MCP（Model Context Protocol）

南街九尾狐

8人浏览 · 2026-11-05 07:15:00

南街九尾狐 · 2026-11-05 07:15:00 发布

本手册综合整理自：

知乎 - MCP (Model Context Protocol)，一篇就够了。 — 作者 LastWhisper

CSDN - 一文搞懂 MCP：从入门到实战（含本地项目 MCP Server 示例） — 作者 AI架构师易筋

整理时间：2026-06-14

1. MCP 是什么？

1.1 官方定义

MCP（Model Context Protocol，模型上下文协议）是由 Anthropic 于 2024 年 11 月 25 日 提出的开放协议，用于标准化大语言模型（LLM）与外部数据源、工具和应用之间的通信方式。

1.2 一句话理解

MCP 就是AI 世界的「USB-C」接口 — 一个通用的中间协议层，让不同的 AI 模型通过相同的接口连接各种外设（数据源/工具）。

1.3 类比帮助理解

领域	类比	说明
浏览器世界	HTTP + API	统一的数据传输和接口调用标准
数据库世界	SQL	统一的数据查询和操作语言
AI + 工具世界	MCP	统一的大模型与外部工具交互协议

1.4 MCP 让模型做到的事

有了 MCP，大模型不再只是「会聊天」，而是可以：

✅ 读写文件、本地项目代码
✅ 访问数据库、搜索引擎、内部 API
✅ 调用自动化脚本、测试、构建流水线
✅ 在受控范围内操作本地/企业系统

💡 一句话总结：MCP 让模型从「只能说」变成「能干活」。

2. 为什么需要 MCP？

2.1 没有 MCP 之前的问题

问题一：手工 Prompt 的局限

在 MCP 之前，要让 AI 使用外部信息，通常的做法是：

人工从数据库筛选信息
手动粘贴到 prompt 中
当问题变复杂时，手工操作变得极其困难

问题二：Function Call 的平台依赖

许多 LLM 平台（如 OpenAI、Google）引入了 Function Call 功能，让模型可以自动调用预设函数。但存在以下问题：

平台依赖性强：不同平台的 Function Call API 实现差异大
OpenAI 的调用方式与 Google 的不兼容
切换模型时需要重写适配代码
扩展性不足：新增工具需调整接口或重新训练
安全性模糊：难以审核与合规

2.2 MCP 的三大优势

优势	说明
🌐 生态丰富	提供大量现成 MCP Server 插件，可直接使用
🔗 统一标准	不限制于特定 AI 模型，支持 MCP 的模型可灵活切换
🔒 数据安全	敏感数据留在本地，不必全部上传云端

3. MCP 架构详解

3.1 三大核心组件

MCP 由三个核心组件构成：

┌────────────────────────────────────────────────────────────┐
│                    Host（主机）                              │
│  用户直接接触的应用程序，如 Claude Desktop、VS Code、Cursor    │
│                                                              │
│  ┌──────────────────────────────────────────────────────┐   │
│  │              MCP Client（客户端）                      │   │
│  │  Host 内置的客户端，负责与 MCP Server 建立连接          │   │
│  │  管理一个或多个 Server 连接                            │   │
│  └──────────────┬───────────────────────────────────────┘   │
└─────────────────┼──────────────────────────────────────────┘
                  │ MCP 协议（JSON-RPC 双向流）
    ┌─────────────┼─────────────┐
    │             │             │
┌───▼───┐   ┌───▼───┐   ┌───▼───┐
│ MCP    │   │ MCP    │   │ MCP    │
│ Server │   │ Server │   │ Server │
│ (文件) │   │ (数据库)│   │ (API)  │
└───────┘   └───────┘   └───────┘

组件	角色	示例
Host（主机）	用户直接接触的应用程序	Claude Desktop、VS Code、Cursor
Client（客户端）	Host 内置，管理 MCP 连接	每个 Host 有一个 MCP Client
Server（服务器）	执行实际操作的服务器	文件系统 MCP Server、数据库 MCP Server

