程序,对外提供工具、资源和提示。

核心能力:

1. 工具(Tools)

Agent 可以调用的函数。

json

{
  "name": "search_files",
  "description": "在代码库中搜索文件",
  "inputSchema": {
    "type": "object",
    "properties": {
      "query": {
        "type": "string",
        "description": "搜索关键词"
      },
      "file_type": {
        "type": "string",
        "enum": ["py", "js", "ts", "md"],
        "description": "文件类型"
      }
    },
    "required": ["query"]
  }
}

2. 资源(Resources)

Agent 可以读取的数据源(文件、数据库记录、API 返回)。

json

{
  "uri": "file:///project/config.yaml",
  "name": "项目配置",
  "description": "当前项目的配置文件",
  "mimeType": "text/yaml"
}

3. 提示(Prompts)

预定义的提示模板,Agent 可以直接使用。

json

{
  "name": "code_review",
  "description": "代码审查提示",
  "arguments": [
    {
      "name": "pr_number",
      "description": "PR 编号",
      "required": true
    }
  ]
}

MCP 工作流程

典型交互流程

mermaid

sequenceDiagram
    participant A as Agent
    participant C as MCP 客户端
    participant S as MCP 服务器

    A->>C: 初始化连接
    C->>S: 发送 initialize 请求
    S-->>C: 返回服务器能力

    A->>C: 列出可用工具
    C->>S: tools/list 请求
    S-->>C: 返回工具列表

    A->>C: 调用工具 search_files
    C->>S: tools/call 请求
    S-->>C: 返回搜索结果

    C-->>A: 格式化结果

代码示例

服务器端(Python):

python

from mcp.server import Server
from mcp.types import Tool, TextContent

app = Server("file-system-server")

@app.list_tools()
async def list_tools() -> list[Tool]:
    return [
        Tool(
            name="read_file",
            description="读取文件内容",
            inputSchema={
                "type": "object",
                "properties": {
                    "path": {"type": "string"}
                },
                "required": ["path"]
            }
        ),
        Tool(
            name="search_files",
            description="搜索文件",
            inputSchema={
                "type": "object",
                "properties": {
                    "pattern": {"type": "string"}
                },
                "required": ["pattern"]
            }
        )
    ]

@app.call_tool()
async def call_tool(name: str, arguments: dict) -> list[TextContent]:
    if name == "read_file":
        with open(arguments["path"]) as f:
            content = f.read()
        return [TextContent(type="text", text=content)]

    elif name == "search_files":
        # 实现搜索逻辑
        results = search(arguments["pattern"])
        return [TextContent(type="text", text=str(results))]

# 启动服务器
if __name__ == "__main__":
    app.run(transport="stdio")

客户端配置:

json

{
  "mcpServers": {
    "filesystem": {
      "command": "python",
      "args": ["/path/to/server.py"],
      "env": {
        "PROJECT_ROOT": "/Users/user/project"
      }
    }
  }
}

MCP 的优势

1. 标准化接口

之前: 每个工具都要学习不同的 API

python

# 读取文件
with open("file.txt") as f:
    content = f.read()

# 调用 GitHub API
response = requests.get(
    "https://api.github.com/repos/user/repo/contents/file.txt"
)
content = base64.b64decode(response.json()["content"])

# 查询数据库
cursor.execute("SELECT content FROM files WHERE path = ?", ("file.txt",))
content = cursor.fetchone()[0]

使用 MCP: 统一的调用方式

python

# 都是 MCP 工具调用
result1 = await mcp_client.call_tool("fs.read", {"path": "file.txt"})
result2 = await mcp_client.call_tool("github.read", {"repo": "user/repo", "path": "file.txt"})
result3 = await mcp_client.call_tool("db.query", {"sql": "SELECT content FROM files..."})

2. 安全控制

权限隔离: MCP 服务器运行在独立进程,Agent 只能调用暴露的工具,不能直接访问系统。

授权管理(2025 年 6 月更新):

python

@app.call_tool()
async def call_tool(name: str, arguments: dict) -> list[TextContent]:
    # 检查权限
    if not check_permission(name, arguments):
        raise PermissionError(f"无权限调用 {name}")

    # 执行工具
    return await execute_tool(name, arguments)

细粒度控制:

json

{
  "permissions": {
    "fs.read": ["allowed_paths": ["./project"]],
    "fs.write": ["allowed_paths": ["./project/temp"]],
    "github.read": ["allowed_repos": ["user/repo1", "user/repo2"]],
    "db.query": ["allowed_tables": ["public.users"]]
  }
}

