目录

前言

一、什么是 MCP？

二、MCP 核心角色

三、MCP Server 三大能力

1. Tools（工具）—— 可执行动作

2. Resources（资源）—— 只读数据

3. Prompts（提示模板）—— 复用提示词

四、MCP 工作流程

五、三种传输方式

六、典型使用场景

七、MCP 的核心优势

✅ 一次开发，多端复用

✅ 隔离安全

✅ 轻量化

八、MCP 的局限

九、和普通 Function‑Calling 的区别

十、快速开始

环境准备

教程导航

十一、总结

---

前言

如果你正在开发 AI 应用，或者使用 Claude、Cursor 等 AI 工具，你一定遇到过这样的烦恼：

• Claude 想读取你电脑上的文件，你需要手动复制粘贴；

• Cursor 想执行代码，你需要切换到终端；

• 换了一个大模型，之前写的工具调用代码全部作废；

这些问题，MCP 协议正是为了解决它们而生。

---

一、什么是 MCP？

MCP（Model Context Protocol） 是由 Anthropic 在 2024 年底开源的一套开放协议，基于 JSON‑RPC 2.0。

简单理解：MCP 就是 AI 生态的 USB‑C 通用接口。

它标准化了大模型访问本地文件、数据库、第三方 API 的方式，彻底解决了不同大模型工具调用接口碎片化的问题。

一次开发 MCP Server，所有兼容 MCP 的 AI 客户端（Claude、Cursor 等）都能直接使用。

---

二、MCP 核心角色

MCP 采用经典的 C/S 架构，包含三个角色：

角色	说明	示例
MCP Host	AI 宿主应用，内置大模型，负责业务交互	Claude Desktop、Cursor
MCP Client	内嵌在 Host 内部的通信连接器	转发请求、接收结果
MCP Server	轻量服务程序，封装真实能力，不包含 AI 推理	文件读写、数据库查询、API 调用

💡 MCP Server 本身不做推理，只负责执行具体操作并返回数据。

---

三、MCP Server 三大能力

MCP Server 对外提供三种能力：

1. Tools（工具）—— 可执行动作

可以执行写文件、调用 API、发送邮件、爬虫等有副作用的操作。

python

@mcp.tool()
def write_file(path: str, content: str) -> str:
    with open(path, 'w') as f:
        f.write(content)
    return f"已写入 {path}"

2. Resources（资源）—— 只读数据

提供文档、代码仓库、数据库记录等只读上下文，供模型读取。

python

@mcp.resource("file://docs/readme.md")
def get_readme() -> str:
    return open("README.md").read()

3. Prompts（提示模板）—— 复用提示词

预定义常用提示模板，客户端直接复用。

python

@mcp.prompt()
def code_review(code: str) -> str:
    return f"请对以下代码进行审查：\n{code}"

---

四、MCP 工作流程

一张图看懂 MCP 的完整调用链路：

text

用户提问 → Host(Claude) → LLM 决策 → MCP Client → MCP Server → 执行操作 → 返回结果 → LLM 整理 → 输出回答

具体步骤：

1. MCP Server 启动时，向 Client 上报 Tools、Resources、Prompts 清单；

2. 用户提问，Host 将问题 + 可用工具列表传给大模型；

3. LLM 判断需要调用外部能力，生成调用指令；

4. Client 按 MCP 协议请求对应的 MCP Server；

5. Server 执行操作（读写文件、查数据库、调 API 等）；

6. 原始结果回传给 Client，LLM 整理后输出最终回答。

---

五、三种传输方式

传输方式	适用场景
Stdio（标准输入输出）	本地进程通信，最常用，本地 MCP Server 首选
SSE（Server‑Sent Events）	HTTP 单向推送，适合远程服务
Streamable HTTP	完整 HTTP 双向流式，适合云端部署

---

六、典型使用场景

场景	说明
本地文件操作	AI 安全访问电脑目录，无需手动复制粘贴
企业知识库	AI 对接内部数据库，不用为每个模型单独开发插件
IDE 智能编程	Cursor 读取项目代码、执行脚本、自动修复
Agent 智能体	统一对接各类第三方服务，一次开发多端复用

---

七、MCP 的核心优势

✅ 一次开发，多端复用

一套 MCP Server，Claude、Cursor、以及其他兼容客户端直接使用，省去重复适配。

✅ 隔离安全

大模型不能直接操作本机，所有操作都经过 MCP Server 做权限管控。

✅ 轻量化

专注能力封装，不用内置大模型，部署简单。

---

八、MCP 的局限

局限	说明
无 AI 推理能力	MCP Server 仅做能力封装，不包含模型
生态早期	主要围绕 Claude，其他模型陆续适配中
远程安全	公网部署需要自行处理鉴权和安全防护

---

九、和普通 Function‑Calling 的区别

对比项	Function‑Calling	MCP
协议性质	大模型厂商私有格式	独立开放协议
解耦程度	工具绑定特定模型	工具与模型完全解耦
复用性	每个模型需重新适配	一次开发，所有 MCP 客户端通用
部署方式	随模型调用	工具可独立部署

MCP 让工具服务和大模型彻底解耦，这才是真正的“标准化”。

---

十、快速开始

环境准备

bash

# 安装依赖
uv sync

# 验证安装
uv run python tutorial/01-getting-started/01_install.py

教程导航

模块	内容	文件
入门	安装验证、第一个服务器、STDIO 客户端/服务端	tutorial/01-getting-started/
服务器	Tools、Resources、Prompts、上下文、中间件、组合	tutorial/02-servers/
客户端	客户端基础、传输协议、客户端操作	tutorial/03-clients/
部署	HTTP 部署、生产环境部署	tutorial/04-deployment/

---

十一、总结

MCP 的出现，标志着 AI 工具调用从“私有协议”走向“开放标准”。

• 对开发者：一次开发，多端复用

• 对用户：AI 更安全地访问本地数据

• 对生态：统一的工具接口标准

无论你是 AI 应用开发者，还是技术爱好者，MCP 都值得你花时间去了解和使用。