3.2 MCP Server 提供的三种功能类型

类型	说明	类比	例子
Tools（工具）	可被 LLM 调用的函数（需用户授权）	文件系统的「执行」	`run_sql`、`search_docs`、`create_file`
Resources（资源）	可浏览的数据或状态	文件系统的「读取」	文件、数据库表、知识库、项目结构
Prompts（提示）	预先编写的模板，帮助完成特定任务	快捷指令	`generate_unit_test`、`summarize_contract`

3.3 一次完整的调用流程示例

场景：用户在 Claude Desktop 中询问 "我桌面上有哪些文档？"

用户提问
    │
    ▼
Claude Desktop (Host)
    │
    ▼
Claude 模型分析 → 确定需要文件信息
    │
    ▼
MCP Client 激活 → 连接到「文件系统 MCP Server」
    │
    ▼
MCP Server 执行文件扫描操作
    │
    ▼
返回结果给 MCP Client
    │
    ▼
Claude 模型处理结果 → 生成自然语言回答
    │
    ▼
显示在 Claude Desktop 上

4. MCP 工作原理（调用流程）

4.1 模型如何选择工具？

MCP 的核心机制是 Prompt Engineering。模型并不是"智能感知"到有哪些可用工具，而是通过 将工具的结构化描述以文本形式传递给模型，让模型了解可用工具并做出选择。

完整调用流程

第 1 步：初始化所有 MCP Server
第 2 步：获取所有工具的列表（listTools）
第 3 步：将每个工具的 name + description + input_schema 格式化为文本
第 4 步：构建 system prompt，包含工具列表和 few-shot 示例
第 5 步：system prompt + 用户消息 一起发送给 LLM
第 6 步：LLM 分析后决定：
    ├── 无需工具 → 直接生成自然语言回复
    └── 需要工具 → 输出结构化 JSON（工具名 + 参数）
第 7 步：客户端执行工具（callTool）
第 8 步：工具执行结果再次发给 LLM
第 9 步：LLM 结合结果生成最终回答

4.2 工具描述的来源

使用 @mcp.tool() 装饰器时：

函数名      → 工具名（name）
函数 docstring → 工具描述（description）
函数参数    → 工具参数（input_schema，JSON Schema）

4.3 代码层面的实现原理

以下为 MCP 官方 Python SDK 的简化代码，展示核心逻辑：

# ===== 获取所有工具 =====
all_tools = []
for server in self.servers:
    tools = await server.list_tools()
    all_tools.extend(tools)

# ===== 将工具描述格式化为文本 =====
tools_description = "\n".join(

简码

) # ===== 构建 system prompt ===== system_message = ( "You are a helpful assistant with access to these tools:\n\n" f"{tools_description}\n" "Choose the appropriate tool based on the user's question. " "If no tool is needed, reply directly.\n\n" "IMPORTANT: When you need to use a tool, you must ONLY respond with " "the exact JSON object format below, nothing else:\n" '{"tool": "tool-name", "arguments": {...}}\n\n' "After receiving a tool's response:\n" "1. Transform the raw data into a natural, conversational response\n" "2. Keep responses concise but informative\n" ) # ===== 发送给 LLM ===== messages = [{"role": "system", "content": system_message}] messages.append({"role": "user", "content": user_input}) llm_response = self.llm_client.get_response(messages)

4.4 关键结论

🔑 工具文档至关重要 — 精心编写的名称、docstring 和参数说明直接影响模型选择效果
🔑 任何模型都适配 MCP — 因为基于 prompt，但非 Claude 模型效果可能不如 Claude（未经专门训练）
🔑 无效调用会被跳过 — 代码中有异常处理，不会因错误的 tool call 崩溃
🔑 执行结果会回传 — 工具执行结果会和上下文一起重新发给模型，生成最终回答