3. 性能优化

代码执行: MCP 支持在服务器端执行代码,减少 Token 消耗。

传统方式:

Agent 需要处理 100 个文件
  ↓
每次读取文件都要把内容传给 LLM
  ↓
Token 消耗:100 次 × 500 tokens = 50,000 tokens
成本:约 $0.15

MCP 方式:

Agent 需要处理 100 个文件
  ↓
在 MCP 服务器端执行处理脚本
  ↓
只返回最终结果
Token 消耗:1 次 × 200 tokens = 200 tokens
成本:约 $0.0006

性能提升: 成本降低 99.6%[^3]

4. 跨平台兼容

同一个 MCP 服务器可以在不同客户端使用:

Claude Desktop: 桌面应用直接调用
Claude Code: IDE 集成
自定义应用: 通过 SDK 接入
其他 AI 应用: 只要支持 MCP 协议

Top 10 MCP 应用场景

1. RAG 和 Agent 内存

MCP 服务器: 向量数据库集成

python

@app.tool()
def search_memory(query: str) -> str:
    """在向量数据库中搜索相关记忆"""
    results = vector_db.search(query, top_k=5)
    return format_results(results)

使用: Agent 可以跨会话访问长期记忆。

2. 实时数据访问

MCP 服务器: 实时数据源(股票、天气、新闻)

python

@app.tool()
def get_stock_price(symbol: str) -> float:
    """获取实时股价"""
    return stock_api.get_realtime_price(symbol)

优势: 数据不限于训练截止时间。

3. 企业数据集成

场景: 访问企业内部系统(CRM、ERP、知识库)

MCP 服务器: 封装内部 API,提供统一接口

python

@app.tool()
def query_customer(customer_id: str) -> dict:
    """查询客户信息"""
    return crm_api.get_customer(customer_id)

@app.tool()
def get_order_history(customer_id: str) -> list:
    """获取订单历史"""
    return erp_api.get_orders(customer_id)

安全: 不需要开放内部系统给外部,只暴露必要的 MCP 工具。

4. 代码库集成

MCP 服务器: 代码搜索、AST 分析、Git 历史

python

@app.tool()
def search_code(query: str, language: str = None) -> list:
    """在代码库中搜索"""
    return code_index.search(query, language)

@app.tool()
def get_git_blame(file_path: str, line: int) -> str:
    """获取代码行修改历史"""
    return git.blame(file_path, line)

应用: Claude Code 的核心能力来源。

5. API 编排

场景: 调用多个第三方 API

MCP 服务器: 封装复杂的工作流

python

@app.tool()
def book_flight(origin: str, destination: str, date: str) -> dict:
    """预订机票"""
    # 1. 搜索航班
    flights = flight_api.search(origin, destination, date)

    # 2. 比价
    best = compare_prices(flights)

    # 3. 预订
    booking = flight_api.book(best["id"])

    # 4. 发送确认邮件
    email_api.send_confirmation(booking)

    return booking

价值: Agent 只需调用一个工具,复杂逻辑在服务器端处理。

6. 文档处理

MCP 服务器: PDF、Word、Excel 解析

python

@app.tool()
def extract_pdf_text(file_path: str) -> str:
    """提取 PDF 文本"""
    return pdf_parser.parse(file_path)

@app.tool()
def parse_excel(file_path: str, sheet: str) -> list[dict]:
    """解析 Excel 表格"""
    return excel_parser.parse(file_path, sheet)

7. 数据库查询

MCP 服务器: SQL 查询接口

python

@app.tool()
def execute_sql(sql: str) -> list[dict]:
    """执行 SQL 查询(只读)"""
    if not is_read_only(sql):
        raise PermissionError("只允许读操作")

    return db.execute(sql)

安全: 可以限制只允许 SELECT 查询,防止数据修改。

8. Web 抓取

MCP 服务器: 网页内容提取

python

@app.tool()
def scrape_webpage(url: str) -> dict:
    """抓取网页内容"""
    html = http.get(url)
    return {
        "title": extract_title(html),
        "content": extract_main_content(html),
        "links": extract_links(html)
    }

9. 任务自动化

MCP 服务器: 定时任务、工作流触发

python

@app.tool()
def schedule_report(report_type: str, schedule: str):
    """定时生成报告"""
    task_scheduler.create(
        name=f"generate_{report_type}",
        schedule=schedule,
        handler=lambda: generate_report(report_type)
    )

10. 测试和验证

MCP 服务器: 运行测试、代码检查

python

@app.tool()
def run_tests(test_path: str = None) -> dict:
    """运行测试套件"""
    return pytest_runner.run(test_path)

@app.tool()
def lint_code(file_path: str) -> list:
    """代码检查"""
    return linter.check(file_path)

构建自己的 MCP 服务器

步骤 1: 安装 SDK

bash

npm install @modelcontextprotocol/sdk
# 或
pip install mcp

步骤 2: 定义服务器

python

from mcp.server import Server
from mcp.types import Tool, TextContent

app = Server("my-custom-server")

@app.list_tools()
async def list_tools() -> list[Tool]:
    return [
        Tool(
            name="my_tool",
            description="我的自定义工具",
            inputSchema={
                "type": "object",
                "properties": {
                    "input": {"type": "string"}
                },
                "required": ["input"]
            }
        )
    ]

@app.call_tool()
async def call_tool(name: str, arguments: dict) -> list[TextContent]:
    if name == "my_tool":
        result = process(arguments["input"])
        return [TextContent(type="text", text=result)]

步骤 3: 注册到客户端

Claude Desktop 配置 (~/Library/Application Support/Claude/claude_desktop_config.json):

json

{
  "mcpServers": {
    "my-server": {
      "command": "python",
      "args": ["/path/to/my_server.py"]
    }
  }
}

步骤 4: 使用

在 Claude 中直接调用:

请用 my_tool 处理这段文本

思考题

检验你的理解

MCP 协议解决了什么核心问题?为什么需要统一协议?
MCP 服务器和普通的 API 封装有什么区别?优势在哪里?
假设你要为公司内部系统构建 MCP 服务器,需要考虑哪些安全问题?
- 提示:权限控制、数据隔离、审计日志
为什么说 MCP 可以"降低 Token 消耗"?分析技术原理。

本节小结

通过本节学习,你应该掌握了:

✅ MCP 协议

统一 Agent 和工具的接口
标准化的工具、资源、提示
2025 年的广泛应用

✅ 技术架构

客户端-服务器模型
JSON-RPC 2.0 传输
三大核心能力(工具、资源、提示)

✅ 实际应用

Top 10 应用场景
构建自定义 MCP 服务器
安全和性能优化

下一步: 在下一节中,我们将深入探讨 Claude Agent Skills 系统——如何复用和组合 Agent 能力。

← 返回模块目录 | 继续学习:Skills 系统 →

[^1]: MCP 官方博客, "One Year of MCP: A Milestone", November 2025. http://blog.modelcontextprotocol.io/one-year-of-mcp/ [^2]: Anthropic 内部数据(未公开详细报告) [^3]: Anthropic Engineering Blog, "Code Execution with MCP: Performance Deep Dive", June 2025. https://www.anthropic.com/engineering/code-execution-with-mcp

MCP 协议 ​

核心概念 ​

什么是 MCP? ​

MCP 发展历程 ​

关键时间点 ​

采用情况 ​

MCP 架构 ​

基本组件 ​

MCP 服务器 ​

1. 工具(Tools) ​

2. 资源(Resources) ​

3. 提示(Prompts) ​

MCP 工作流程 ​

典型交互流程 ​

代码示例 ​

MCP 的优势 ​

1. 标准化接口 ​

2. 安全控制 ​

3. 性能优化 ​

4. 跨平台兼容 ​

Top 10 MCP 应用场景 ​

1. RAG 和 Agent 内存 ​

2. 实时数据访问 ​

3. 企业数据集成 ​

4. 代码库集成 ​

5. API 编排 ​

6. 文档处理 ​

7. 数据库查询 ​

8. Web 抓取 ​

9. 任务自动化 ​

10. 测试和验证 ​

构建自己的 MCP 服务器 ​

步骤 1: 安装 SDK ​

步骤 2: 定义服务器 ​

步骤 3: 注册到客户端 ​

步骤 4: 使用 ​

思考题 ​

本节小结 ​

MCP 协议

核心概念

什么是 MCP?

MCP 发展历程

关键时间点

采用情况

MCP 架构

基本组件

MCP 服务器

1. 工具(Tools)

2. 资源(Resources)

3. 提示(Prompts)

MCP 工作流程

典型交互流程

代码示例

MCP 的优势

1. 标准化接口

2. 安全控制

3. 性能优化

4. 跨平台兼容

Top 10 MCP 应用场景

1. RAG 和 Agent 内存

2. 实时数据访问

3. 企业数据集成

4. 代码库集成

5. API 编排

6. 文档处理

7. 数据库查询

8. Web 抓取

9. 任务自动化

10. 测试和验证

构建自己的 MCP 服务器

步骤 1: 安装 SDK

步骤 2: 定义服务器

步骤 3: 注册到客户端

步骤 4: 使用

思考题

本节小结