5. MCP 与 Function Call 的关系

5.1 核心区别

维度	Function Call	MCP
性质	模型能力（API 特性）	通信协议（标准）
平台依赖	每个平台不同	统一标准
工具发现	手动硬编码	自动发现（listTools）
工具开发	每个平台各写一套	写一次，到处用
扩展性	需调整模型接口	新增 MCP Server 即可

5.2 正确理解

MCP 和 Function Call 不是二选一的关系，而是调用链上的两个环节。

Function Call 是模型内部机制：模型决定要不要调用函数、生成参数
MCP 是外部协议标准：定义函数怎么描述、怎么被发现、怎么执行

两者可以叠加使用：底层用 MCP 管理工具，上层用 Function Call 做模型选择。

5.3 一句话总结社区观点

「自己用是 Function Call，开发给别人用就是 MCP。」— 夜Xer（知乎评论）

6. MCP 与主流 Agent 框架的关系

6.1 一句话对比

技术	定位
MCP	标准化协议，解决「模型 ↔ 工具/数据」怎么连
LangGraph	Agent / 工作流编排框架，有状态图描述复杂流程
CrewAI	多 Agent 协作框架，像组织团队那样组织 Agent
AutoGen	多 Agent 对话与协作框架，偏研究和复杂协作模式

6.2 抽象层级对比

┌──────────────────────────────────┐
│      入口层（ChatGPT / IDE / 前端）│
├──────────────────────────────────┤
│      编排层（LangGraph / CrewAI） │
├──────────────────────────────────┤
│    能力层 ─ MCP（统一的工具协议）  │
├──────────────────────────────────┤
│    MCP Server（DB / 文件 / API）   │
└──────────────────────────────────┘

6.3 MCP 不是竞品，是底座

MCP 不代表 LangGraph / CrewAI / AutoGen，它们是完全不同的层级：

MCP = 能力层（工具协议）
LangGraph / CrewAI / AutoGen = 编排层（流程与 Agent 逻辑）

💡 组合拳架构：你可以只实现一套 MCP Server，然后在 LangGraph、CrewAI、AutoGen 中通用，也支持直接接入 ChatGPT / Claude / IDE。

6.4 典型选型建议

场景	推荐方案
工具层标准化	✅ 优先铺 MCP，作为统一能力层
多步骤、有状态流程	✅ LangGraph（持久化、回溯、人工审核）
多角色团队协作	✅ CrewAI（调研→撰写→审核→发布）
多 Agent 协作研究	✅ AutoGen

7. MCP 实战：搭建本地项目 MCP Server

7.1 环境准备

# 创建项目目录
mkdir mcp-local-project
cd mcp-local-project

# 创建虚拟环境
python -m venv .venv

# Windows 激活
.venv\Scripts\activate
# macOS / Linux 激活
source .venv/bin/activate

# 安装 MCP SDK
pip install "mcp[cli]"

7.2 编写 MCP Server（Python）

以下是一个完整的 MCP Server 示例，将本地项目目录暴露为工具和资源：

# server.py
"""
针对本地项目的 MCP Server 示例：
- 使用 FastMCP（官方 Python SDK）
- 暴露项目文件浏览 / 阅读 / 搜索为 MCP 工具和资源
"""

import os
from pathlib import Path
from typing import List, Dict

from mcp.server.fastmcp import FastMCP

# ====== 配置项目根目录 ======
BASE_DIR = Path(
    os.getenv("MCP_PROJECT_ROOT", Path(__file__).parent)
).resolve()

def _safe_path(relative: str) -> Path:
    """防止目录穿越：确保路径在 BASE_DIR 内"""
    candidate = (BASE_DIR / relative).resolve()
    if not str(candidate).startswith(str(BASE_DIR)):
        raise ValueError("路径越界：只能访问项目根目录之下的文件")
    return candidate

# 创建 MCP Server
mcp = FastMCP(name="LocalProjectServer", json_response=True)

# ====== 工具 1：列出项目文件 ======
@mcp.tool()
def list_project_files(
    subdir: str = ".",
    max_files: int = 100,
) -> List[str]:
    """
    列出项目目录下的文件（相对路径）。
    - subdir: 相对项目根目录的子目录
    - max_files: 最多返回多少个文件
    """
    root = _safe_path(subdir)
    if not root.exists():
        raise FileNotFoundError(f"子目录不存在: {subdir}")
    files: List[str] = []
    for path in root.rglob("*"):
        if path.is_file():
            rel = path.relative_to(BASE_DIR).as_posix()
            files.append(rel)
            if len(files) >= max_files:
                break
    return files

# ====== 工具 2：读取单个文件 ======
@mcp.tool()
def read_project_file(
    path: str,
    max_bytes: int = 20000,
) -> str:
    """
    读取项目中的某个文本文件。
    - path: 文件相对项目根目录的路径
    - max_bytes: 最多返回多少字节内容
    """
    file_path = _safe_path(path)
    if not file_path.is_file():
        raise FileNotFoundError(f"文件不存在: {path}")
    data = file_path.read_text(encoding="utf-8", errors="replace")
    if len(data) > max_bytes:
        data = data[:max_bytes] + "\n\n...[内容已截断]..."
    return data

# ====== 工具 3：在项目中搜索 ======
@mcp.tool()
def search_in_project(
    pattern: str,
    max_results: int = 20,
) -> List[Dict[str, str]]:
    """
    在项目中做简单的字符串搜索（不区分大小写）。
    - pattern: 要搜索的子串
    - max_results: 最多返回多少条匹配结果
    """
    if not pattern:
        raise ValueError("pattern 不能为空")
    results: List[Dict[str, str]] = []
    lower_pattern = pattern.lower()
    allowed_suffixes = {".py", ".md", ".txt", ".json", ".yaml", ".yml", ".toml"}
    for f in BASE_DIR.rglob("*"):
        if not f.is_file():
            continue
        if f.suffix and f.suffix.lower() not in allowed_suffixes:
            continue
        try:
            text = f.read_text(encoding="utf-8", errors="ignore")
        except Exception:
            continue
        idx = text.lower().find(lower_pattern)
        if idx == -1:
            continue
        start = max(0, idx - 80)
        end = min(len(text), idx + len(pattern) + 80)
        snippet = text[start:end].replace("\n", " ")
        results.append({
            "path": f.relative_to(BASE_DIR).as_posix(),
            "snippet": snippet,
        })
        if len(results) >= max_results:
            break
    return results

# ====== 资源：项目 README ======
@mcp.resource("project://readme")
def project_readme() -> str:
    """返回项目根目录下的 README 内容"""
    for name in ("README.md", "readme.md", "README.txt", "Readme.md"):
        candidate = BASE_DIR / name
        if candidate.exists():
            return candidate.read_text(encoding="utf-8", errors="replace")
    return "未在项目根目录找到 README 文件。"

if __name__ == "__main__":
    mcp.run(transport="streamable-http")

7.3 运行与测试

# 1. 设置项目根目录
# Windows PowerShell:
$env:MCP_PROJECT_ROOT="C:\Users\您的用户名\您的项目目录"
# macOS / Linux:
export MCP_PROJECT_ROOT=/path/to/your/project

# 2. 启动 MCP Server
python server.py
# 默认在 http://localhost:8000/mcp 暴露 MCP 端点

# 3. 使用 MCP Inspector 调试（推荐）
npx -y @modelcontextprotocol/inspector

# 4. 在浏览器中打开 Inspector → 
#    填写 MCP Server URL: http://localhost:8000/mcp
#    连接后可查看 listTools / listResources / 手动调用工具

7.4 接入 Claude Desktop

编辑 claude_desktop_config.json（macOS 路径：~/Library/Application Support/Claude/）：

{
  "mcpServers": {
    "local-project-server": {
      "command": "python",
      "args": [
        "/path/to/your/server.py"
      ],
      "env": {
        "MCP_PROJECT_ROOT": "/path/to/your/project"
      }
    }
  }
}

7.5 接入 ChatGPT / IDE / Agent 框架

在支持 MCP 的客户端中配置 MCP Server 地址（http://localhost:8000/mcp），之后模型就可以：

直接阅读本地项目代码
根据上下文自动调用搜索工具
结合文件内容提供重构 / 修复 / 文档建议

7.6 扩展思路

在上述基础上可以添加更多工具：

run_tests() — 运行测试（pytest/npm test），返回摘要
build_project() — 触发构建（严格白名单）
get_api_endpoints() — 解析路由，导出 API 列表
search_legal_clauses() — 合同模板结构化检索

⚠️ 设计原则：

所有文件访问走 _safe_path，限制在 BASE_DIR 内
有副作用的操作走白名单
工具参数结构化、类型明确，利于模型构造正确参数

8. MCP Server 开发最佳实践

8.1 Anthropic 推荐的 LLM 辅助开发法

使用 LLM 帮助你生成 MCP Server 的步骤：

Step 1：引入领域知识（Domain Knowledge）

把以下信息作为上下文提供给 LLM：

访问 MCP 官方文档
复制 MCP Python SDK 或 TypeScript SDK 的 README

Step 2：描述你的需求

打造一个 MCP 服务器，它能够：
- 连接到我的 PostgreSQL 数据库
- 将表格结构作为资源开放出来
- 提供运行只读 SQL 查询的工具
- 包含常见数据分析任务的引导

Step 3：LLM 生成代码，手动测试 → 调试 → 上线

8.2 MCP Server 开发原则

安全性先行

限制文件访问范围（如 _safe_path 模式）
有副作用的操作设白名单
敏感操作需用户授权

工具描述要精细

命名清晰：工具名见名知意
写完整的 docstring
参数定义准确，标注 required/optional

错误处理要完善

参数校验、路径校验
返回明确的错误信息
异常不崩溃

输入输出结构化

输入参数用明确定义的类型
输出尽量结构化，便于模型处理

9. 参考架构与最佳实践

9.1 推荐的企业级架构

┌─────────────────────────────────────────────┐
│              入口层（User Entry）              │
│  ChatGPT · Claude · VS Code · Cursor         │
│  企业内部前端 · Slack/钉钉 Bot                │
├─────────────────────────────────────────────┤
│              编排层（Orchestration）           │
│  LangGraph · CrewAI · AutoGen                │
│  负责流程编排、有状态管理、多 Agent 协作        │
├─────────────────────────────────────────────┤
│             能力层（MCP 协议层）               │
│  统一的工具发现、调用、通信标准                 │
├──────────┬──────────┬──────────┬───────────┤
│ DB MCP   │ FS MCP   │ API MCP  │ 三方 MCP  │
│ 数据库    │ 文件系统  │ 项目能力  │ 第三方API  │
│ 访问      │ 文档库    │ 代码审查  │ 邮件/日程  │
└──────────┴──────────┴──────────┴───────────┘

9.2 典型企业 MCP Server 矩阵

MCP Server	功能	适用场景
`db-mcp-server`	封装数据库访问（只读查询、Schema 浏览）	BI 分析、数据报表
`fs-mcp-server`	封装文件系统/文档库	代码审查、文档管理
`project-mcp-server`	封装本地项目能力	IDE 辅助、代码审查
`thirdparty-mcp-server`	封装第三方 API	邮件、日程、CRM 操作

9.3 项目迁移建议

从「会用大模型」迈向「打造 AI 能力平台」：

✅ 在真实项目中改造示例 MCP Server
✅ 接入 IDE / Agent 框架
✅ 逐步把日常重复工作迁移到 MCP + Agent 上

10. 常见问题与讨论

Q1：MCP 和裸的 Function Call 到底有什么区别？

MCP 本质上是 Function Call 的标准封装。区别在于：

Function Call 是模型的能力（每个平台各写一套）
MCP 是工具管理协议（写一次，到处用）

当你有多个模型、多个入口时，MCP 的价值就体现出来了。

Q2：如果工具有成百上千个，MCP 还能用吗？

这是 MCP 当前的一个挑战。当工具太多时：

上下文塞不下所有工具描述
模型在大量工具中选择时鲁棒性下降

解决方案：

分层检索（树状结构，先分大类再选小类）
动态加载（根据上下文只暴露相关工具）
工具分类 + 路由机制

Q3：MCP 和 ReAct 有什么关系？

MCP 本质上就是 ReAct 模式的应用（ReAct = Reasoning + Acting，2023 年已有）。MCP 的优势在于标准化和生态建设。

Q4：MCP 是否必须用 Claude？

不是。任何支持 MCP 的模型都可以用。但 Claude 对 MCP 有专门训练（自家的协议），体验最好。

Q5：MCP Server 可以远程部署吗？

可以。MCP 支持两种传输方式：

stdio — 本地进程间通信（本地开发）
HTTP + SSE — 远程服务器通信（生产环境）

11. 总结与学习路径

11.1 核心要点总结

维度	内容
本质	统一的协议标准，AI 世界的"USB-C"接口
价值	解决 Function Call 平台依赖，提供统一、开放、安全的工具调用
架构	Host → Client → Server 三层架构
原理	基于 Prompt Engineering 的工具选择和调用
使用	普通用户直接使用现成 MCP Server，零门槛
开发	Python/TypeScript SDK，工具开发相对简单
生态	处于发展初期，但已有大量现成 Server

11.2 推荐学习路径

第 1 步：理解概念（本文档 📖）
    → 了解 MCP 是什么、为什么需要
第 2 步：体验现有 MCP Server（🔌）
    → 使用官方 Filesystem / Database Server
    → 配置 Claude Desktop 或 Cursor 体验
第 3 步：动手开发（💻）
    → 用 Python SDK 写一个简单的 MCP Server
    → 用 MCP Inspector 调试
第 4 步：接入框架（🔗）
    → 接入 LangGraph / CrewAI / 自定义应用
第 5 步：生产部署（🚀）
    → 安全加固、错误处理、性能优化

12. 参考资源

官方资源

资源	链接
MCP 官方文档	What is the Model Context Protocol (MCP)? - Model Context Protocol
MCP Python SDK	https://github.com/modelcontextprotocol/python-sdk
MCP TypeScript SDK	https://github.com/modelcontextprotocol/typescript-sdk
官方 MCP Servers	https://github.com/modelcontextprotocol/servers
Anthropic MCP 公告	Introducing the Model Context Protocol \ Anthropic

MCP Server 市场

资源	链接
Awesome MCP Servers	https://github.com/punkpeye/awesome-mcp-servers
MCP Servers 网站	Awesome MCP Servers
MCP Market（国内）	http://mcpmarket.cn

开发调试工具

工具	说明
MCP Inspector	`npx -y @modelcontextprotocol/inspector` — Web 界面调试
MCP CLI	通过 `mcp` 命令本地调试 Server

最后更新：2026-06-14

Happy Learning! 🚀 祝你学习愉快！

北京朝阳AI社区

更多推荐

GEO 不是软文新马甲：从服务业落地案例，看懂 AI 时代 B 端营销新逻辑

第四阶段，基于知识库生成适配不同信源的内容分发；兴旺宝 GEO 整套体系以结构化知识库为核心底座，搭配开放信源矩阵、自研 Mtnets-GEO 监测系统，同时支持企业自主选择渠道，不强制绑定商铺，既可以使用平台自有垂直行业媒体资源，也可以联动企业官网、外部权威行业媒体同步布局，适配服务业多样化的品牌传播需求。但大模型普及之后，用户检索范式发生根本性变化，用户行为从 “搜索关键词，浏览多条网页自行筛

北京朝阳AI社区

中科曙光NEBULA 800在企业AI推理中的应用

NEBULA 800支持灵活配置多种加速卡，可在有限空间内部署高密度推理算力，满足智能客服、图像识别、内容生成等实时场景。中科曙光NEBULA 800兼容主流国产与国际处理器，支持虚拟化与容器化部署，可与企业现有云平台、数据库平滑对接，避免重复建设。在成本控制上，NEBULA 800通过高效散热与电源设计降低单位推理能耗，并可按需选配、逐步扩容。从云端到边缘，从通用计算到AI推理，中科曙光NEBU

北京朝阳AI社区

智能系统的可维护性的 8 个常见坑与避坑清单

以机器学习模型和大语言模型为核心的智能系统正在进入生产环境，但其维护难度并未随开发工具的成熟而同步下降。现有软件工程实践主要围绕确定性代码、显式接口和稳定依赖展开，难以直接覆盖提示词、模型版本、工具调用、评测数据和运行轨迹之间的耦合；已有研究分别讨论了机器学习技术债、数据级联、提示敏感性和智能体失效，但缺少面向工程团队的、可执行的维护清单。本文把智能系统的可维护性界定为在可接受成本内理解、修改、验

北京朝阳AI社区

所有评论(0)

查看更多评论

南街九尾狐

@2302_77151585

已为社区贡献1条内容

MCP（Model Context Protocol）

南街九尾狐

本手册综合整理自：

目录

1. MCP 是什么？

1.1 官方定义

1.2 一句话理解

1.3 类比帮助理解

1.4 MCP 让模型做到的事

2. 为什么需要 MCP？

2.1 没有 MCP 之前的问题

问题一：手工 Prompt 的局限

问题二：Function Call 的平台依赖

2.2 MCP 的三大优势

3. MCP 架构详解

3.1 三大核心组件

3.2 MCP Server 提供的三种功能类型

3.3 一次完整的调用流程示例

4. MCP 工作原理（调用流程）

4.1 模型如何选择工具？

完整调用流程

4.2 工具描述的来源

4.3 代码层面的实现原理

4.4 关键结论

5. MCP 与 Function Call 的关系

5.1 核心区别

5.2 正确理解

5.3 一句话总结社区观点

6. MCP 与主流 Agent 框架的关系

6.1 一句话对比

6.2 抽象层级对比

6.3 MCP 不是竞品，是底座

6.4 典型选型建议

7. MCP 实战：搭建本地项目 MCP Server

7.1 环境准备

7.2 编写 MCP Server（Python）

7.3 运行与测试

7.4 接入 Claude Desktop

7.5 接入 ChatGPT / IDE / Agent 框架

7.6 扩展思路

8. MCP Server 开发最佳实践

8.1 Anthropic 推荐的 LLM 辅助开发法

Step 1：引入领域知识（Domain Knowledge）

Step 2：描述你的需求

Step 3：LLM 生成代码，手动测试 → 调试 → 上线

8.2 MCP Server 开发原则

9. 参考架构与最佳实践

9.1 推荐的企业级架构

9.2 典型企业 MCP Server 矩阵

9.3 项目迁移建议

10. 常见问题与讨论

Q1：MCP 和裸的 Function Call 到底有什么区别？

Q2：如果工具有成百上千个，MCP 还能用吗？

Q3：MCP 和 ReAct 有什么关系？

Q4：MCP 是否必须用 Claude？

Q5：MCP Server 可以远程部署吗？

11. 总结与学习路径

11.1 核心要点总结

11.2 推荐学习路径

12. 参考资源

官方资源

MCP Server 市场

开发调试工具

所有评论(0)

温馨提示：您尚未绑定手机号

南街九尾狐